基于多尺度分析的图像配准算法研究与应用-临时分类-

基于多尺度分析的图像配准算法研究与应用姓名：石和平学院：电子信息工程学院学号：1012204003一、选题背景、目的、意义

二、研究思路及基本理论介绍三、算法研究与应用1、基于小波变换的图像配准算法2、基于尺度空间理论图像配准算法SIFT算法SURF算法3、图像拼接四、致谢图像配准是将不同时间、不同传感器(成像设备)或不同条件下(气候、光照度、摄像角度和位置等)获取的同一场景的两幅或多幅图像进行匹配、叠加的过程。图像配准是图像处理技术中一个十分关键的步骤，在计算机视觉、模式识别、遥感图像处理、医学图像处理、自动导航及人工智能等众多领域

有着广泛的应用。一、选题背景、目的、意义经过多年的研究，图像配准技术已取得了众多研究成果。目前，国内外同行都在关注图像配准的方式及其相关技术，如基于亚像素精度的图像配准和自动配准技术等。多尺度技术作为一种有效的手段，在改良已有算法和研究新算法中，其特有的优势已得到越来越多研究者的认同。二、研究思路及基本理论介绍1、图像配准问题的核心图像配准问题的核心，即为在变换空间中，寻找到一种最优变换，对同一景象的不同成像，实现某种意义上的匹配。根据图像配准所利用的图像信息不同，图像配准算法可以分为：基于图像灰度信息的方法和基于图像特征的配准方法。其中，基于特征的图像配准算法具有计算量小、鲁棒性好、对几何形变适应性强等优点。基于此，本研究从两个方面延伸，一为结合已有基于特征的图像配准方法，使之与多尺度技术相结合；二为在多尺度下提取图像特征实现图像配准。2、图像配准方法图像的多尺度分析，简单地说就是将图像在不同的尺度上进行分解，从而使得图像的信息能在不同的尺度上得到相应程度的解释。一般认为，在较大尺度下，特征点的定位不易准确，但却能较好的消除误检且能够检测到真正的特征点。反之，在较小尺度下，特征点的定位比较准确，但误检的比例会增加。因此，能同时体现大、小尺度特征提取优点的多尺度技术的应用就显得必

要而且实用。3、为什么选用多尺度技术4、尺度将尺度类比为照相机的镜头，那么，尺度由大到小的变化，相当于照相机由远及近的向目标接近。大尺度空间与远镜头下的观察目标相对应，体现目标大致的概貌特征；小尺度空间对应于近镜头下的观察目标，可以观测到目标的细节部分。5、多尺度技术分类多尺度分析方面的理论中，最典型的例子为金字塔结构与小波分解，另一种重要的多尺度技术就是所谓的“尺度空间(Scale

Space)”。图像的二级小波分解三、算法研究与应用1、基于小波变换的图像配准算法据C.Schmid等人的研究，Harris是目前效果较好的角点提取算法，不受照相机位置及光照的影响。由于只用到灰度的一阶差分和高斯滤波，计算量相对较小，当图像存在旋转、视点变化或灰度变化时，角点提取效果仍然不错。但是，它对噪声比较敏感，在噪声的干扰下容易提取大量的伪角点。此外，传统的Harris角点检测算子并不是尺度不变的，角点容易产生漂移。并且图像中的特征点常出现在不同的尺度上，每一个角点的尺度信息是未知的。因此将多尺度技术与Harris算法结合起来，在理论上和实际应用中都是有意义的。一般来说，基于小波变换的图像处理，大都建立在对图像的小波分解与重构上，图像的小波分解将自动形成一个金字塔结构，将图像信息分为低频部分与高频部分，便于图像特征的提取与利用。结合小波变换的多尺度特性和

Harris角点检测，得到一种基于特征点的多尺度图像配准算法，步骤如下：待配准图像参考图像小波分解小波分解小波边缘检测模值图像小波边缘检测模值图像Harris角点检测Harris角点检测由相关度准则确定匹配点对并用RANSAC法消除误匹配图像配准结果基于小波变换的图像配准算法流程图传统Harris角点检测法检测到的角点实验所用积木图下面两图分别为不加噪声与加高斯噪声时检测到的角点，从图中可以看出，其受噪声的影响较大。用本文方法在不同尺度检测到的角点scale=2scale=1在不同的尺度下，角点的位置及个数大概相当，明显改善了传统Harris角点检测不具备尺度不变性的缺点；添加高斯噪声后，在对应同尺度上检测到的角点，虽然仍受到噪声的干扰，但与原算法相比，抗噪能力明显提高。待配准图像

