随着图像处理技术的不断成熟,人类越来越依赖于这种直观的图像处理模式。图像的特征提取技术作为计算机视觉中尤为重要的一部分,被应用于遥感卫星、生物学和医学以及军事学等众多领域中。图像特征提取算法的计算效率以及在诸多外界因素干扰情况下的稳定性对图像配准等后续工作起着决定性的作用。场景图像复杂多变且信息量巨大,往往伴随着光照、视角、缩放旋转和噪声等变换的影响。因此,作为数字图像处理领域研究的一个技术难点,在不同场景中能快速准确的提取出稳定的特征用于图像配准,并且获得低错误率和高效率的结果有着理论的意义和实际的应用价值。本文主要研究图像的特征提取算法,分析不同特征检测的效率,获得鲁棒性高的特征并将其应用于场景图像配准进而分析算法性能,完成的研究内容和主要工作如下:(1)研究了在图像处理中提取图像特征的基本理论,图像特征主要分为全局特征和局部特征两大类。分别研究这两类的典型特征,并分析图像特征性能评价的基本准则,主要包含特征特性、特征检测数量、特征重复率和运行效率。(2)在图像特征理论研究基础上,进行图像配准的理论介绍,主要包括图像配准常用方法分类和基本要素。同时,深入研究了SIFT、SURF、FREAK和AKAZE的算法原理,并通过实验结合特征评价准则对比得到直观的结果,表明了各种特征提取算法的优缺点。(3)通过比较图像特征提取算法,提出了一种基于AKAZE和FREAK特征相结合的图像配准算法,将其应用于单个变化的场景图像配准,并且把该种算法和经典特征提取算法在抗噪能力、旋转不变性和尺度不变性方面作对比。针对视角变化较大且影响因素较多的图像,提出了一种基于AKAZE特征提取的算法,运用到图像配准中,通过与经典算法对比配准的正确率、精度和运行时间来展示算法效果。(4)根据编程环境和语言,完成了图像处理算法平台的搭建和特征检测效率分析模块大部分算法的代码实现与移植,建立并测试了性能评估系统。