１引言
图像配准在医学领域中起着越来越重要的作用，医生通过配准来自不同设备或不同时间获取的图像信息，能够更加准确地进行诊断。近年来，基于互信息的图像配准被广泛应用，同时也涌现出各种优化算法来对互信息进行优化。现有文献中的优化算法大致分为：局部优化算法和全局优化算法。局部优化算法主要有Ｐｏｗｅｌｌ法、共轭梯度法、柯西一牛顿法、Ｌｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｄｒｔ法、单纯形法等，这些方法都容易受到局部极值的影响，其优化效果好坏关键在于初始点的选择，在没有先验知识的情况下，不能保证收敛到最值。全局优化算法主要有模拟退火算法、遗传算法和粒子群优化算法。模拟退火算法能够跳出局部最优的陷阱但计算时间比较长，并且有时会进入错误的搜索方向而不能得到最优解，遗传算法容易出现“过早收敛”问题［１－３］，而粒子群优化算法只能得到最优值附近的一个值。为了克服这些算法的缺点，出现了多方案结合的算法，Ｐｌａｔｔａｒｄ等将单纯形法和Ｐｏｗｅｌｌ法结合起来应用到配准中［４］，Ｋａｇａｄｉｓ等将Ｐｏｗｅｌｌ法与遗传算法结合起来［５］。冯林等则提出了将ＰＳＯ和ＰＯＷＥＬＬ算法相结合［６］。本文将具有全局搜索能力的粒子群优化算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ）和具有极强局部搜索能力的单纯形法（Ｓｉｍｐｌｅｘ）相结合，来提高配准精度。粒子群优化算法需要确定的初始参数较少，原理简单，易于实现，而单纯形算法能有效地跳出局部极值，实现起来也较ＰＯＷＥＬＬ算法简单，而且混合算法不依赖于初始值的选择，具有很好的初始值鲁棒性。由于基于互信息的图像配准计算量大，我们利用小波分解缩小搜索范围，提高了配准精度，节约了配准时间，配准精度达到亚像素级。
２基于互信息的图像配准
２．１图像配准的数学模型
对在不同时间或不同条件下获取的两幅图像Ｕ（ｘ）和Ｖ（ｘ）进行配准，就是要定义一个相似性测度，并寻找一个空间变换关系，经过该空间变换后，两幅图像的相似性测度达到最大［７］。
设Ｔ为空间变换，Ｓ为相似性测度，则配准过程可以归结为寻求最佳空间变换
基于混合优化算法和小波变换的图像配准研究
罗涛１，宋刚１，李健２
ＬＵＯＴａｏ１，ＳＯＮＧＧａｎｇ１，ＬＩＪｉａｎ２
１．山东大学信息科学与工程学院，济南２５０１００
２．解放军通信指挥学院通信装备实验室，武汉４３００１０
１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｊｉ’ｎａｎ２５０１００，Ｃｈｉｎａ
２．ＣｏｍｍｕｎｉｃａｔｉｏｎＥｑｕｉｐｍｅｎｔＬａｂｏｒａｔｏｒｙ，ｔｈｅＰＬＡＩｎｓｔｉｔｕｔｅｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄＣｏｍｍａｎｄ，Ｗｕｈａｎ４３００１０，Ｃｈｉｎａ
Ｅ－ｍａｉｌ：ｌｔｍｘ０１＠１６３．ｃｏｍ
ＬＵＯＴａｏ，ＳＯＮＧＧａｎｇ，ＬＩＪｉａｎ．Ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｈｙｂｒｉｄｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍａｎｄｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（８）：２００－２０３．
Ａｂｓｔｒａｃｔ：Ｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎｉｓｗｉｄｅｌｙｕｓｅｄｉｎｒｅｇｉｓｔｒａｔｉｏｎａｎｄｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｓａｒｅｕｓｅｄｔｏｏｐｔｉｍｉｚｅｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ．Ａｎｅｗｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｉｓａｈｙｂｒｉｄｏｆＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎａｎｄＳｉｍｐｌｅｘ，ｉｓｐｒｏｐｏｓｅｄｉｎｔｈｅｐａｐｅｒ．ＰＳＯｅｘｃｅｌｓｉｎｇｌｏｂａｌｓｅａｒｃｈｉｎｇ，ｗｈｉｌｅＳｉｍｐｌｅｘｅｘｃｅｌｓｉｎｌｏｃａｌｓｅａｒｃｈｉｎｇ．Ｗｈｅｎｔｈｅｙａｒｅｈｙｂｒｉｄｄｅｄｔｏｇｅｔｈｅｒ，ａｍｏｒｅａｃｃｕｒａｔｅｒｅｓｕｌｔｃａｎｂｅｇｏｔｔｅｎ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅｈｙｂｒｉｄａｌｇｏｒｉｔｈｍｉｓｅａｓｙｔｏｒｅａｌｉｚｅ．Ｆｕｒｔｈｅｒｍｏｒｅ，ａｓｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎｂａｓｅｄｒｅｇｉｓｔｒａｔｉｏｎｒｅｑｕｉｒｅｓｔｏｏｍａｎｙｃｏｍｐｕ－ｔａｔｉｏｎｓ，ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｉｓｉｎｔｒｏｄｕｃｅｄｉｎｔｏｒｅｇｉｓｔｒａｔｉｏｎ．Ａｇｏｏｄｒｅｓｕｌｔｉｓｓｈｏｗｎｉｎｅｘｐｅｒｉｍｅｎｔ．
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ；ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ；Ｓｉｍｐｌｅｘ；ｈｙｂｒｉｄｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ
摘要：互信息被广泛地应用于图像配准，通常采用优化算法来优化互信息。提出了粒子群优化算法和单纯形法相结合的混合优化算法，该混合算法实现简单，粒子群优化算法具有极强的全局搜索能力，能够有效地跳出局部极值，而单纯形法又能够有效地进行局部搜索，将两种方法相结合进行图像配准能大大提高配准精度。为了减少运算量，提出了利用小波变换的方法来缩小搜索范围，配准精度达到亚像素级。
关键词：图像配准；粒子群优化；单纯形；混合优化算法；小波变换
文章编号：１００２－８３３１（２００８）０８－０２００－０４文献标识码：Ａ中图分类号：ＴＰ３９１
作者简介：罗涛（１９７９－），男，硕士研究生，主要研究方向：图像处理；宋刚（１９５８－），男，副教授，硕士生导师，主要研究方向：图像处理、音视频信号处理；李健（１９８０－），男，讲师，主要研究方向：图像处理与传输、宽带无线通信。
收稿日期：２００７－０６－２８修回日期：２００７－１０－２２
Ｔ
!＝ａｒｇｍａｘＴ
Ｓ（Ｔ）（１）
式中：Ｔ是坐标系及形态的变化，可以包括平移、旋转、缩放、弹性参量及其他的相关量，这些就是配准过程中所需要的结果。配准的目的就是找出配准变换的模型参数，所以配准问题就转化为求解最优参数问题。
对于两幅待配准的图像，称其中一幅图像Ｉ１（ｘ，ｙ）为参考图像，称另一幅图像Ｉ２（ｘ，ｙ）为浮动图像。这里仅考虑Ｔ为刚性变换的情况，以２维图像配准为例，其仿射变换模型为
ｘ′ｙ!"′＝
ｃｏｓ!ｓｉｎ!
－ｓｉｎ!ｃｏｓ!
"!
ｘ!"ｙ
＋!ｘ
!!"
