论文部分内容阅读
【摘要】数字图像配准技术在当今科学研究的各个领域都显示出了很高的利用价值，伴随着人们对匹配效果的不断增强，图像配准技术也受到人们越来越多的关注。本文主要介绍图像配准在各个领域中的应用以及图像配准算法的研究现状。
1.图像配准技术的应用
目前，在很多领域都运用到了图像配准技术，这些领域分布在很多学科，包括机器视觉、医疗图像鉴定[1]等，另外还有现代汽车工业上运用到的器件完整度检测，当前受到热捧的景物匹配技术也都利用了图像配准技术。图像配准早已是一个非常热点同时也非常前沿的技术，现在图像多源信息融合作为一门强势的基础学科，已被广泛运用于军工、民用、商业等领域[2][3]。
在计算机机器视觉中，图像配准技术也是其他延伸技术的基础，包括指纹识别、运动目标识别、人脸识别等当今非常热门的研究领域。图像配准技术既是基础，也是难点。当前有关视频监控、目标跟踪方面的研究已经很深入，且取得了很多辉煌的成就，但归根到底，所有的视频信息也都是由一帧一帧的图像所构成，因此要解决这类识别问题，同样依赖于图像配准技术的发展。
2.图像配准基本原理
在数字图像配准技术中，灰度相关处理是一种非常重要的算法。这类算法最大的特点就是算法的实现非常容易，但这类算法又有限制其发展的弱点，那就是该类算法的时间复杂度都非常高，计算机在进行处理的时候消耗的时间过长，实时性较差，使得这类算法在运用到实际中的时候，难以得到很好的效果。原因在于这类配准方法在对相似度进行计算时，基本上要对待配准区域的每一个像素点进行计算，这样的大量运算会直接增加配准搜索过程的时间，同时其受到图像尺度变化的影响非常大。还有一种方法是使用图像中的所有像素点的灰度信息来进行配准，再使用一种搜寻的方式把那些属于某一相似度的极值点找到，算法同样利用的是对整幅图像中的所有像素点。因其计算量太大，所以实际使用价值也不高。
图像进行特征提取的时候，使用的方法要根据实际的情况来做出不同的选择，因为不同图像的特征点有其所特有的性质。这些方法广泛的涉及到图形图像形态学，而且无法把这些模型有效的归纳到一起。针对图像的特征点提取，很多方法都运用了图像中那些对图像发生平移、尺度等变换时保持不变性的特征点，甚至某些点还能是在图像发生仿射变换时也保持不变性。通常数字图像中的特征做了图像全局特征和图像局部特征的划分。对于图像的全局特征，由于要考虑图像中所有像素点对当前点的贡献和影响，所以对图像信息的描述是非常复杂的，同时计算量会很大，实时的效果不好。而对于局部特征则有很好的可行性和可靠性，这样找到的局部特征点把整幅图像的信息进行了压缩，使用很少的点就可以得到整幅图像的信息，不必去计算图像中的所有像素点，因此，在计算的效率上拥有很好的优势，但是也要注意，由于没有考虑整幅图像的完整信息，所以局部特征点的提取方式以及使用的匹配搜索模式的不同会导致算法所提取出来的特征点不同。
在进行图像匹配时候，其原理就是利用两幅或者多幅图像间都共同拥有的特征点来建立图像之间的对应关系。在进行匹配之前，需要对图像中的每一个特征点定义一个描述子和确定进行匹配时所要采用的策略方法，如何给特征点一个稳定的描述子对后续的匹配工作至关重要。一个好的特征点描述子，需要尽可能的满足对几何变化拥有不变性，而且受噪声的干扰要尽可能低，同时每个不同的特征点的描述子要求是尽量唯一，这样才能降低误匹配率，要满足上面的要求那么特征点描述子就应该是维数越高越好，但在实际的运用中，如果维数过高将会导致匹配效率的下降，所以需要寻找一种较为折中的处理方法。因此，对于特征点描述子的维数的选取需要权衡以上几个方面，这样得到的描述子才能够是合理的、有效的。描述子的维数过高或者过低都会影响到配准时的效果，研究图像的配准策略，是为了能够得到既准确又快速的匹配方法，使得两幅图像之间的特征点能够被实时的搜寻到。对于匹配策略有很成熟的方法可以借鉴，比如欧式距离匹配法、最小均方误差法[4]等。
