基于角点检测的图像快速配准改进算法

医学图像配准中的图像变形场估计与优化算法医学图像配准是指将不同时间、不同成像设备或不同解剖位置的医学图像进行对齐，以便于医生进行准确的诊断和治疗。

在医学图像配准中，图像变形场估计与优化算法起着至关重要的作用。

本文将介绍医学图像配准中的图像变形场估计与优化算法的原理和应用。

一、图像变形场估计算法图像变形场估计是医学图像配准中的关键步骤，它通过分析图像的特征和几何结构，估计出图像间的变形场。

常用的图像变形场估计算法有基于特征点的方法、基于图像强度的方法和基于神经网络的方法。

1. 基于特征点的方法基于特征点的方法是一种传统的图像变形场估计算法。

它通过在图像中提取特征点，并根据这些特征点的位置关系来估计图像间的变形场。

常用的特征点包括角点、边缘点和斑点等。

该方法的优点是计算速度快，但缺点是对图像的光照和噪声敏感。

2. 基于图像强度的方法基于图像强度的方法是一种常用的图像变形场估计算法。

它通过比较图像间的灰度值差异，来估计图像间的变形场。

常用的方法有最小二乘法、互信息和相位相关等。

该方法的优点是对图像的光照和噪声不敏感，但缺点是计算复杂度高。

3. 基于神经网络的方法基于神经网络的方法是一种新兴的图像变形场估计算法。

它通过训练神经网络，从而学习到图像间的变形场。

常用的神经网络包括卷积神经网络和循环神经网络等。

该方法的优点是可以自动学习图像间的变形模式，但缺点是需要大量的训练数据。

二、图像变形场优化算法图像变形场优化是指在图像变形场估计的基础上，进一步优化图像配准的效果。

常用的图像变形场优化算法有基于最小二乘法的方法、基于正则化的方法和基于优化理论的方法。

1. 基于最小二乘法的方法基于最小二乘法的方法是一种常用的图像变形场优化算法。

它通过最小化图像间的差异，来优化图像的配准效果。

常用的最小二乘法包括最小二乘配准和最小二乘插值等。

该方法的优点是计算简单，但缺点是对图像的噪声敏感。

2. 基于正则化的方法基于正则化的方法是一种常用的图像变形场优化算法。

基于点特征的图像配准算法研究一、本文概述随着计算机视觉和图像处理技术的飞速发展，图像配准技术已成为众多领域中的关键工具，尤其在遥感、医学成像、计算机图形学、安全监控等领域中发挥着重要作用。

图像配准，即是将两幅或多幅图像进行空间对齐的过程，旨在寻找一种最优的空间变换，使得一幅图像能够与另一幅图像在几何位置上达到最佳匹配。

本文旨在深入研究基于点特征的图像配准算法，并探讨其在不同应用场景下的性能表现和优化策略。

本文首先将对图像配准的基本概念和原理进行概述，包括图像配准的定义、分类、评价标准以及常见的变换模型等。

接着，重点介绍基于点特征的图像配准算法的基本原理和流程，包括特征点的提取、匹配以及变换模型的求解等关键步骤。

在此基础上，本文将详细分析几种典型的基于点特征的图像配准算法，如SIFT、SURF、ORB等，并比较它们的优缺点及适用场景。

本文还将探讨基于点特征的图像配准算法在实际应用中所面临的挑战，如特征点的选取、匹配算法的鲁棒性、计算效率等问题，并针对这些问题提出相应的优化策略和改进方法。

本文将通过实验验证所提优化策略的有效性，并与其他算法进行性能比较，为实际应用中选择合适的图像配准算法提供参考依据。

通过本文的研究，期望能够为图像配准技术的发展和应用推广提供有益的参考和借鉴，同时也为相关领域的研究人员提供一种新的思路和方法。

二、相关理论和技术基础图像配准是计算机视觉领域中的一个重要问题，它涉及到从两个或多个图像中找出对应点或特征，并通过对这些点的匹配，实现图像间的空间对齐。

基于点特征的图像配准算法是其中的一种主流方法，其核心在于提取和匹配图像中的关键点。

点特征提取是图像配准的第一步，它的目标是识别图像中具有独特性和稳定性的点。

常见的点特征提取方法包括SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）和ORB（带方向的BRIEF和旋转不变的描述子）等。