ｙ（２）
式中：!、!ｘ和!ｙ为两幅图像的配准参数。本文中以互信息作为相似性测度，采用粒子群优化和单纯形相结合的混合优化算法来进行相似性测度的优化，从而完成图像配准。
２．２
图像互信息的计算
互信息是信息论中的一个概念，用来描述两个系统间的统
计相关性［８］。由于基于互信息的图像配准仅依赖于图像本身的信息，不需要对图像进行特征点提取等预处理，并且精度和可靠性高，近年来广泛应用于图像配准。两幅图像Ａ和Ｂ的互信息可以定义如下：
Ｉ（Ａ，Ｂ）＝Ｈ
（Ａ）＋Ｈ（Ｂ）－Ｈ（Ａ，Ｂ）（３）
这里Ｈ（Ａ）和Ｈ（Ｂ）分别是图像Ａ和Ｂ的平均信息量，而Ｈ
（Ａ，Ｂ）则是它们的相关平均信息量。Ａ和Ｂ的平均信息量和相关平均信息量可以如下计算：
Ｈ（Ａ）＝－ａ
#ＰＡ（ａ）ｌｏｇＰＡ（ａ）
（４）Ｈ（Ｂ）＝－ｂ
#ＰＢ（ｂ）ｌｏｇＰＢ（ｂ）
（５）Ｈ（Ａ，Ｂ）＝－ａ
#ｂ
#ＰＡ，Ｂ（ａ，ｂ）ｌｏｇＰＡ，Ｂ（ａ，ｂ）
（６）
这里ＰＡ、ＰＢ分别为两幅图像的边缘概率密度，ＰＡ，Ｂ（ａ，ｂ）为联合概率密度。当互信息量Ｉ（Ａ，Ｂ）达到最大值时，图像Ａ和Ｂ就被认为是配准了。本研究选择互信息作为相似性测度，采用最大化图像的互信息作为配准准则。
３粒子群优化算法和单纯形法的混合优化算法
３．１基本粒子群优化算法
粒子群优化算法ＰＳＯ（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ），是一种基于群智能方法的演化计算技术，主要用来求全局最优解。它最初由Ｋｅｎｎｅｄｙ和Ｅｂｅｒｔ从模拟鸟类的飞行的行为而发展起来［９］。
ＰＳＯ算法的基本原理是：每个优化问题的解都是粒子在搜
索空间中的位置，粒子的速度值决定它们飞翔的方向和距离，粒子群追随当前的最优粒子在解空间中搜索。
在Ｄ维的搜索空间中，有随机分布的ｍ个粒子组成的一个初始粒子群，每个粒子有各自的位置和速度。如第ｉ个粒子的位置表示为一个Ｄ维的向量，记为ｘｉ＝（ｘｉ１，ｘｉ２，…，ｘｉＤ）；速度也是一个Ｄ维的向量，记为ｖｉ＝（ｖｉ１，ｖｉ２，…，ｖｉＤ）。每个粒子记住自己在迭代过程中找到的最优位置，记为ｐｉ＝（ｐｉ１，ｐｉ２，…，ｐｉＤ），整个粒子群迄今为止搜索到的最优位置为全局最优解，记为ｐｇ＝（ｐｇ１，ｐｇ２，…，ｐｇＤ）。整个粒子群通过选定个体的速度和位置来更新自身的位置和速度：
Ｖｔ＋１ｉｄ＝Ｖｔｉｄ＋ｃ１ｒ１（ｐｉｄ－ｘｔ
ｉｄ）＋ｃ２ｒ２（ｐｇｄ－ｘｔ
ｉｄ）（７）ｘｔ＋１
ｉｄ＝ｘｔ
ｉｄ＋Ｖｔ
ｉｄ
（８）
ＳＨＩＹ和ＥＢＥＲＨＡＲＴＲ等人在文献［１０］中，通过在公式
（７）中加入一个惯性权重对基本的粒子群优化算法进行了改进，形成了一种新的ＰＳＯ：
Ｖｔ＋１
ｉｄ＝ｗＶｔ
ｉｄ＋ｃ１ｒ１（ｐｉｄ－ｘｔ
ｉｄ）＋ｃ２ｒ２（ｐｇｄ－ｘｔ
ｉｄ）
（９）
这里，学习因子ｃ１、ｃ２是非负常数，它们决定ｐｉｄ对ｐｇｄ的影响程度，ｒ１、ｒ２是介于［０，１］之间的随机数。公式（９）中的惯性权重ｗ决定着前一速度对后一速度的影响，合理地选取ｗ的值将得到满意的结果，后面将对ｗ的取值具体讨论。
３．２ＰＳＯ和单纯形结合的混合优化算法
３．２．１
混合优化算法的基本思想
在单独使用粒子群优化算法时通过调整动量系数可以得到一个较优的结果，但无法确定当前得到的解就是全局最优解。为了得到更精确的结果，本文将粒子群优化算法与具有极强局部搜索能力的单纯形ＳＭ（ＳｉｍｐｌｅｘＭｅｔｈｏｄ）法相结合，形成粒子群优化和单纯形法相结合的混合优化算法。
该算法的基本思想是：对任一给定初始解，首先用单纯形法快速求得一个局部极值点设为Ａ１，然后改用粒子群优化算法随机搜索，跳离该局部极值，一旦找到一个比Ａ１更优的点时，立即以Ａ１为初始值调用单纯形法直接搜索该点附近的另一个局部极值点，如此交叉进行，直到满足精度条件或到达最大迭代次数，算法结束，得到的结果必为目标函数的全局最优值。
３．２．２混合优化算法中参数的确立
（１）目标函数
如前所述，采用互信息作为相似性测度，以最大化互信息
作为配准条件，目标函数选为公式（１）。
（２）初始粒子群的选取
实验表明，如果选取的初始粒子群在全局最优解的附近，则得到的结果较为精确，而且搜索的速度较快；但这种粒子群的选择需要有一定的先验知识，所以在单独使用粒子群优化算法时，一般是随机选取粒子群，通过一定步数的迭代，得到最优解。
在混合优化算法中，可以先通过单纯形法快速求得一个局部最优点，然后以其为中心初始化一个粒子群，再用ＰＳＯ迭代，这样便能避免初始粒子群选取的盲目性，提高运算速度。
（３）惯性权重和粒子最大速度的选择
惯性权重ｗ为一非负系数，直接决定着前一速度对当前速度的影响［１１］。ｗ较大，则前一速度对当前速度的影响较大，ＰＳＯ算法的全局搜索能力强；ｗ较小，则局部搜索能力较强。在实现过程中，可通过动态调整ｗ的大小，先使ｗ的值比较大，这样得到整体最优值附近的值，再通过缩小ｗ的值进行局部优化，得到一个更精确的结果。这里选用一个简单的线形函数：
ｗｉ＝
１
ｉ＋１
（１０）
其中ｉ∈［０，Ｎ－１］，Ｎ为设定的最大迭代次数。在迭代的初始阶段，ｗｉ的值较大，粒子群的全局搜索能力较强，能够搜索到全局最优解附近的解，随着迭代次数的增加，ｗｉ的值变小，进而局部搜索能力增强，搜索精度提高。
表１
采用各种优化算法对图１直接进行图像配准结果
算法
ＰｏｗｅｌｌＳＭＰＳＯＰＳＯ－ＳＭ
ｘ／像素１０．０００６．３４４１１．８７９１２．３１８
ｙ／像素０－６．１７９－４．２０５－４．４２０
!／角度－３．０００－０．９７７－４．４３７－５．７０３
互信息
０．８９８５０．８５６４０．９５４７０．９５４９
时间／ｓ
８７．０７３．４２５２．７３２４．２
表２
将图像小波分解后每层的配准情况
层数
３２１０
ｘ／像素０．９７４１．８３２６．２３８１２．１４０
ｙ／像素－０．２４３－０．７１８－１．５６２－４．０３１
!／角度６．３５２－０．７０２－４．５６３－５．９５３
互信息
１．９１１１２．１５６７１．６７３１０．９５４９
时间／ｓ
２９．８７３３．０９５８．４４１１９．２０
图２
ＣＴ／ＭＲ
图像
图１ＭＲ
图像
（ａ）参考图像
（ｂ）浮动图像
粒子的最大速度间接地决定前一速度对后一速度影响的程度［１１］。在没有先验知识的情况下，设定粒子的最大速度为粒子的最大搜索范围，实践证明能取得较好的结果。
（４）算法结束条件
在本文提出的混合优化算法中，设定一个精度范围作为阈值，并设定最大迭代次数，当计算精度满足阈值要求时或者到达最大迭代次数时，则程序结束。
３．２．３混合优化算法的主要步骤
基于以上讨论，改进的粒子群优化算法在图像配准中应用
的主要步骤如下：
（１）粒子的最大速度、活动范围及最大迭代次数，随机确定初始解Ｔ０，定义初始变量ｉ＝０。
（２）以Ｔ０为初始值，构造单纯形，用单纯形法进行搜索，得到一个局部最优点Ｔ１，及相应的互信息值Ｉ１；
（３）以Ｔ１为中心，初始化一个粒子群，利用ＰＳＯ算法进行一定步数的迭代，得到全局最优值Ｔ２，及相应的互信息值Ｉ２，
ｉ＋＋；
（４）若Ｉ１＞Ｉ２，则Ｔ２＝Ｔ１；
（５）判断Ｔ２是否满足精度要求，若满足，转（７）；否则，转（６）；
（６）判断是否ｉ＜Ｎ，若满足，Ｔ０＝Ｔ２，转（２）；否则，转（７）；（７）输出算法搜索结果。
４基于小波变换和混合优化算法的图像配准
实践证明，对两幅图像的伸缩、旋转、平移等配准问题均可
以转化为对其作小波分解后两幅图像近似分量的伸缩、旋转、平移配准问题。两幅原图像配准时的平移量若为（２ｘ，２ｙ），则它们分别分解后的两幅图像近似分量的平移量为（ｘ，ｙ），而旋转角度则与小波分解以前相等［１２］。
基于上述原理，将参考图像和浮动图像进行三层小波分解，取其近似分量，则分解后图像所包含的像素个数大大减少。先对第三层的图像进行配准，然后利用配准的结果确定前一层配准的参数范围，在确定的范围内进行前一层的配准，这种方法可以减小搜索空间，有效地减少运算量。
基于以上讨论，得到基于小波变换和混合优化算法的图像配准步骤如下：
（１）将参考图像Ａ０、浮动图像Ｂ０作三层小波分解，每一层均取近似分量得到的分解结果分别为Ａｊ、Ｂｊ（１≤ｊ≤３），ｊ越大表示分解层次越高，同时设定变量ｉ的初始值为３；
（２）对于小波分解的结果Ａｉ、Ｂｉ，采用进行ＰＳＯ－ＳＭ混合算法进行优化，得到配准结果［ｘｉｙｉ!ｉ］；
（３）以［ｘｉｙｉ!ｉ］为中心，初始化粒子群，同时设定粒子的活动范围为［２＊ｘｉ－１０，２＊ｘｉ＋１０］，［２＊ｙｉ－１０，２＊ｙｉ＋１０］，［ｚｉ－１０，ｚｉ＋１０］；
（４）若ｉ≥１，则以（３）为初始条件，转（２），同时ｉ＝ｉ－１；否则转（５）；
（５）输出配准结果。
５试验结果及分析
为了验证配准方法的有效性，在实验过程中分别对单模和
多模图像进行配准，比较了使用ＰＯＷＥＬＬ算法、仅使用粒子群优化算法（ＰＳＯ）、仅使用单纯形算法（Ｓｉｍｐｌｅｘ）以及使用混合优化算法（ＰＳＯ－ＳＭ）进行配准的结果，并且比较了采用小波分解
前后图像的的配准结果。
５．１单模图像配准实验
