本文介绍了一种用于序列图像拼接的新方法，该方法结合了基于区域特征的配准算法和基于灰度交叉相关的配准算法。序列图像通常由于平移、旋转和缩放变换而存在差异，这使得它们的连续拼接成为一项挑战。针对这一问题，作者提出了一个创新的算法来提高拼接的准确性和鲁棒性。
算法采用迭代阈值分割算法对图像进行区域划分，提取出图像中的关键区域。这些区域特征作为配准的基础，有助于识别和匹配相似的图像部分。通过比较不同图像间的区域特征，可以建立初始的同名区域对，即在不同图像中对应相同对象的区域。
接下来，选取每个同名区域对的质心点作为特征点，利用图像的灰度信息进行进一步的配准。这里，算法选择了交叉相关准则作为衡量图像间对应点一致性的度量标准。交叉相关是一种统计方法，用于评估两个信号或图像在不同偏移量下的相似度，它可以有效地捕捉灰度级别的变化，从而确定最佳的平移、旋转和缩放参数。
通过优化交叉相关度，算法能够找到最佳的几何变换关系，从而精确地对齐序列图像。实验结果显示，这种结合区域特征和灰度交叉相关的方法在配准率和鲁棒性方面表现出色，能够有效应对图像间的各种变换。
图像拼接技术在遥感、监控、无人机航拍等领域有着广泛的应用，它能够将多张小视场图像合成大视场全景图像，提供更全面的场景信息。基于灰度的配准算法和基于特征的配准算法各有优缺点，本文所提方法通过集成两者，旨在克服单一算法的局限性，提高在复杂环境下的拼接效果。
总结来说，这篇论文提出的是一种针对序列图像拼接的混合配准算法，它结合了区域特征匹配和灰度交叉相关度量，旨在处理由于平移、旋转和缩放变换引起的图像差异。这种方法提高了配准的精度，增强了算法对图像畸变的适应性，对于实现高质量的图像拼接具有重要的实际意义。