这些方法通过在不同的尺度空间上检测关键点，并计算其方向、尺度和描述子，以实现对图像中稳定点的有效提取。

图像中角点提取与匹配算法角点提取与匹配算法是计算机视觉领域中的一项重要技术，用于在图像中寻找具有明显角度变化的特征点，并将这些特征点进行匹配。

这些算法在很多应用中都起到了关键作用，如图像配准、目标跟踪、三维重建等。

角点是图像中具有明显角度变化的点，它们在不同尺度和旋转下具有稳定性，因此可以用来作为图像的特征点。

在角点提取算法中，常用的方法有Harris角点检测算法、Shi-Tomasi角点检测算法、FAST角点检测算法等。

Harris角点检测算法是最早提出的角点检测算法之一，它通过计算图像中每个像素点周围区域的灰度变化来判断该点是否为角点。

具体来说，该算法计算每个像素点的特征值，通过特征值的大小来确定角点。

如果特征值较大，则该点为角点；反之，则该点为平坦区域或边缘。

Shi-Tomasi角点检测算法是对Harris角点检测算法的改进，它使用特征值中较小的一个来表示角点的稳定性，从而提高了检测的准确性和稳定性。

该算法首先计算每个像素点的特征值，然后选择特征值较小的一部分像素点作为角点。

FAST角点检测算法是一种高效的角点检测算法，它通过比较像素点周围的相邻像素点的灰度值来判断该点是否为角点。

该算法通过快速地检测像素点的灰度值变化来提高检测的速度，同时保持了较高的准确性。

在角点匹配算法中，常用的方法有基于特征描述子的匹配算法，如SIFT（尺度不变特征变换）算法、SURF（加速稳健特征）算法、ORB （Oriented FAST and Rotated BRIEF）算法等。

SIFT算法是一种基于尺度不变特征变换的特征描述子算法，它通过检测图像中的关键点，并计算每个关键点周围区域的特征描述子。

这些特征描述子具有尺度不变性和旋转不变性，因此可以用来进行图像匹配。

SURF算法是一种加速稳健特征算法，它通过使用快速哈尔小波变换来计算图像中的特征点，并使用加速积分图像来加速特征点的计算。

这些特征点具有尺度不变性和旋转不变性，可以用来进行图像匹配。

基于多尺度Harris角点检测的图像配准算法
尚明姝;王克朝
【期刊名称】《电光与控制》
【年(卷),期】2024(31)1
【摘要】针对现有多尺度Harris算子算法较复杂、运算量大、精确性一般的问题,提出一种高效简便算法。

首先建立多尺度空间,令Harris算子在尺度空间提取特征点,用简化的32维SIFT特征向量描述特征。

利用最近邻法匹配特征点;然后采用改进的相似三角形法筛选匹配点,再使用改进的K-means算法对特征点分组,使组内特征点聚集,组间特征点远离;最后应用改进的RANSAC算法在不同组中选取特征点求变换矩阵,避免了选取的特征点距离过近,算法陷入局部最优。

实验验证了所提算法的性能。

【总页数】5页(P28-32)
【作者】尚明姝;王克朝
【作者单位】哈尔滨学院信息工程学院;哈尔滨工业大学计算机科学与技术学院【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于区域检测的多尺度Harris角点检测算法
2.基于Harris角点检测的图像配准新算法
3.基于Harris多尺度角点检测的图像配准新算法
4.基于小波变换多尺度Harris角点检测算法
5.基于改进型Harris尺度不变特征的图像配准算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。