选取在不同时刻拍摄的两幅ＭＲ图像进行实验，如图１所
示，灰度级为２５６，分辨率为２５６×２５６。分别采用常见优化算法直接对参考图像和浮动图像进行配准，结果如表１所示。
由表１可见，ＳＭ和Ｐｏｗｅｌｌ的运行时间较短，得到的互信息值相对小，说明这两种算法开始没多久就陷入局部极值；ＰＳＯ算法运行时间较长，得到的结果接近最优值，ＰＳＯ－ＳＭ得到的结果最好。
进一步观察表１，发现直接对图像进行配准，花费时间较长，采用小波变换的方法，将参考图像Ｒ和浮动图像Ｆ进行小波分解，并采用混合优化算法进行优化，结果如表２（其中包含了小波分解的时间）。
从表２中可以看出，使用小波变换和混合算法，大大提高了配准的速度，同时达到亚像素级配准精度。
５．２多模图像配准实验
为了进一步证明该方法的可行性，选取一组头部ＣＴ／ＭＲ
图像，如图２所示，灰度级为２５６，分辨率为４０９×３２８。
用常见优化算法进行配准，得到的结果如表３所示。通过分析表３的互信息值和运行时间可以看到，在多模医学图像配准中，同单模配准相同，混合优化算法得到的结果较其它算法精确，但程序运行的时间也比其它算法长。再按照本文提出的方法先进行小波分解，然后配准，得到的结果如表４所示。
（上接１９５页）４结论
本文提出了一种基于聚类的动态背景建模与运动目标检
测方法，较好地解决了动态背景模型的自适应提取与更新，能较好地捕获背景的动态变化。运动目标的检测精度和速度都满足实时硬件处理的要求，不需要背景的先验知识，不需要大量样本数据的采集和大容量存储学习参数，计算量小，不受运动场景快慢的影响。不足之处在于不能有效抑制光照突变的情况，这也是后续研究的目标之一。
参考文献：
［１］张泽旭，李金宗，李宁宁．基于光流场分割和Ｃａｎｎｙ边缘提取融合算
法的运动目标检测［Ｊ］．电子学报，２００３，３１（９）：１２９９－１３０２．
［２］屈有山，田维坚，李英才．基于并行隔帧差分光流场与灰度分析综合
算法的运动目标检测［Ｊ］．光子学报，２００３，３２（２）：１８２－１８６．
［３］ＧｕｐｔｅＳ，ＭａｓｏｕｄＯ，ＭａｒｔｉｎＲＦＫ，ｅｔａｌ．Ｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａ－
ｔｉｏｎｏｆｖｅｈｉｃｌｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓＩｎｔｅｌｌＴｒａｎｓｐｏｒｔＳｙｓｔ，２００２，３：３７－４７．［４］ＴｏｔｈＤ，ＡａｃｈＴ．Ｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆｍｏｖｉｎｇｏｂｊｅｃｔｓｕｓｉｎｇ
ｓｔａｔｉｓｔｉｃａｌｍｏｔｉｏｎｄｅｔｅｃｔｉｏｎａｎｄｆｏｕｒｉｅｒｄｅｓｃｒｉｐｔｏｒｓ［Ｃ］／／ＩＣＩＡＰ，２００３：４３０－４３５．
［５］ＴｏｏｙａｍａＫ，ＫｒｕｍｍＪ，ＢｒｕｍｉｔＢ，ｅｔａｌ．Ｐｒｉｎｃｉｐｌｅｓａｎｄｐｒａｃｔｉｃｅｏｆ
ｂａｃｋｇｒｏｕｎｄｍａｉｎｔｅｎａｎｃｅ［Ｃ］／／ＰｒｏｃＩＣＣＶ，Ｃｏｒｆｕ，Ｇｒｅｅｃｅ，１９９９：２４６－２６１．［６］ＳｔａｕｆｆｅｒＣ，ＧｒｉｍｓｏｎＷＥＬ．Ａｄａｐｔｉｖｅｂａｃｋｇｒｏｕｎｄｍｉｘｔｕｒｅｍｏｄｅｌｓ
ｆｏｒｒｅａｌ－ｔｉｍｅｔｒａｃｋｉｎｇ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，１９９９：２４６－２５２．
［７］ＨａｒｖｉｌｅＭ，ＧｏｒｄｏｎＧ，ＷｏｏｄｆｉｌｌＪ．Ｆｏｒｅｇｒｏｕｎｄｓｅｇｍｅｎｔａｔｉｏｎｕｓｉｎｇ
ａｄａｐｔｉｖｅｍｉｘｔｕｒｅｍｏｄｅｌｓｉｎｃｏｌｏｒａｎｄｄｅｐｔｈ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＷｏｒｋｓｈｏｐｏｎＤｅｔｅｃｔｉｏｎａｎｄＲｅｃｏｇｎｉｔｉｏｎｏｆＥｖｅｎｔｓｉｎＶｉｄｅｏ，２００１：３－１１．
［８］ＥｌｇａｍｍａｌＡ，ＨａｒｗｏｏｄＤ，ＤａｖｉｓＬ．Ｎｏｎ－ｐａｒａｍｅｔｒｉｃｍｏｄｅｌｆｏｒｂａｃｋ－
ｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎ［Ｃ］／／ＰｒｏｃＥｕｒｏｐｅａｎＣｏｎｆｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，Ｄｕｂｌｉｎ，Ｉｒｅｌａｎｄ，２０００，２：７５１－７６７．
［９］傅景广，许刚，王裕国．基于模式化方法的二值图像降噪［Ｊ］．计算机
工程与应用，２００３，３９（２４）：８８－９０．
［１０］方帅，薛方正，徐心和．基于背景建模的动态目标检测算法的研究
与仿真［Ｊ］．系统仿真学报，２００５，１７（１）：１５９－１６１．
［１１］毛燕芬，施鹏飞．高斯核密度估计背景建模及噪声与阴影抑制［Ｊ］．
系统仿真学报，２００５，１７（５）：１１８２－１１８４．
ｙ／像素０．３１９０．０００－０．３０４
０．１０５表３
采用各种优化算法对图２直接进行图像配准结果
算法
ＰｏｗｅｌｌＳＭＰＳＯ
ＰＳＯ－ＳＭｘ／像素－０．９５９１．２５９－１．０００
－０．５６１
!／角度－１．９８４０．３５７－１．２１４１．４７６
互信息０．７１４００．７２２５０．７２４３０．７９１３
时间／ｓ
８２．３１２７．５７２５３．７０４００．９０
表４
将图２中的图像小波分解后每层的配准情况层数
３２１０
ｘ／像素０．０５５９－０．３４２９０．６２２４－０．５６０９
ｙ／像素０．１９６２－０．３２０４０．０００００．１０５１
!／角度－２．１５７７－１．５６６１
－１．３３０４１．４７６０
互信息
１．０４４３０．８５６００．７９７４０．７９１３
时间／ｓ
１９．８４３１．５６６５．９６１０５．２１
由表４可见，在多模医学图像中引入小波变换变换后，图像的配准速度大大提高，证明了对多模图像配准的情况同样适用。
６结论
本文将ＰＳＯ算法和单纯形算法相结合，提出了混合优化
算法，实验证明该方法能有效地跳出局部极值，达到较精确的结果。同时，采用小波变换的方法对图像进行了三层小波分解，利用分解后近似分量配准的结果来确定搜索范围，实验证明该方法有效地减少了运算量，并达到较满意的配准精度。
参考文献：
［１］ＰｌｕｉｍＪＰＷ，ＭａｉｎｔｚＪＢＡ，ＶｉｅｒｇｅｖｅｒＭＡ．Ｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ
ｂａｓｅｄｒｅｇｉｓｔｒａｔｉｏｎｏｆｍｅｄｉｃａｌｉｍａｇｅｓ：ａｓｕｒｖｅｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＭｅｄｉｃａｌＩｍａｇｉｎｇ，２００３，２２
（８）：９８６－１００４．［２］ＭａｅｓＦ，ＶａｎｄｅｒｍｅｕｌｅｎＤ，ＳｕｅｔｅｎｓＰ．Ｃｏｍｐａｒａｔｉｖｅｅｖａｌｕａｔｉｏｎｏｆ
ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｉｅｓｆｏｒｍｕｌｔｉｍｏｄａｌｉｔｙｉｍａｇｅｒｅｇ－
ｉｓｔｒａｔｉｏｎｂｙｍａｘｉｍｉｚａｔｉｏｎｏｆｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．ＭｅｄｉｃａｌＩｍａｇｅＡｎａｌｙｓｉｓ，１９９９，３
（４）：３７３－３８６．［３］王雪梅，王义和．模拟退火算法和遗传算法的结合［Ｊ］．计算机学报，
１９９７，２０
（４）：３８１－３８４．［４］ＰｌａｔｔａｒｐＤ，ＳｏｒｅｔＭ，ＴｒｏｃｃａｉＪ，ｅｔａｌ．Ｐａｔｉｅｎｔｓｅｔ－ｕｐｕｓｉｎｇｐｏｒｔａｌｉｍ－
ａｇｅｓ：２Ｄ／２Ｄｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｕｓｉｎｇｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＡｉｄｅｄＳｕｒｇｅｒｙ，２０００，５
（４）：２４６－２６２．［５］ＫａｇａｄｉｓＧＣ，ＤｅｌｉｂａｓｉｓＫＫ，ＭａｔｓｏｐｏｕｌｏｓＧＫ，ｅｔａｌ．Ａｃｏｍｐａｒａｔｉｖｅ
ｓｔｕｄｙｏｆｓｕｒｆａｃｅａｎｄｖｏｌｕｍｅ＿ｂａｓｅｄｔｅｃｈｎｉｑｕｅｓｆｏｒａｕｔｏｍａｔｉｃｒｅｇｉｓ－ｔｒａｔｉｏｎｂｅｔｗｅｅｎＣＴａｎｄＳＰＥＣＴｂｒａｉｎｉｍａｇｅｓ［Ｊ］．ＭｅｄｉｃａｌＰｈｙｓｉｃｓ，２００２，２９
（２）：２０１－２１３．［６］冯林，严亮，黄德根，等．ＰＳＯ和Ｐｏｗｅｌｌ混合算法在医学图像配准中
的应用研究［Ｊ］．北京生物医学工程，２００５（１）．
［７］罗述谦，吕维雪．医学图像配准技术［Ｊ］．国外医学生物医学工程分
册，１９９９，２２（１）：１－８．
［８］ＭａｅｓＦ，ＣｏｌｌｉｇｎｏｎＡ，ＶａｎｄｅｒｍｅｕｌｅｎＤ，ｅｔａｌ．Ｍｕｌｔｉｍｏｄａｌｉｔｙｉｍａｇｅ