3、图像配准算法
基于特征点的图像配准技术中，SIFT特征点匹配算法最具代表性。该算法通过在尺度空间中寻找极值点，然后去除不稳定点得到最终的关键点，最后使用一个维数为128维的特征向量去描述每一个关键点，使关键点具有非常好的稳定性和独特性。
哥伦比亚大学的D.GLowe教授，1999年首次提出了一种尺度不变特征转换算法—SIFT特征点匹配算法，随后，作者在2004年对先前提出的SIFT算法进行了完善。Yoke把PCA技术与SIFT算法相结合，提出了在SIFT算法中的关键点描述子部分使用PCA技术替换SIFT算法中所使用的直方图，并且取得了很好的效果，也就是PCA-SIFT算法。
SIFT算法有一个最大的不足就是没有考虑图像的色彩信息，这让SIFT算法的实际应用效果大打折扣。为了增加算法的实用性，随后出现了CSIFT算法，该算法对SIFT算法忽略了图像色彩信息的问题进行弥补，使SIFT算法更加具有普遍的适用性。因此，该算法在多个领域中都有很好的应用。
4、总结
图像配准在我们现实生活中应用广泛，并且在科学领域中价值甚高。目前有关图像配准技术的算法越来越多，不过原理基本一致，通过寻找相似的特征点进行图像匹配，而基于特征点的图像匹配技术中，SIFT匹配算法效果相对较好，目前也被广泛应用。然而，每个算法都有其不足之处，因此，图像匹配技术依然被人们广泛研究。
参考文献：
[1]张广军.机器视觉[M].北京：科学出版社，2005
[2]门蓬涛，张秀斌，张峰.图像特征识别方法研究[J].微计算机信息，2004，20（5）：103-105
[3]洪贝，孙继银.图像配准技术研究[J].战术导弹控制技术，2006，13（3）：103-112
[4]RafaelC.Gonzalez，RichardE.Woods.数字图像处理[M].北京：电子工业出版社，2004
1.图像配准技术的应用
目前，在很多领域都运用到了图像配准技术，这些领域分布在很多学科，包括机器视觉、医疗图像鉴定[1]等，另外还有现代汽车工业上运用到的器件完整度检测，当前受到热捧的景物匹配技术也都利用了图像配准技术。图像配准早已是一个非常热点同时也非常前沿的技术，现在图像多源信息融合作为一门强势的基础学科，已被广泛运用于军工、民用、商业等领域[2][3]。
在计算机机器视觉中，图像配准技术也是其他延伸技术的基础，包括指纹识别、运动目标识别、人脸识别等当今非常热门的研究领域。图像配准技术既是基础，也是难点。当前有关视频监控、目标跟踪方面的研究已经很深入，且取得了很多辉煌的成就，但归根到底，所有的视频信息也都是由一帧一帧的图像所构成，因此要解决这类识别问题，同样依赖于图像配准技术的发展。
2.图像配准基本原理
在数字图像配准技术中，灰度相关处理是一种非常重要的算法。这类算法最大的特点就是算法的实现非常容易，但这类算法又有限制其发展的弱点，那就是该类算法的时间复杂度都非常高，计算机在进行处理的时候消耗的时间过长，实时性较差，使得这类算法在运用到实际中的时候，难以得到很好的效果。原因在于这类配准方法在对相似度进行计算时，基本上要对待配准区域的每一个像素点进行计算，这样的大量运算会直接增加配准搜索过程的时间，同时其受到图像尺度变化的影响非常大。还有一种方法是使用图像中的所有像素点的灰度信息来进行配准，再使用一种搜寻的方式把那些属于某一相似度的极值点找到，算法同样利用的是对整幅图像中的所有像素点。因其计算量太大，所以实际使用价值也不高。
