图像配准技术广泛运用在诸如遥感、医学、计算机视觉等领域中,是指将在空间位置上对来自不同传感器或者同一传感器在不同时刻拍摄的同一场景的两幅或多幅图像进行最佳融合工作。但是在织物图像来源问题上,即在织物图像采集过程中,所采集的待配准织物图像由于环境、设备以及技术等问题都有一定的重合区域和一种或多种变化存在,且同时还被诸如复杂多变的成像畸变和噪声等因素所影响。特征点冗余也由于织物图像纹理相似度高以及识别性不强等问题使其在特征提取方面的难度增加。因此织物图像的配准仍然存在严峻的挑战。本文针对织物图像纹理相似度高、识别性不强等问题提出了两种基于SURF的改进配准方法。通过采用改进后的算法将采集到的存在重合区域的织物图像进行特征提取与匹配,使得融合拼接后的织物图像显示正确,没有明显的拼接缝和边缘空缺。本文在采集织物样本图像后,对SURF算法的特征点提取步骤和配准过程进行了详细分析,并重点研究了在织物图像的配准中该算法的应用。分析了算法的优缺点并进行了改进。主要研究内容如下:(1)搭建了织物样本图像采集实验平台,在实验室模拟了实际检测环境并采集了多种实验样本。介绍了关于图像配准的一些基本理论,说明图像预处理阶段用到的预处理方法,最后阐述说明了几种图像变换模型与图像配准方法。(2)在特征点匹配阶段,对最终的结果影响最大的就是错误的匹配对,针对传统SURF算法在检测特征点时,是基于全局范围进行的,故而提出了首先利用SURF算法在重合区域进行特征点的提取和匹配的方法,并通过实验结果表明该方法在配准效率和准确率方面都高于传统SURF算法在全局范围内检测特征点的方式。(3)为了满足实际工业生产,提高织物图像配准速度和准确性,又提出一种确定重合区域后基于SURF与改进RANSAC的图像配准算法。把待配准的织物图像之间各自的特征点通过NSCT方法变换提取出来分成低频和高频子带并对它们初步匹配,然后通过RANSAC改进算法后筛查初始匹配点,从而对错误的匹配点对进行剔除并做细匹配,这样就完成了改进方法的织物图像配准。并在最后融合拼接时采用了加权融合的算法,有效消除拼接产生的拼接缝和边缘空缺,在保持单幅织物图像分辨率不变的条件下,完成了融合拼接图。经实验仿真表明,该算法在清晰度,准确度以及速率上都优于传统RANSAC算法。