图像配准技术中常见挑战及优化方法图像配准技术在计算机视觉和图像处理领域具有广泛的应用，例如医学影像分析、遥感数据处理以及图像拼接等。

然而，由于图像本身存在各种各样的变化，如尺度、旋转、平移、畸变等，图像配准过程中常常面临着一系列挑战。

为了克服这些挑战，研究者们提出了许多优化方法。

本文将介绍图像配准技术中常见的挑战，并重点探讨几种常用的优化方法。

首先，图像配准技术中常见的挑战之一是图像的尺度和旋转变化。

当两幅图像存在尺度和旋转变化时，传统的图像配准算法可能无法准确匹配相应特征点，导致配准结果不准确。

为了解决这个问题，研究者们提出了基于尺度不变特征变换（SIFT）和速度不变特征变换（SURF）等算法，这些方法可以在不同的尺度和旋转下提取到鲁棒的特征点。

其次，在图像配准的过程中，图像可能会存在平移变化。

当图像出现平移变化时，匹配算法可能会存在误匹配的问题。

为了解决这个挑战，一种常用的方法是基于亮度梯度的特征描述算法，例如方向梯度直方图（HOG）和边缘方向直方图（EOH）。

这些算法可以提取到图像中的边缘信息，并利用边缘信息进行准确的匹配。

此外，在某些图像配准任务中，图像可能会存在畸变，如镜头畸变或者形变。

这种畸变会导致传统的图像配准算法无法精准地进行匹配。

为了解决这个问题，研究者们提出了基于模型的图像配准方法。

这些方法会建立一个畸变模型，并利用该模型对图像进行校正，从而实现准确的配准。

除了上述挑战外，图像配准技术还需要面对图像的亮度变化、噪声和局部特征不明显等问题。

为了处理这些挑战，研究者们提出了许多优化方法。

其中，基于光流的方法广泛应用于运动图像的配准。

光流方法可以通过分析图像中物体的运动轨迹，从而获取到图像间的变换关系。

此外，基于深度学习的图像配准方法也逐渐成为研究的热点。

这些方法利用深度神经网络对图像进行特征提取和匹配，能够在处理复杂图像时取得较好的配准效果。

另一种优化方法是基于多模态图像配准。

在某些应用场景下，只有单一模态的图像信息无法准确地进行配准，因此需要融合多模态信息。

医学图像配准中基于特征点的算法的使用方法与匹配精度分析医学图像配准是医学影像处理中的一项重要任务，它将多个不同时间或不同成像设备获取的医学图像进行对齐和融合，提供给医生更准确的诊断和治疗指导。