图像进行特征提取的时候，使用的方法要根据实际的情况来做出不同的选择，因为不同图像的特征点有其所特有的性质。这些方法广泛的涉及到图形图像形态学，而且无法把这些模型有效的归纳到一起。针对图像的特征点提取，很多方法都运用了图像中那些对图像发生平移、尺度等变换时保持不变性的特征点，甚至某些点还能是在图像发生仿射变换时也保持不变性。通常数字图像中的特征做了图像全局特征和图像局部特征的划分。对于图像的全局特征，由于要考虑图像中所有像素点对当前点的贡献和影响，所以对图像信息的描述是非常复杂的，同时计算量会很大，实时的效果不好。而对于局部特征则有很好的可行性和可靠性，这样找到的局部特征点把整幅图像的信息进行了压缩，使用很少的点就可以得到整幅图像的信息，不必去计算图像中的所有像素点，因此，在计算的效率上拥有很好的优势，但是也要注意，由于没有考虑整幅图像的完整信息，所以局部特征点的提取方式以及使用的匹配搜索模式的不同会导致算法所提取出来的特征点不同。
在进行图像匹配时候，其原理就是利用两幅或者多幅图像间都共同拥有的特征点来建立图像之间的对应关系。在进行匹配之前，需要对图像中的每一个特征点定义一个描述子和确定进行匹配时所要采用的策略方法，如何给特征点一个稳定的描述子对后续的匹配工作至关重要。一个好的特征点描述子，需要尽可能的满足对几何变化拥有不变性，而且受噪声的干扰要尽可能低，同时每个不同的特征点的描述子要求是尽量唯一，这样才能降低误匹配率，要满足上面的要求那么特征点描述子就应该是维数越高越好，但在实际的运用中，如果维数过高将会导致匹配效率的下降，所以需要寻找一种较为折中的处理方法。因此，对于特征点描述子的维数的选取需要权衡以上几个方面，这样得到的描述子才能够是合理的、有效的。描述子的维数过高或者过低都会影响到配准时的效果，研究图像的配准策略，是为了能够得到既准确又快速的匹配方法，使得两幅图像之间的特征点能够被实时的搜寻到。对于匹配策略有很成熟的方法可以借鉴，比如欧式距离匹配法、最小均方误差法[4]等。
3、图像配准算法
基于特征点的图像配准技术中，SIFT特征点匹配算法最具代表性。该算法通过在尺度空间中寻找极值点，然后去除不稳定点得到最终的关键点，最后使用一个维数为128维的特征向量去描述每一个关键点，使关键点具有非常好的稳定性和独特性。
哥伦比亚大学的D.GLowe教授，1999年首次提出了一种尺度不变特征转换算法—SIFT特征点匹配算法，随后，作者在2004年对先前提出的SIFT算法进行了完善。Yoke把PCA技术与SIFT算法相结合，提出了在SIFT算法中的关键点描述子部分使用PCA技术替换SIFT算法中所使用的直方图，并且取得了很好的效果，也就是PCA-SIFT算法。
SIFT算法有一个最大的不足就是没有考虑图像的色彩信息，这让SIFT算法的实际应用效果大打折扣。为了增加算法的实用性，随后出现了CSIFT算法，该算法对SIFT算法忽略了图像色彩信息的问题进行弥补，使SIFT算法更加具有普遍的适用性。因此，该算法在多个领域中都有很好的应用。
4、总结
图像配准在我们现实生活中应用广泛，并且在科学领域中价值甚高。目前有关图像配准技术的算法越来越多，不过原理基本一致，通过寻找相似的特征点进行图像匹配，而基于特征点的图像匹配技术中，SIFT匹配算法效果相对较好，目前也被广泛应用。然而，每个算法都有其不足之处，因此，图像匹配技术依然被人们广泛研究。
参考文献：
[1]张广军.机器视觉[M].北京：科学出版社，2005
[2]门蓬涛，张秀斌，张峰.图像特征识别方法研究[J].微计算机信息，2004，20（5）：103-105
[3]洪贝，孙继银.图像配准技术研究[J].战术导弹控制技术，2006，13（3）：103-112
[4]RafaelC.Gonzalez，RichardE.Woods.数字图像处理[M].北京：电子工业出版社，2004