在当前科技信息发展的时代,移动终端设备也不断发展。基于这种优势,用户能够方便的得到图像的数据。数字图像应用的关键技术是图像配准技术,近几年来,随着对图像配准技术不断的研究,应用也越来越广泛。SIFT算子(Scale Invariant Feature Transform,尺度不变特征变换)是典型的图像配准算子。为了提高图像配准的精确度以及配准效率,大量学者在SIFT算子的基础之上进行了改进,但是在配准精度方面还没有达到理想的状态。本文在D-Nets(Descriptor-Nets)的基础上对图像配准技术进行了研究。D-Nets配准算法是一种计算上有效的方法,极大地提高了图像配准的精确度和召回率。我们研究的主要内容分为三个阶段:图像预处理阶段、图像特征点提取阶段以及图像特征点配准阶段。本文旨在提高图像配准的精确度、召回率,基于这一目的,提出了两个方案。(1)基于D-Nets配准算法,本文提出了新的方法,在特征点提取阶段对原图像提取特征点,在配准阶段,对合成图像用D-Nets进行配准。本方法的具体操作步骤为:首先对数据集中的原图像用Laplace算子(拉普拉斯算子)进行图像边缘增强,然后用增强后的图像与原图像进行图像合成,用合成后的图像在图像配准阶段进行特征配准。在特征点提取阶段,采用SIFT算子对原图像进行特征点的提取,提取出的特征点图像信息丰富,该算法对图像缩放、旋转、位移等几何变化具有不变性,还具有较好的鲁棒性。为了降低合成图像的噪声,避免影响配准效果,对合成图像在配准之前用高斯滤波平滑处理。在图像配准阶段,用D-Nets算法对合成图像进行图像配准,相比现有的方法大大提高了配准的精确度和召回率。(2)基于D-Nets配准算法,本文提出另一种方法,在图像配准阶段之后,用RANSAC算法(Random Sample Consensus,随机抽样一致性算法)去除误配准点,从而提高配准精度。RANSAC算法是一种高鲁棒性的算法,能对异常数据的干扰进行高效的排除,对模型参数的稳健性有所提高,它比其他去除图像误配准点方法更具优越性。RANSAC算法在各个领域已被广泛的应用。本文提出方法的具体操作步骤为:用常用的SIFT算子对原图像进行特征提取,然后采用高斯滤波对原图像进行去噪,从而避免了图像噪声对图像配准的干扰,使配准更精确。在图像配准阶段,用D-Nets算法对去除噪声之后的图像进行粗配准,图像粗配准后会出现错误的配准点,最后用RANSAC算法去除错误配准点,相比现有方法,提高了图像配准精确度。