ｒｅｇｉｓｔｒａｔｉｏｎｂｙｍａｘｉｍｉｚａｔｉｏｎｏｆｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓＭｅｄＩｍａｇ，１９９７，１６：１８７－１９８．
［９］ＷａｃｈｏｗｉａｋＭＰ．Ａｎａｐｐｒｏａｃｈｔｏｍｕｌｔｉｍｏｄａｌｂｉｏｍｅｄｉｃａｌｉｍａｇｅｕｔｉ－
ｌｉｚｉｎｇｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＥｖｏｌｕ－ｔｉｏｎａｒｙＣｏｍｐｕｔａｔｉｏｎ，２００４，８
（３）．［１０］ＳｈｉＹＨ，ＥｂｅｒｈａｒｔＲ．Ａｍｏｄｉｆｉｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚｅｒ［Ｃ］／／Ｐｒｏｃ
ＩＥＥＥＩｎｔＣｏｎｆｏｎＥｖｏｌｕｔｉｏｎａｒｙＣｏｍｐｕｔａｔｉｏｎ．Ａｎｃｈｏｒａｇｅ，Ａｌａｓｋａ，ＵＳＡ：ＩＥＥＥＰｒｅｓｓ，１９９８：６７－７３．
［１１］ＳｈｉＹｕ－ｈｕｉ，ＥｂｅｒｈａｒｔＲＣ．Ｐａｒａｍｅｔｅｒｓｅｌｅｃｔｏｎｉｎｐａｒｔｉｃｌｅｓｗａｒｍ
ｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］／／ＬＮＣＳ１４４７：ＥｖｏｌｕｔｉｏｎａｒｙＰｒｏｇｒａｍｍｉｎｇＶＩＩ．［Ｓ．ｌ．］：Ｓｐｒｉｎｇｅｒ，１９９８：５９１－６００．
［１２］刘斌，彭嘉雄．图像配准的小波分解方法［Ｊ］．计算机辅助设计与图
形学学报，２００３，１５（９）：１０７０－１０７３．
图像配准定义为：对从不同传感器、不同时相、不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程[2]。图像配准需要分析各分量图像上的几何畸变，然后采用一种几何变换将图像归化到统一的坐标系统中。在配准过程中，通常取其中的一幅图像作为配准的标准，称之为参考图像；另一幅图像作为配准图像。 图1-1 图像配准的基本流程 图1-2 图像配准方法分类
根据配准使用的特征，图像配准的方法大致可分为三类： (1)基于图像灰度的配准算法。首先从参考图像中提取目标区作为配准的模板，然后用该模板在待配准图像中滑动，通过相似性度量(如相关系数法、差的平方和法、差的绝对值法、协方差法)来寻找最佳匹配点。 (2)基于图像特征的配准算法。该算法是以图像中某些显著特征(点、线、区域)为配准基元，算法过程分为两步：特征提取和特征匹配。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应匹配关系，从而实现两幅图像之间逐像素的配准。 (3)基于对图像的理解和解释的配准算法。这种配准算法不仅能自动识别相应像点，而且还可以由计算机自动识别各种目标的性质和相互关系，具有极高的可靠性和精度。这种基于理解和解释的图像配准涉及到诸如计算机视觉、模式识别、人工智能等许多领域。不仅依赖于这些领域中理论上的突破，而且有待于高速度并行处理计算机的研制。 从自动化角度来看，可以将配准过程分为自动、半自动和手动配准。 存在问题：如何提高图像的配准速度将是大范围遥感图像自动配准问题的要点；选取何种自动配准方案以保证图像的配准精度将是大范围遥感图像自动配准问题的另一要点。 2(,)[1((, f x y g f h x y 其中，h表示二维空间坐标变换。g表示灰度或辐射变换，描述因传感器类型的不同以及成像时气候等环境的影响所带来的图像灰度的变换。配准问题的实质就是要找到最优的空域变换h和灰度变换g，使得上述的等式成立，从而找到配准变换的参数 特征空间的选择通常要考虑以下几个因素：相似性；空间分布；唯一性。 在自动图像配准中对特征的理解可以分为两类。(1)基于灰度的方法：基于灰度的方法将重点放在特征匹配上，在其过程中并没有真正提取特征。一般所说的模板匹配法就是这种方法的代表。这种方法实际上将图像的灰度分布直接作为特征而构成匹配的基础。(2)基于特征的方法：基于特征的方法需要在图像中提取显著的特征：区域(森林、湖泊、农田等)、线(区域的边界、道路等)和点(区域的角
《数字医学图像》报告 内容：图像配准专题 专业： 2012级信息管理与信息系统班级：信管一班 小组成员： 20120701020 韩望欣 20120701008 毕卓帅 20120701005 胡庆 指导老师：彭瑜 完成日期： 2015 年 10月 25日
图像配准专题 简介：图像配准是对取自不同时间，不同传感器或不同视角的同一场景的两幅图像或者多幅图像匹配的过程。图像配准广泛用于多模态图像分析，是医学图像处理的一个重要分支，也是遥感图像处理，目标识别，图像重建，机器人视觉等领域中的关键技术之一，也是图像融合中要预处理的问题，待融合图像之间往往存在偏移、旋转、比例等空间变换关系，图像配准就是将这些图像变换到同一坐标系下，以供融合使用。 一：图像配准方法国内外进展情况 图像配准最早在美国七十年代的飞行器辅助导航系统、武器投射系统的末端制导以及寻地等应用研究中提出,并得到军方的大力支持与赞助。经过长达二十多年的研究,最终成功地用于中程导弹及战斧式巡航导弹上,使其弹着点平均圆误差半径不超过十几米,从而大大提高了导弹的命中率。八十年代后,在很多领域都有大量配准技术的应用,如遥感领域,模式识别,自动导航,医学诊断,计算机视觉等。各个领域的配准技术都是对各自具体的应用背景结合实际情况量身订制的技术。但是不同领域的配准技术之间在理论方法上又具有很大的相似性,从而使得在某领域的配准技术很容易移植到其它相关领域。目前国内外研究图像配准技术比较多的应用领域有红外图像处理、遥感图像处理、数字地图定位和医学图像处理等领域。 二、图像配准在医学领域的应用 20世纪以来随着计算机技术的不断发展,医学成像技术得到了快速的发展。尖端的新型医疗影像设备层出不穷,如计算机线摄影、数字减影等等,这些已经成为现代医学诊断必不可少的医学数字成像手段。由于这些医学数字成像设备有不同的灵敏度和分辨率,它们有各自的使用范围和局限性。多种模式图像的结合能充分利用图像自身的特点并做到信息互补。近几十年以来,图像配准在医学上的应用日益受到医学界和工程界的重视,己在世界范围广泛展开,在相关文献中己经提出了很多种医学图像配准的方法,这些研究成果广泛地运用到医学领域中。图像配准在医学中的应用领域主要有以下几方面: ?组织切片图像的处理与显微结构三维重建 ?疾病诊断及其发展和消退的过程检测 ?神经外科手术可视化、神经外科手术一计划及术前评估 ?感觉运动和认知过程的神经功能解剖学研究 ?神经解剖变异性的形态测量分析学 ?放射治疗和立体定向放射外科治疗计划 三、图像配准的定义 对于二维图像配准可定义为两幅图像在空间和灰度上的映射，如果给定尺寸的二维矩阵F 1和F2代表两幅图像F1（X，Y）和F2（X，Y）分别表示相应位置（X，Y）上的灰度值。则图像间的映射可表示为：F （X，Y）=G（F （H（X，Y））），式中H表示一个二维空间坐标变换，即（X’，Y’）=H（X，Y），且G是一维灰度变换。 四、图像配准方法的分类 1、维数 主要是根据待配准图像的空间维数及时间维数来划分的。图像仅含空间维数或者是图像的时间序列中带有空间数，其配准可根据图像的空间维数分2D/2D，2D/3D，3D/3D，4D/4D
２００８年４月张素等：基于形状匹配的快速图像配准 ２实验结果与分析 为检验本文算法的有效性，取一幅分辨率为５１２×５１２的腹部ｃＴ图像（图３（ａ）），依次进行伸缩、旋转、平移变换，再加入高斯噪声，得到另一幅图像（图３（ｂ））．变换公式为 ［≥］＝ｊ［一：；兰０］［二］＋［芝］（１８）式中：（Ｊ，ｙ）为参考图像上的点；（ｔ），’）为变换之后的点；Ｊ为伸缩比例；ｐ为参考图像的旋转角度，分别用Ｐｏｗｅｕ搜索算法和本文算法进行配准，配准参数的精度为０．００１．实验在一台ＣＰＵ为Ｃｅｌｅｒｏｎ、主频为２．８ＧＨｚ、内存为５１２Ｍ的计算机上进行．图３为算法流程中，轮廓提取、标记点自动提取以及形状匹配的结果．表１列出了一部分代表性的比较结果（其中丁为配准全过程所耗费的时间）． 图３轮廓提取、标记点自动提取以及形状匹配的结果 Ｆ１９３ Ｒｅ蛐№ｏｆｒｅｇｉ佃ｅ砷撇惦ｏｎ＇ａｕｔｏｍ雠ｌａｌＩ山ｍｒｂｄｅｔｅ甜仙姐ｄｓｈｐｅ删ｎｃ址啤 衷１本文算法与ＰｏｗｅⅡ算法结果的比较 Ｔ｜山．１Ｃ岫ｐａｒａ６ｖｅｒ器ＩＩｌｔｓｂｅｔｗ咖ｔｈｅｐｒｏ肼ｌｓｅｄｍ劬ｏｄ ａⅡｄＰｏｗｅｕａＩｇｏｒｉｔｈｍ 变换及配 旷无量纲占／（ｏ）厶ｘ｜缸ｌ ｒ，ｓ 准参数像素像素 变换参数０５００６０肿０２０ＤｏＯ３ⅢＤ００＿—— ＰｏｗｅＵ法０５０２６０Ｄ５２１９Ｊ０５５２８五５８５６０ 初始参数０４９７６０．０４０１９３１７３１５０ｌ＿—— 本文算法０５００６０．２９４１９．８８４２９．８２３２５变换参数ｌｏ∞４０肿０ｌＯ姗５０Ｄ００。—— ＰｏｗｅＵ法ｌＯ∞４０舶ｌ９．１１５５０ｊ０２ｌ１９０ 初始参数ｌ－０００４０．ｏｌＯ１０Ｊ昕３４９．