基于特征点的算法是医学图像配准中常用的一种方法，通过寻找匹配的特征点对实现图像的对准。

本文将介绍基于特征点的算法的使用方法，并对其匹配精度进行分析。

一、基于特征点的算法使用方法：1. 特征点提取：基于特征点的算法首先要从医学图像中提取出具有区分度和稳定性的特征点。

常用的特征点提取方法包括Harris角点检测、SIFT、SURF等。

选择适合的特征点提取算法根据应用场景和数据特点进行选择。

2. 特征描述：提取到的特征点需要进行描述，以便进行匹配。

常用的特征描述算法包括SIFT描述符、SURF描述符、Haar小波等。

这些描述算法能够将特征点的局部特征抽取出来，并表示为一个向量。

3. 特征点匹配：特征点的匹配是整个算法的核心步骤，通过在多个图像中匹配特征点对实现图像的对准。

常用的特征点匹配算法包括基于最近邻的匹配、RANSAC算法等。

在进行特征点匹配时，需要考虑到匹配的唯一性和稳定性，剔除错误匹配。

4. 配准变换：通过对匹配的特征点进行配准变换，实现不同图像的对齐。

常用的配准变换包括仿射变换、透视变换等。

根据实际情况选择合适的变换模型。

二、匹配精度分析：匹配精度是评价医学图像配准算法性能的指标之一，它反映了算法对医学图像进行对齐的准确程度。

匹配精度的计算方法主要基于特征点的配准误差。

1. 平均误差：平均误差是匹配精度的一个重要指标，它反映了匹配后的特征点对之间的平均距离。

平均误差越小，表明匹配的特征点对越准确。

2. 标准差：标准差是匹配精度的另一个指标，它衡量了匹配后的特征点对的分布情况。

标准差越小，表明匹配的特征点对越稳定。

3. 匹配正确率：匹配正确率是匹配精度的一种度量方式，它反映了匹配的特征点对中与实际情况相符的比例。

第３８卷第１２期２００９年１２月 光　子　学　报ＡＣＴＡＰＨＯＴＯＮＩＣＡＳＩＮＩＣＡＶｏｌ．３８Ｎｏ．１２Ｄｅｃｅｍｂｅｒ２００９Ｔｅｌ：０２９ ８８８８７６４１Ｅｍａｉｌ：ａｎｗｎｉｎｉ１９８３＠１６３．ｃｏｍ收稿日期：２００８ ０６ １３修回日期：２００８ ０８ ２５基于角点的红外与可见光图像自动配准方法王阿妮，马彩文，刘爽，柳丛，赵欣（中国科学院西安光学精密机械研究所，西安７１０１１９）摘　要：针对红外图像与可见光图像的自动配准问题，提出了一种基于图像角点特征以及仿射变换模型的方法．利用Ｈａｒｒｉｓ因子分别在红外图像和可见光图像上检测角点，并对两幅图像进行边缘检测，得到其边缘图像．通过角点邻域在边缘图像上的相关性，实现角点的粗匹配；通过角点的细匹配，从匹配的角点中选择两对匹配最佳的点作为仿射变换的控制点，得到仿射变换模型，并对待配准图像进行仿射变换，从而实现图像配准．实验结果表明：该方法运算速度快，可以很好地完成红外与可见光图像的自动配准．关键词：图像配准；角点；Ｈａｒｒｉｓ因子；仿射变换；Ｃａｎｎｙ算子中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１００４ ４２１３（２００９）１２ ３３２８ ５０　引言在目标检测、识别与跟踪领域，由于单源传感器在成像机理和光谱特性上的限制，使其在工作时很难摆脱一些固有缺陷的影响，所以，从单源向多源发展是该领域一个重要方向．其中，可见光摄像机和红外热像仪是实际应用中经常使用的．可见光摄像机是靠获取场景的各种反射信息成像的，有较高的时空分辨率，所成的图像含有丰富的几何和纹理细节，能够提供目标所在场景的细节信息，有利于观察者对场景的整体认知［１］．红外（８～１４μｍ）热像仪主要是靠获取场景的红外辐射成像的，即通过探测目标与背景间的热辐射差异来识别目标的，因而具有很好的云雾穿透、以及特殊的识别伪装的能力．可见，这两种图像的信息具有互补性，冗余性，可以利用它们来改变实际应用中单一成像传感器的不足．