参考图像待配准图像与参考图像图像间有一定的旋转与缩放scale=2时匹配结果scale=1时匹配结果图示为在两个尺度的匹配结果。上图没有错误匹配对，下图中仅有一对匹配错误，算法具有相当的稳定性。另外，两个尺度下匹配点对的重复度较高。总的来说，本文提出的基于小波变换的多尺度图像配准算法在抗噪性、定位精度以及匹配稳定性方面都有较好的效果。2、基于尺度空间理论的图像配准算法（1）SIFT算子SIFT算子，全称为Scale

Invariant

FeatureTransform，即尺度不变特征变换。SIFT特征点对

图像具有尺度和旋转、缩放不变性，其抗噪性较强，对亮度的变化能保持一定的稳定性。SIFT算子主要有以下几步：

(1)尺度空间极值检测；

(2)关键点的定位；(3)确定关键点的方向；

(4)生成特征点描述子。（2）SURF算子2006年，Herbert

Bay在深入研究SIFT算法的基础上，进行了一些改进，从而提出了SURF(Speeded

Up

RobustFeatures)算法，即加速稳健特征算法。总的来说，SURF在特征点检测、主方向的确定以及特征描述子三个方面对SIFT进行了成功改进。在参考图像和待配准图像中，用SIFT算子或

SURF算子分别提取特征点，以最近邻(NearestNeighbor,NN)方法来匹配，在一幅图像中取某个特征点，在另一幅图像中寻找其最近邻的特征点和次近邻的特征点。其中，前者所指点为与原样本的特征点间欧氏距离的最短特征点，后者指与样本的特征点之间的欧氏距离次短的特征点。

用最近的欧氏距离除以次近的欧氏距离，若其比值小于给定比例阈值，则认为这是一对匹配点，反之，则认为这两个特征点不匹配。其中，给定比例阈值越大，所得的匹配点越多，但匹配精度较低；阈值越小，所得的匹配点越少，但也更加稳定。确定初匹配对后，结合RANSAC法去除误匹配点对，估算变换参数，得到最终配准结果。

本节分别用SIFT法和SURF法对给出的图像进行配准，并对其性能做出比较分析。（3）实验结果基于SIFT的图像匹配基于SURF的图像匹配图中，由SIFT算法得到了130对匹配点，而基于SURF的配准算法得到了30对匹配点。虽然得到的匹配点对数量不同，但两种算法都能由此计算出图像间的变换关系，进而对图像进行正确的配准。比较研究后发现，SURF算法比SIFT更快，而且其特征点的定位更加精准。3.1图像拼接基础图像拼接(Image

Mosaic)是将多幅具有重叠区域的图像拼合成一幅较大无缝图像的技术。具体点说，图像拼接是一种全景图像技术，对于一组存在重叠

部分的图像序列，通过空间配准、图像变换、重采

样及图像融合一系列的操作，形成一幅包含所有图

像序列的全景图。在图像处理领域，配准与拼接是

两个关联紧密的技术概念。图像拼接的核心步骤之

一，就是实现两幅图像间的配准，图像拼接是配准

的一个重要应用领域。3、图像拼接图像拼接技术的应用范围十分的广泛。在遥感图像处理领域，利用图像拼接技术，把多个局部区域的遥感图像，拼合成一幅包含完整场景的图像；在虚拟现实中构建虚拟场景时，可用图像拼接技术来构建各类全景图像；日常生活中，我们可将几幅由数码相机所拍摄的照片拼接成一幅大的照片；此外，图像拼接技术在视频压缩和视频检索、医学图像分析以及军事等领域都有重要的应用价值。3.2

基于SIFT的图像拼接首先，利用SIFT算子提取两幅待拼接图像的特征点，采用最近邻(Nearest

Neighbor，NN)算法进行匹配，并用RANSAC法消