９２ｌ●—— 本文算法１０００钧０９５９．９５２５００的３０ 变换参数１５∞１０Ｄｏｏ２０ＤＯＯ３０．０００＿——ｐｏｗｅＵ法１姗１０Ｄ０７２０３９９２９＿９９４６８０初始参数１５０２９．９９７１９３７２２９２１７＿—— 本文算法１５００１０ＪＤ４９２０．０５０３０２８３４２ 变换参数１５００３０加０４０肿０ＩＯ．０００ Ｐｏｖ岭Ｕ法１０４６２８鹏５．４８５７１．４３．６８７’ｌ２３０初始参数１５０５２９．９５５３９Ｄ０６７．９∥ 本文算法１５０１３０Ｊ０２２３９５１４ｌＯＪ昕３２７ 变换参数２肿Ｏ１０．ａＤＯ１５加Ｏ２０．０００●—— ＰｏｗｅＵ法１．９１９３９ｊ９２ｌ１５矗６４２３２７２‘ｌｌ∞ 初始参数２肿６１０．０１８ １３剃１７．盯５．●——本文算法２Ｄ００ｌＯ．１２６１６＿０１３２０ＪＤ２２５３注：用上标＃表示的数据稍偏离变换参数；用上标?表示的部分数据为错误结果． 由表１的结果可以看出，用Ｐｏｗｅｕ算法直接进行搜索，计算时间较长，且有时因收敛到局部极值而产生错误结果，如表中用卑号标出的数据．而采用本文的算法完全达到了预期目的，大大减少了计算量，精度达到了“亚像素”级水平，有效地避免了收敛于局部极值．观察表ｌ中用ＳＶＤ法求得的初始参数，可以看出，这些参数实质上已经非常接近最终的配准参数，这是因为形状信息本身就是比较精确的特征量；其中有几个数据稍偏离配准参数，这是因为较大的变换参数（主要是缩放参数ｓ）会使形状匹配过程中产生相对较大的误差．计算过程中，特征提取、形状匹配、ＳＶＤ法求初始参数等步骤所耗费的计算量均比较小，而Ｐｏｗｅｌｌ算法一旦得到了与变换参数较接近的初始参数，就会很快地收敛到正确结果，这是由ＰｏｗｅＵ算法本身的性质所决定的．本实验中，在绝大多数情况下，只需要计算一个循环即可收敛．因此，ＰｏｗｅＵ算法的作用其实相当于对ＳＶＤ法所得的参数进行修正． ３结语 本文将形状特征和互信息搜索相结合，有效地提
第１４卷第６期２００７年１２月 电光与控制 ＥＵ￡ＣＴＲＯＮＩＣＳＯＰＴＩＣＳ＆ＣＯＮＴＲＯＬ Ｖ０１．１４№．６ Ｄｅｅ．２００７ 文章编号：１６７１—６３７Ｘ（２００７）０６—００９９—０７ 图像配准技术研究进展 刘松涛，杨绍清 （海军大连舰艇学院信息与通信工程系，辽宁大连１１６０１８） 摘要：图像配堆是解决图像融合、图像镶嵌和变化检测等问题的必要前提。其应用遍及军事、遥感、医学和计算机视觉等多个领域。筒要回顾了图像配准技术的发展史和研究现状．重点阐述了当前的技术热点和应用趋势，最后展望了进一步的研究方向。 关键词：图像配准；信息论；非刚性配准；虚拟结构 中图分类号：Ｖ２４３．６文献标识码：Ａ Ｐｒｏｇｒｅｓｓｉｎｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｔｅｃｈｎｉｑｕｅｓ ＬＩＵＳｏｎｇ—ｔａａ，ＹＡＮＧＳｈａｏ—ｑｉｎｇ （Ｏｅｐｔ．ｏｆＩｎｆｏｒｍａｔｉｏｎ＆ＣｏｍｍｔｍｉｃｄｉｏｎＥｔ，ｇ泌ｒｉｔ，．ｇ，ＤａｆｉａｎＮａｖａｌＡｃａｄｅｍｙ，Ｄａｌｉａｎ１１６０１８，舀白Ⅺ） Ａｂｓｔｒａｃｔ：Ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｉｓｅｓｓｅｎｔｉａｌｆｏｒａｌｌｉｍａｇｅａｎａｌｙｓｉｓｔａｓｋｓｌｉｋｅｉｍａｇｅｆｕｓｉｏｎ，ｉｍａｇｅｍｏｓａｉｃａｎｄｃｈａｎｇｅｄｅｔｅｃｔｉｏｎ．Ｉｔｉｓｕｓｅｄｗｉｄｅｌｙｉｎｍｉｌｉｔａｒｙｓｙｓｔｅｍ，ｍｅｄｉｃａｌｉｍａｇｉｎｇ，ｒｅｍｏｔｅｓｅｎｓｉｎｇ，ｃｏｍｐｕｔｅｒｖｉｓｉｏｎ，ｅｔｃ．Ｔｈｅｈｉｓｔｏｒｙａｎｄｃｕｒｒｅｎｔｅｔａｔｕｓｏｆｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｔｅｃｈｎｉｑｕｅｓｆｉｒｅｒｅｖｉｅｗｅｄｋｅｆｌｙｗｉｔｈｅｍｐｈａｓｉｓｏｎｉｔｓｃｕｒｒｅｎｔｔｅｃｈｎｉｃａｌｈｏｔｓｐｏｔｓａｎｄａｐｐｌｉｃａｔｉｏｎｔｒｅｎｄｓ．Ｓｏｍｅｉｎｔｅｒｅｓｔｉｎｇａｓｐｅｃｔｓｆｏｒｆｕｒｔｈｅｒｓｔｕｄｙａ”ｐｏｉｎｔｅｄｏｕｔｉｎｔｈｅｅｎｄ． Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎｔｈｅｏｒｙ；１１０ｎ—ｒｉｇｉｄｒｅｇｉｓｔｒａｔｉｏｎ；ｖｉｒｔｕａｌｓｔｒｕｃｔＵｒｅ ０引言 图像配准是许多应用问题必须的预处理步骤，比如：时序图像的变化检测或多模图像融合，这些问题遍及军事、遥感、医学、计算机视觉等多个领域。许多领域都需要图像配准，实际应用过程可能会有所不同，但其中关键的因素是类似的。概括地说，图像配准是对取自不同时间、不同传感器或者不同视角的同一场景的两橱或多幅图像进行最佳匹配的过程，包括像素灰度匹配和空间位置对齐。 配准方法的分类可以依据不同的准则。Ｂｒｏ．ｗｎ…依据变换模型的复杂程度对配准方法进行分类，并归纳了配准技术的实现步骤：特征空问、相似度测量、搜索空间和策略。Ｍａｉｎｔｚ”１等则提出了９ 收稿日期：２００６—０３—０９修回Ｅｔ期：２００６—０５—１５ 基金项目：国防预研基金资助项目（５１４０３０３０６０４ＪＢｌ４０Ｉ）；国家自然科学基金资助项目（６０５７２１６０） 一 作者简介：荆松涛（１９７８一），男，河南孟津人，博士，主要研究方向为图像融合、耳标识别、成像跟踪、ＤＳＰ开发 等。条分类准则，依次为：图像维数、配准特征的来源、变换模型、坐标变换域、交互性、优化策略、成像模式、配准对象、配准目标的特点等。作者参考Ｂｒｏｗｎ和Ｍａｉｎｌｚ的分类方法，将配准技术概括为８个方面，包括：配准对象、特征提取、特征匹配、变换模型、优化策略、坐标变换与插值、系统实现及算法评估，并考虑每项内容的技术特性进行细分，然后依据某一算法的创新点进行分类。囊括所有方法的分类准则是不存在的，所提方法侧重于从总体上对配准方法进行考察，是一种相对能反映配准方法本质特征的分类方法。依据新的分类准则，作者已对图像配准技术的８个子方向进行了系统研究ｕＪ。 １发展史和研究现状 国外从２０世纪６０年代就开始在图像配准领域进行研究“】，但直到１９８０年代才开始引起学者们的关注。到上世纪末，单模图像配准问题已基本解决，但多模图像配准由于涉及模式和领域的复杂性．仍需密切关注。国际上对图像配准技术曾做过调查”】，其结论是１９９０年代初技术文献明显增加。而
图像配准技术方法研究 摘要随着信息技术的迅猛发展，图像配准技术已经在军事、遥感、医学、计算机视觉等多个领域得到了广泛的应用。图像配准技术是图像处理的一个基本问题，它是将不同时间、传感器或视角下获取的相同场景的多幅图像进行匹配的图像处理的过程。三类图像配准的方法大致如下：基于灰度的图像配准方法。基于变换域的图像配准方法。基于特征的图像配准方法。本文将应用这三种方法对图像配准进行研究。并重点研究基于特征的图像配准方法。 关键词图像配准，特征点匹配，灰度插值，控制点的提取 Abstract The technology of image registration is being widely used in the military, remote sensing , medical, computer, visual and any other fields with the rapid development of information technology. The technology of image registration is a kind of process to match different pictures getting from different periods and different cameras but a same scene, it is a basic point to handle the pictures. There are three kinds of ways to do the image registration:According to the level of the color of gray getting from the pictures.According to transforming domains.According to the features The three kinds of ways will be used to discuss the image registration in the thesis, and the way according to the features will be discussed more in the thesis.