然而，对同一场景使用相同或不同的传感器（成像设备）在不同条件下（天候、照度、摄像位置和角度等）获取的两个或多个图像一般会有所不同，同一场景的多幅图像的差别主要表现在：不同的分辨率、不同的灰度属性、不同的位置（平移和旋转）、不同的比例尺、不同的非线性变形等等［２］．为了综合利用这些图像的信息，实现更稳定、实时的跟踪，其中最基本的一步就是实现两幅或多幅图像的配准．文献［２］采用小波变换实现了视差图像配准，文献［３］主要针对时间序列图像间的旋转，采用小波变换实现了配准，这两种方法都是针对同一类传感器图像的，未涉及到不同类传感器图像间的配准．文献［４］针对图像差异较大的光学图像与合成孔径雷达图像（ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ，ＳＡＲ）基于线性不变矩实现了配准，金宝刚博士利用边界相关性实现了红外与可见光图像的配准．这两种方法都实现了不同类型间图像的配准，然而，在全局内进行轮廓匹配或者相关运算，实时性较差．文献［５］针对医学图像配准，提出了基于均值距离测度的配准方法．本文主要针对目标检测领域可见光与红外图像的自动配准，提出了基于角点特征的自动配准方法，该方法计算复杂度低、实时性好，且适合多源图像的融合检测与协同检测技术中的图像配准．１　图像配准的定义、应用及方法分类图像配准的定义是：将取自同一目标区域的两幅或多幅影像在空间位置上最佳地套合起来，这些影像或者来自不同传感器，或者是由同一传感器在不同时相获取的．它可以应用在不同观察点获取的图像之间的配准（多观察点配准）、不同时间获取的图像之间的配准（时间序列配准）、不同传感器获取的图像之间的配准（多模态配准）以及场景到模型的配准（模板匹配）［６］．图像配准的方法包括［７］：１）基于灰度相关的配准方法；２）基于图像特征的配准方法；３）基于对图像理解和解释的配准方法．也可以按照需不需要人工参与，分为手动配准和自动配准．２　利用犞犆＋＋６．０实现可见光图像与红外图像配准 本文主要研究对同一场景的可见光图像及红外图像实现自动配准，这两种图像存在着旋转、平移、缩放，以及视场大小不同等特征．具体步骤为：１）在红外及可见光图像上进行角点检测，得到两组角点；２）对可见光和红外两种图像进行边缘检测；３）匹配１２期王阿妮，等：基于角点的红外与可见光图像自动配准方法角点，并选择仿射变换的控制点；４）计算仿射变换参量犜＝［狊，犪，Δ狓，Δ狔］，其中狊为缩放比例，犪为旋转角度，Δ狓，Δ狔分别为狓轴和狔轴的平移大小；５）利用仿射变换实现红外和可见光图像的配准．２．１　可见光和红外图像仿射变换模型二维仿射变换的一般形式如式１．其中（狓′，狔′）和（狓，狔）分别是可见光图像和红外图像（或红外图像和可见光图像）像素点的坐标．可见，该模型中有四个未知数，只要知道四个点的坐标狏１（狓′１，狔′１），狏２（狓′２，狔′２），犻１（狓１，狔１），犻２（狓２，狔２），就可以求出这几个参量．其中狏１，狏２是可见光图像上的点，犻１，犻２是红外图像上的点，得到式２中的四个等式，从而可以得到狊、犪、Δ狓、Δ狔四个参量的解的表达式，如式３．狓′狔（）′＝狊·ｃｏｓ（犪）－ｓｉｎ（犪）０ｓｉｎ（犪）ｃｏｓ（犪）（）０·狓狔烄烆烌烎１＋Δ狓Δ（）狔（１）狓′１＝狊·（ｃｏｓ（犪）·狓１－ｓｉｎ（犪）·狔１）＋Δ狓狔′１＝狊·（ｓｉｎ（犪）·狓１＋ｃｏｓ（犪）·狔１）＋Δ狔狓′２＝狊·（ｃｏｓ（犪）·狓２－ｓｉｎ（犪）·狔２）＋Δ狓狔′２＝狊·（ｓｉｎ（犪）·狓２＋ｃｏｓ（犪）·狔２）＋Δ狔（２）狊＝狓′２－狓′１ｃｏｓ（犪）·（狓２－狓１）－ｓｉｎ（犪）（狔２－狔１）犪＝ａｒｃｔａｎ｛［（狓２－狓１）·（狔′２－狔′１）－（狓′２－狓′１）·　（狔２－狔１）］／［（狔２－狔１）（狔′２－狔′１）＋　（狓′２－狓′１）（狓２－狓１）］｝Δ狓＝狓′１－狊·（ｃｏｓ（犪）·狓１－ｓｉｎ（犪）·狔１）Δ狔＝狔′１－狊·（ｓｉｎ（犪）·狓１＋ｃｏｓ（犪）·狔１）（３）（狓，狔）∈狑 犳（）狓２（狓，狔）∈狑 犳（）狓 犳 （）狔（狓，狔）∈狑 犳 （）狓 犳 （）狔 （狓，狔）∈狑 犳 （）狔熿燀燄燅２（４）２．