0. 引 言
在计算机技术快速发展的今天，图像成像技术以及处理方法飞速发展，基于图像开展
的计算机视觉研究也突破了多项技术瓶颈，其多种研究成果在生活应用、科研创新等多个
领域均发挥着不可替代的作用
[1-3]
。其中，图像配准技术是通过对同一场景多角度成像的多
幅图像进行几何参数变换的过程，通过特征提取把多幅存在变形或者重叠区域的图像完成
一致性调整，多应用于医学，遥感图像分析、三维模型重建、遥感影像的合成、多场景融
合以及视屏监控等领域
[4-5]
。
常用的图像配准包括三类：采用灰度信息互相关性配准、特征配准以及变换域配准
[6]
。其中，特征匹配方法的有易用和易扩展等优势，现今应用最为广泛。在计算机视觉领
域中，随着尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）和加速鲁棒性特
征（Speed Up Robust Features，SURF）等具有尺度和旋转不变性算子的逐渐兴起，引起了
众多学者的关注
[7-8]
。参考文献[9]针对颜色和纹理相近的图像在配准过程中使精度下降的难
题，结合 SIFT 和 SURF 算法对单个沙丘图像进行配准，得到了较高的配准精度，且实用
性较强；参考文献[10]将二进制的鲁棒性独立特征（Binary Robust Independent Elementary
Features，BRIEF）描述符应用在图像配准中，不仅减少了建立描述符的时长，还大幅降低
了存储空间，且对光照变化有较强的适应鲁棒性，但是其特征点检测不具备尺度和旋转不
变性；参考文献[11]设计了二进制简单描述符（Oriented Brief，ORB）算法，首先借助加速
分割测试特征（Features From Accelerated Segment Test，FAST）获取带有尺度不变性的角
点特征信息，然后计算出角点的主方向，并建立带有旋转不变性的 BRIEF 描述符，有效改
善了运算效率 。而基于互相关信息（Cross-Correlation Information，CCI）的图像配准方法
是通过模板图像在基准图像中移动，来求解两者的相似度，而峰值出现的地方即为所求的
配准位置，然周再通过计算变换矩阵，从而实现图像配准
[12]
。参考文献[13]针对运动物体
的检测场景，通过计算相邻帧两幅图像的互相关信息，获取平移旋转参数，从而能够从运
动背景中准确地检测出目标。但是现有的图像配准方法在实际应用过程中存在着诸多问
题，如：ORB 图像配准方法虽然具备较快的配准速度，但是配准精度不高，难以在实际应
用中达到较好的效果；SURF 与 SIFT 图像配准方法虽具备较好的鲁棒性，但是这些方法的
配准精度同样有待提高；而基于互相关信息的图像配准方法虽然配准精度较高，但是在运
算速度和鲁棒性两个方面表现较差。为此，文中融合 SURF 特征和局部互相关信息设计了
一种改进的图像配准算法，通过 SURF 特征完成图像的粗配准，以提升算法的鲁棒性，再
将粗配准结果图像进行局部互相关信息提取，并计算出单应矩阵，最后将获取的单应矩阵
应用于待配准图像全图，以实现图像精确配准，该方法充分结合了多种配准方法的鲁棒
性、高精度等优势，并通过应用局部信息计算，也大幅提升了配准速度。
1. 图像配准方法
资源评论
罗伯特之技术屋
- 粉丝: 484
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