医学图像配准技术 A Survey of Medical Image Registration 张剑戈综述，潘家普审校 （上海第二医科大学生物医学工程教研室，上海 200025） 利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。 图像配准算法 可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。 基于特征的配准算法 这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士 1. 外部特征 在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于1.5mm，角度误差小于3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。 2. 内部特征 从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。Hill DL[4]用11个形态点对脑部配准，误差<1mm，方差为1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重(weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。 表面匹配算法也利用了内部特征[8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使2D/3D图像配准简化为2D曲线和3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法[9]，从头部的3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。 3. 在非刚体配准中的应用 进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是3D轮廓线，使待配准图像
图像配准的方法 迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准 研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围 的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位 系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其 所采用的算法称之为图像相关等等。 图像配准的方式可以概括为相对配准和绝对配准两种：相对配准是指选择 多图像中的一张图像作为参考图像，将其它的相关图像与之配准，其坐标系统 是任意的。绝对配准是指先定义一个控制网格，所有的图像相对于这个网格来 进行配准，也就是分别完成各分量图像的几何校正来实现坐标系的统一。本文 主要研究大幅面多图像的相对配准，因此如何确定多图像之间的配准函数映射 关系是图像配准的关键。通常通过一个适当的多项式来拟合两图像之间的平移、旋转和仿射变换，由此将图像配准函数映射关系转化为如何确定多项式的系数，最终转化为如何确定配准控制点(RCP)。目前，根据如何确定RCP的方法和图像配准中利用的图像信息区别可将图像配准方法分为三个主要类别：基于灰度信 息法、变换域法和基于特征法[25]，其中基于特征法又可以根据所用的特征属 性的不同而细分为若干类别。以下将根据这一分类原则来讨论目前已经报道的 各种图像配准方法和原理。 1基于灰度信息的图像配准方法 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而 是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是 实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变 换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多 基于灰度信息的图像配准方法，大致可以分为三类：互相关法(也称模板匹配法)、序贯相似度检测匹配法、交互信息法。 (1)互相关法
图像匹配的主要方法分析 在我国的图像处理中，有很多的关键技术正在不断的发展和创新之中。这些相关技术的发展在很大程度上推动了我国图像处理事业的发展。作为图像处理过程中的关键技术，图像匹配技术正在受到越来越多的关注。文章针对图像匹配的主要方法进行详细的论述，希望通过文章的阐述和分析能够为我国的图像匹配技术的发展和创新贡献微薄力量，同时也为我国图像处理技术的发展贡献力量。 标签：图像处理；图像匹配；特征匹配；方法 在我国的图像处理技术中，图像的匹配技术不仅仅是其中的重要组成部分，同时还是很多图像技术的发展创新的技术基础。例如图像技术中的立体视觉技术；图像技术中的运动分析技术以及图像技术中的数据融合技术等。通过上述内容可以看出，在我国的图像技术中，图像匹配技术具有非常广泛的应用。随着我国的相关技术不断的创新和发展，对于图像匹配技术的要求也是越来越高。这样就要求我国的图像匹配技术有更深层次的研究和发展。我国现阶段的研究主要是针对图像匹配过程中的匹配算法进行研究，希望借助研究能够更加有效的提升在实际的工作应用中的图像质量，同时也能够在很大程度上提升图像处理的图像分别率。文章的主要陈述点是通过图像匹配技术的具体方法进行优点和缺点的分析，通过分析优点和缺点来论述我国图像处理技术中的图像匹配技术的发展方向以及改进措施。近些年出现了很多的图像匹配方法，针对现阶段的新方法以及新的研究思路我们在实际的应用过程中要有一个非常清醒的选择。文章针对这一问题主要有三个内容的阐述。第一个是图像匹配技术的算法融合；第二个是图像匹配技术中的局部特征算法；最后一个是图像匹配技术中的模型匹配具体算法。 1 现阶段在世界范围内较为经典的图像匹配技术的算法 关于现阶段在世界范围内的较为经典的图像匹配技术的算法的阐述，文章主要从两个方面进行分析。第一个方面是ABS图像匹配算法。第二个方面是归一化相互关图像匹配算法。下面进行详细的论述和分析。 （1）算法一：ABS图像匹配算法。ABS图像匹配算法最主要的原理就是要使用模板的图像以及相应的匹配图像的搜索用窗口之间的转换差别来显示两者之间的关联性。图像匹配的大小在数值上等同于模板图像的窗口滑动顺序。窗口的每一次滑动都会引起模板图像的匹配计算。现阶段ABS的算法主要有三个，如下： 在选择上述三种计算方法的过程中要根据实际情况社情相应的阀值，否则会出现很高的失误率。上述的三种算法使用范围较狭窄。只使用与等待匹配的图像在模板影像的计算。 （2）算法二：归一化相互关图像匹配算法。归一化相互关的图像匹配算法在现阶段是较为经典的算法。通常专业的称法为NC算法。此计算方法主要是采
图像配准是对取自不同时间，不同传感器或者不同视角的同一区域的两幅或者多幅图像进行匹配叠加的过程。随着技术手段的不断发展，人们对图像配准的要求也越来越离。包括配准方法的鲁棒性、算法的难易程度、算法的自主性等都是考量算法的指标。图像配准的方法中，有人提出过被广泛认同的四个巧骤： a．特征空间的选择 特征空间是指将运用到配准中元素的集合。特征空间包括很多方面，比如像素值，比如点、线，或者平面甚至是曲面。 b．搜索空间 搜索策略是指一系列配准变换操作的集合。搜索空间是建立在几何形变基础上的。而几何形变一般包括全局的和局部的几何形变。典型的全局变形包括平移，缩放，扭曲等变形以及它们的组合。而局部形变，对变换参数要求比较苛刻，因为某一套变换参数只能作用在局部形变区域，而其余区域需采用插值技术补充。然而，另外的变形区域则需要另外的变换参数去表述。在一般的处理中，我们将变换模型看成是一种先验知识。不然则需要考量所有的变换模型。 c．搜索策略 搜索策略是实施变换的依据。它的存在是为了找寻变换模型的最优解。常用的搜索策略有松弛模型法、牛顿法和共扼梯度法。 d．相似性度量 相似性度量是对采用的变换模型的评价。相似性度量主要是采用参考图像和配准图像之间的共有的特征之间的差异比较的方法来评价配准的情况。这其中的差异可以包括点位的误差，或者是灰度值相关的差异，还可以是在变换域之间的差异值等等。最常见的相似性度量是检测特征的欧氏距离。 上述的几个步骤构成了图像配准的基本框架。许许多多的算法充斥其中产生了种类繁多的配准方法。下面主要介绍下几种典型的配准算法。目前典型的配准算法中大致可分成基于灰度、基于特征和基于模型的方法。 基于灰度的配准算法 基于灰度的算法中，重点是对图像配准的过程上，而不是特征集的选择