２　基于犎犪狉狉犻狊因子的角点检测Ｈａｒｒｉｓ提出了一种仅使用一阶方向导数的特征点检测方法，该方法计算每个像素处的平均梯度平方矩阵，然后通过分析特征值得到特征点［８ ９］．基于Ｈａｒｒｉｓ因子的角点检测通过计算每一个像素狑邻域的亮度变化矩阵犆来检测角点，矩阵犆的定义如式（４）．定义函数犕＝ｄｅｔ（犆）－犽×ｔｒａｃｅ（犆）２，其中，参量犽取０．０４，为Ｈａｒｒｉｓ因子最优参量，选择该函数的局部极大值所在点为角点．为了减少检测到的角点数量，只选取较强的角点，实验中采取了三种方法：１）非最大值抑制，计算输入图像每一个像素点的最小特征值，仅保留３×３邻域中具有局部最大值的点；２）角点质量控制．设定阈值犜，排除掉步骤１）中特征值小于该阈值的点；３）角点间距控制．设定最小间距犇，最强的角点先保留，然后检查新角点与已有角点的间距，排除间距小于最小间距的新角点［１０］．其中，阈值犜一般根据图像的清晰程度，以及角点多少等因素来决定，当图像比较清晰，角点数量较多时，一般取犜大些；当图像较模糊，角点较弱时，一般取该值小些．在阈值犇选取时，当该图中角点丰富时，取犇大些，以免所检测到的角点邻域重叠太多；当角点较少，或者边缘很复杂时，取该值小些，以免检测到的角点太少，无匹配角点．２．３　犆犪狀狀狔边缘检测算法红外和可见光图像处于不同的波段，像素灰度之间不具有高度的相关性，但其边缘图像具有一定的相关性［１１］．因而，可以在它们的边缘图上实现角点匹配，进而实现图像配准．实现边缘检测的算法很多，例如Ｓｏｂｌｅ、Ｐｒｅｗｉｔｔ、Ｒｏｂｅｒｔｓ、ＬｏＧ、Ｃａｎｎｙ等算法，其中，Ｓｏｂｌｅ、Ｒｏｂｅｒｔｓ、Ｐｒｅｗｉｔｔ都为局域窗口梯度算子，对噪音比较敏感，所以对处理实际图像不太适用．而Ｃａｎｎｙ算子一般又优于ＬｏＧ算子，所以，这里采用Ｃａｎｎｙ算法进行边缘检测．Ｃａｎｎｙ算法进行边缘检测的步骤为：１）降噪．将原始图像与高斯ｍａｓｋ作卷积，得到的图像与原始图像相比有些轻微的模糊．这样，单独的一个像素噪音在经过高斯平滑的图像上变得几乎没有影响．２）寻找图像中的边缘点．在图像中的每一点处计算局部梯度和边缘方向，边缘点定义为梯度方向上其强度局部最大的点．３）非最大值抑制．在步骤２）中确定的边缘点会导致梯度幅度图像中出现脊，算法追踪所有脊的顶部，并将所有不在脊的顶部的像素设为零．脊像素使用两个阈值犜１和犜２（犜１＜犜２）来做阈值处理，值大于犜２的脊像素称为强边缘像素，位于犜１和犜２之间的，称为弱像素边缘．４）链接边缘．算法通过将８连接的弱边缘像素集成到强边缘像素．２．４　角点匹配及控制点选取得到边缘图，利用边缘的相关性，就可以对检测到的角点进行匹配．这里先进行大邻域粗匹配，具体做法是，对检测到的两组角点ｃｏｒｎｅｒｓ１和ｃｏｒｎｅｒｓ２（假设ｃｏｒｎｅｒｓ１、ｃｏｒｎｅｒｓ２分别存储红外图像与可见光图像中检测到角点的坐标）中的每一个角点分别建立一个以该点为中心的犽×犽（犽取奇数）模板，然后选择ｃｏｒｎｅｒｓ２（针对红外图像视场较大）中的一个角点，将其模板与ｃｏｒｎｅｒｓ１中的模板进行相关运算．设定一阈值犜′，当相关运算结果ｃｏｒｎｅｒｓ１＞犜′时，则认为匹配成功，得到一对匹配点．这里存在两个问题．首先，若将ｃｏｒｎｅｒｓ２中的一个角点模板与ｃｏｒｎｅｒｓ１中的每一个角点模板都进行相关运算，这样计算量太大，不具有实时性．所以，这里采取两个９２３３光　子　学　报３８卷措施：１）对于图像边界上的角点，即其犽×犽邻域超出图像范围，不进行相关运算；２）由于在进行融合检测或协同检测时，红外图像与可见光图像是对同一场景拍摄的，所以两幅图像上相匹配角点的坐标应该相距不是很大，在这里，设定一个犚，对于ｃｏｒｎｅｒｓ２中的每一个角点狏（犻，犼），只与ｃｏｒｎｅｒｓ１中与该点距离不大于犚的角点进行相关运算［１２］．其次，在角点匹配时，有时会出现ｃｏｒｎｅｒｓ１中的一个点与ｃｏｒｎｅｒｓ２中不只一个点被判为是匹配的，为了解决这个问题，选择其相关运算结果最大的为一对匹配角点，舍弃其它的．