function [TR, TT] = icp(model,data,max_iter,min_iter,fitting,thres,init_flag,tes_flag,refpn t) % ICP Iterative Closest Point Algorithm. Takes use of % Delaunay tesselation of points in model. % % Ordinary usage: % % [R, T] = icp(model,data) % % ICP fit points in data to the points in model. % Fit with respect to minimize the sum of square % errors with the closest model points and data points. % % INPUT: % % model - matrix with model points, [Pm_1 Pm_2 ... Pm_nmod] % data - matrix with data points, [Pd_1 Pd_2 ... Pd_ndat] % % OUTPUT: % % R - rotation matrix and % T - translation vector accordingly so % % newdata = R*data + T . % % newdata are transformed data points to fit model % % % Special usage: % % icp(model) or icp(model,tes_flag) % % ICP creates a Delaunay tessellation of points in % model and save it as global variable Tes. ICP also % saves two global variables ir and jc for tes_flag=1 (default) or % Tesind and Tesver for tes_flag=2, which % makes it easy to find in the tesselation. To use the global variables % in icp, put tes_flag to 0. % % % Other usage: % % [R, T] = icp(model,data,max_iter,min_iter,... % fitting,thres,init_flag,tes_flag) % % INPUT: % % max_iter - maximum number of iterations. Default=104 % % min_iter - minimum number of iterations. Default=4 % % fitting - =2 Fit with respect to minimize the sum of square errors. (default) % alt. =[2,w], where w is a weight vector corresponding to data. % w is a vector of same length as data.
杭州电子科技大学 毕业设计（论文）文献综述 毕业设计题目SIFT特征研究及应用 文献综述题目图像配准算法综述学院生命信息及仪器工程学院 专业电子信息技术及仪器 姓名 班级 学号 指导教师
图像配准算法综述 一．前言 图像配准是指找出场景中同一物体表面的结构点在不同图像上的投影像素点之间的对应关系，是图像信息处理领域中一项非常重要的技术，同时也是其它一些图像分析技术，如立体视觉、运动分析、数据融合等的基础。 目前图像配准广泛应用于虚拟现实、视频压缩、图像复原、图像数据库检索等技术中。图像配准的研究是计算机视觉中最困难也是最重要的任务之一。不同的图像配准方法总是对应于某种适用的图像变换模型，其核心问题是提高配准的速度、精度和算法的稳健度。 随着科学技术的发展现在约40%的机器视觉应用中都会使用图像匹配技术，所涉及的领域有：工业检测，导弹的地形匹配，光学和雷达的图像跟踪，交通管理，工业流水线的自动监控、工业仪表的自动监控，医疗诊断，资源分析，气象预报，文字识别以及图像检索等。 图像匹配研究按其处理步骤可以分为样本采集、样本预处理、样本分割、样本的特征提取等，并且与计算机视觉、多维信号处理和数值计算方法等紧密结合。它也是其它一些图像分析技术，如立休视觉、运动分析、数据融合等的基础。正因为其应用的广泛性，新的应用和新的要求逐步产生，使得匹配算法的研究逐步走向深入，出现了快速、稳定、鲁棒性好的匹配算法。因此，研究图像的匹配算法对于如何提高实际工程中的图像处理质量和识别精度具有非常重要的意义。 本文主要分析图像匹配常用方法的优点和不足之处，讨论了图像匹配中需要进一步研究和解决的问题。 二．图像配准算法的研究现状 图像配准是立体视觉、运动分析、数掘融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。国内外学者针对不同的图像配准应用问题进行了大量的研究工作，早在1992年英国剑桥大学的Lisa Gottesfeld Brown在文献[1]习中就总结了图像配准的主要理论及图像配准在各个领域的应用。当时他讨论的图像配准技术主要还是著眼于医学图像处理、遥感图像处理等传统应用领域。图像配准是图像镶嵌技术的核心问题。 微软研究院的Richard Szeliski在1996年SIGGRAPH上提出了基于运动模型的全景图拼接算法[7]。Szeliski采用了非线性优化的方法来最小化像素两幅图像的亮度差以确定变换参数。该方法使用了全部像素进行优化处理，所以配准精度较高，但是计算速度较慢，且稳健性不佳。 国内的赵向阳。杜立民在2004年提出了一种基于特征点匹配的图像自动拼接算法[2]，其中使用了Harris算法[3]提取角点并进行匹配。赵的算法采用了鲁棒变换估计技术，在一定程度上提高配准算法的稳健性，但是计算速度依然较慢，且无法配准重
诚信声明 本人声明： 我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致中所罗列的容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了意。本人完全意识到本声明的法律结果由本人承担。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：日期：2010 年05 月20日
毕业设计（论文）任务书 设计（论文）题目： 学院：专业：班级： 学生指导教师（含职称）：专业负责人： 1．设计（论文）的主要任务及目标 (1) 了解图象匹配技术的发展和应用情况，尤其是基于特征的图象匹配技术的发展和应用。 (2) 学习并掌握图像匹配方法，按要求完成算法 2．设计（论文）的基本要求和容 （1）查阅相关中、英文文献，完成5000汉字的与设计容有关的英文资料的翻译。（2）查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国外图象匹配技术的发展和应用进行全面综述。 （3）学习图象匹配算法，尤其是基于特征的图象匹配算法。 （4）实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。 3．主要参考文献 [1]谭磊, 桦, 薛彦斌．一种基于特征点的图像匹配算法[J]．天津理工大学报，2006， 22(6)，66-69． [2]甘进，王晓丹，权文．基于特征点的快速匹配算法[J]．电光与控制，2009，16(2)， 65-66． [3]王军，明柱．图像匹配算法的研究进展[J]．大气与环境光学学报，2007，2(1)， 12-15．
4
工学硕士学位论文 基于视频序列的图像配准算法研究与应用 王帅 哈尔滨工业大学 2007年7月
国内图书分类号：TP391.4 国际图书分类号：681.39 工学硕士学位论文 基于视频序列的图像配准算法研究与应用 硕士研究生：王帅 导师：承恒达 教授 申请学位：工学硕士 学科、专业：计算机科学与技术 所在单位：计算机科学与技术学院 答辩日期：2007年7月 授予学位单位：哈尔滨工业大学
Classified Index: TP391.4 U.D.C: 681.39 Dissertation for the Master Degree in Engineering RESEARCH AND APPLICATION OF IMAGE REGISTRATION BASED ON VIDEO SEQUENCE Candidate：Wang Shuai Supervisor：Prof. Cheng Hengda Academic Degree Applied for：Master of Engineering Specialty：Computer Science and Technology Affiliation：School of Computer Science and Technology Date of Defence：July, 2007 Degree-Conferring-Institution：Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文 摘要 随着数字技术的不断发展，视频图像的分析与处理越来越受到人们的关注。数字化图像序列可以通过摄像机等光学设备获得，是真实世界在不同时间向成像平面的一系列投影。图像帧之间具有较大的相关性和信息冗余，找到并描述图像序列间的内在联系成为研究的关键所在。图像配准技术可以有效地解决这类问题。 图像配准问题是图像处理里的一个基本问题，是将不同时间、不同传感器、不同视角及不同拍摄条件下获取的图像对齐或匹配，消除存在的几何畸变。图像配准在计算机视觉、模式识别、医学图像处理和遥感信息处理方面有着广泛的应用。 本文提出了基于自适应聚类的特征匹配方法，满足大量图像配准的需求，提高匹配的速度，该方法基于正确匹配点对间形成矢量的一致性，对匹配点对进行自适应聚类，实验证明该方法在保证正确匹配不丢失的同时，可有效剔除绝大多数错误匹配，为进一步进行RANSAC匹配提供方便，且有效地提高了整个匹配过程的速度。 本文提出一种简单有效的图像合成方法。该方法针对摄像机固定位置，水平旋转拍摄的视频序列的特点，选取图像序列中部分帧，通过H矩阵确定重叠区域，再利用线性插值进行图像融合。实验证明在转角小于180 时，合成效果较好。 本文成功运用图像配准技术完成运动员滑行数据的测量，利用图像配准技术估计图像间摄像机运动，进而消除摄像机运动的影响，得到运动员的真实运动数据。根据这一原理，首先对冰场进行合理化建模，并确定相应的视频拍摄方案，设计了运动员冰场定位算法，利用帧间的H矩阵估计摄像机旋转角度，进而估计运动员的旋转角度完成滑行数据的测量。 关键词图像配准；特征点匹配；自适应聚类 - -I
关于图像匹配的综述 1.图像匹配的背景及定义 1.1图像匹配的背景及意义 图像匹配技术广泛的应用于日常生活中的诸多领域，如医疗诊断中各种医学图片的分析与识别、遥感图片识别、天气预报中的卫星云图识别、指纹识别、人脸识别等。图像匹配技术主要指通过计算机，采用数学技术方法，对获取的图像按照特定目的进行相应的处理。图像匹配技术是人工智能的一个重要分支和应用，随着计算机技术及人工智能技术的发展，图像识别技术逐渐成为人工智能的基础技术之一。它涉及的技术领域相当的广泛，也越来越深入，其基本分析方法也随着数学工具的不断进步而不断发展。现在，图像识别技术的应用范围己经不仅仅局限于视觉的范围，也体现在机器智能和数字技术等方面。 1.2图像匹配的定义 所谓图像匹配是指在一幅(或一批)图像中寻找与给定目标图像相似的图像或者图像区域(子图像)的过程。通常将已知目标图像称为模板图像，而将待搜索图像中可能与它对应的子图称作该模板的待匹配的目标图像。图像匹配是在来自不同时间或者不同视角的同一场景的两幅或多幅图像之间寻找对应关系，该技术隶属于计算机视觉哺领域。图像匹配的具 体应用包括目标或场景识别、在多幅图像中求解3D结构、立体对应和运动跟踪等。由于拍摄时间、拍摄角度、自然环境的变化，多种传感器的使用、传感器本身的缺陷及噪声等影响，拍摄的图像会存在灰度失真和几何畸变。同时，图像预处理过程会引入的误差，这都是导致模板图像与待匹配的目标图像之间通常存在着一定程度上的差异。在这种情况下，如何使匹配算法精度高、正确匹配率高、速度快和抗干扰性强成为人们关心的问题。 2.图像匹配算法的分类 图像匹配算法的选取对图像匹配结果的影响很大。实用的匹配算法不仅要求计算量小，还必须具有良好的抗噪能力和抗几何形变的能力。通常情况下，图像匹配算法可以分为以下两大类：基于灰度相关的匹配算法、基于特征的图像匹配算法。 1) 基于灰度分布的相关匹配算法，也称为基于区域的匹配方法。常见的基于图像灰度的匹配方法有：（1）归一化灰度相关匹配、（2）最小二乘影像匹配、和（3）序贯相似性检测法匹配等。该类算法直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。在灰度及几何畸变
第1章绪论 1.1研究背景及意义 数字图像，又称数码图像或数位图像，是二维图像用有限数字数值像素的表示。通常，像素在计算机中保存为二维整数数组的光栅图像，这些值经常用压缩格式进行传输和储存。数字图像可以由许多不同的输入设备和技术生成，例如数码相机、扫描仪、坐标测量机等，也可以从任意的非图像数据合成得到，例如数学函数或者三维几何模型，三维几何模型是计算机图形学的一个主要分支。数字图像处理领域就是研究它们的变换算法。 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响:一是计算机的发展;二是数学的发展(特别是离散数学理论的创立和完善);三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 图像配准(Image registration)就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。 图像配准的方法迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其所采用的算法称之为图像相关等等。 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多基于灰度信息的图像配准方法，大致可以分为三类：互相关法（也称模板匹配法）、序贯相似度检测匹配法、交互信息法。 目前主要图像配准方法有基于互信息的配准方法，基于相关性的配准方法和基于梯度的配准方法。其中基于梯度的方法基本很少单独使用，而作为一个辅助
角点检测算法综述 范娜，俞利，徐伯夏 （中国航天科工集团第三研究院8357所天津300308） 摘要：角点作为图像的一个重要特征，它保留了图像绝大部分的特征信息。角点在三维场景重建、运动估计、目标跟踪以及图像配准与图像匹配等计算机视觉领域有着重要的作用。本文对角点检测算法的类别进行总结，对各类算法进行了详细介绍，并对近几年来各类算法发展与改进进行了总结。 关键词：特征信息；计算机视觉；角点检测 Survey of Corner Detection Algorithms FAN Na, YU Li, and XU Bo-xia (The 8357 Research Institute of the Third Research Academy of CASIC Tianjin 300308) Abstract：As a more important feature of image, corner contains voluminous information of image features.In the domain of computer vision, such as three-dimensional reconstruction, motion estimation, object tracking, image registration and image matching, corner of image play an important role.this paper attempt to summarize and detailedly introduce corner detection algorithms, and summarize the developments of these algorithms in recent years. Key words: Feature Information；Computer Vision；Corner Detection 1 引言 角点并没有明确的定义，一般将图像中亮度变化剧烈的点或图像边缘上曲率取极大值的点认为是角点。从形态上来说，角点包括L、T、Y、X和箭头型角点等。角点作为图像的重要特征，保留了图像的绝大部分的特征信息，又有效地减少了信息的数据量，从而有效地提高了运算速度以及匹配的可靠性。总结现有的角点检测算子的评价方法，总体上有以下几个标准[1]： (1)稳定性：即同一场景图像在亮度、对比度等因素变化的情况下，检测出的角点数目及位置应当稳定 (2)可靠性：即在算子的可变参数改变情况下，不影响生成的角点的质量，只改变检测出角点的数目；检测到的角点具有平移、旋转、伸缩不变性 (3)鲁棒性：即算法的抗噪性能，在一定的噪声干扰下，算子仍然具有很强的角点检测能力 (4)准确性：主要指不发生误检测以及角点位置定位准确 (5)高效性：是指算法的计算速度快慢，算法速度必须足够快以满足图像处理系统的要求 经过几十年的研究与探索，产生了许多检测角点的方法，但大致可以分为四类：基于灰度图像的角点检测算法、基于二值图像的角点检测算法、基于边缘特征的角点检测算法以及支持矢量机角点检测算法。本文中