经过这一步，得到新的两组角点ｎｅｗｃｏｒｎｅｒｓ１和ｎｅｗｃｏｒｎｅｒｓ２，其中的角点是逐一匹配的，即ｎｅｗｃｏｒｎｅｒｓ１［犻］与ｎｅｗｃｏｒｎｅｒｓ２［犻］（其中犻＝０，１…狀）相匹配，匹配角点的总个数为狀．接下来再进行小邻域细匹配，并选择控制点．其具体步骤为：对ｎｅｗｃｏｒｎｅｒｓ１和ｎｅｗｃｏｒｎｅｒｓ２中的每一个角点建立以该角点为中心的犽′×犽′（犽′为奇数）模板，且犽′＜犽（一般取３），计算每一对模板的相关系数，选取相关系数最大的两对匹配角点作为控制点．２．５　计算仿射变换模型及插值利用控制点的坐标值，计算出仿射变换参量，进而就可对待配准图像进行几何变换，实现配准．图像在几何变换的过程中，会出现变换后的坐标不是整数，或者在目标图像中存在没有被原图像的点映射到的点，这些点的颜色值需要通过插值来补充进来．常见的插值方法有：最邻近插值法，双线性插值法和双三次插值法［１３］．考虑到这几种算法的计算复杂度和插值效果，实验中采取双线性插值法．３　实验结果整个实验是在ＰＣ机上，利用ＶＣ＋＋６．０环境实现的，实验所用图像来自文献［１２］．图１的（ａ）、（ｂ）分别是在犜取图像像素最小特征值的最大值的０．０８倍，犇取３０，和犜取图像像素最小特征值的最大值的０．０５倍，犇取３０时，在红外和可见光图像上检测到的角点，圆心所在位置就是检测到的角点位置．图１　基于Ｈａｒｒｉｓ因子的角点检测Ｆｉｇ．１　ＣｏｒｎｅｒｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎＨａｒｒｉｓ图２是角点匹配的结果，其中犜′＝０．０５，犽＝１５．从图中可以看出，最终有七对角点相互匹配，其中四对角点几乎完全匹配，另外三对其角点所在位置也相差不远．图２　角点匹配结果Ｆｉｇ．２　Ｔｈｅｒｅｓｕｌｔｏｆｃｏｒｎｅｒｍａｔｃｈｉｎｇ图３和图４给出了两组红外和可见光图像的配准结果，都实现了很好的配准．其中，图４中原红外图像（ａ）较暗，对比度很低，实验中先对红外图像进行直方图均衡化处理，然后再进行配准．图３　基于角点的图像配准实例一Ｆｉｇ．３Ｔｈｅｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｅｘａｍｐｌｅｏｎｅｂａｓｅｄｏｎｃｏｒｎｅｒｓ图４　基于角点的图像配准实例二Ｆｉｇ．４Ｔｈｅｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｅｘａｍｐｌｅｔｗｏｂａｓｅｄｏｎｃｏｒｎｅｒｓ实验中，对多组图像进行了配准，有些图像在进行了一些预处理后，也用该方法实现了较好的配准．０３３３１２期王阿妮，等：基于角点的红外与可见光图像自动配准方法４　结论从本文的实验结果可以看出，采用在边缘图上角点邻域相关匹配以及仿射变换的方法，对红外图像和可见光图像实现了很好的自动配准．该方法对存在着旋转、缩放、平移以及视场大小不同等差异的两幅或多幅图像都能实现较好的配准．较之传统的图像配准方法，具有原理简单、计算复杂度低、实时性好，在参量最优的条件下具有无须手动且稳定可靠等特点．但是该方法仿射变换控制点的选取是在边缘图上进行的，所以若边缘检测效果不理想，就会影响到控制点的选取，进而不能实现图像配准．因而，在以后的研究中，应致力于好的边缘检测算法，以及各类参量的最优化自动选取上．参考文献［１］　ＹＡＮＧＣｕｉ．Ｒｅｓｅａｒｃｈｏｎｔｈｅｆｕｓｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｏｆｍｕｌｔｉ ｓｐｅｃｔｒａｌｅｌｅｃｔｒｏ ｏｐｔｉｃａｌｉｍａｇｅｓ［Ｄ］．Ｘｉ′ａｎ：ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙ，２００６：５ ７．杨翠．多波段光电图像融合技术研究［Ｄ］．西安：西安电子科技大学，２００６：５ ７．［２］　ＹＡＮＧＢｉ ｗｕ，ＧＵＯＸｉａｏ ｓｏｎｇ，ＺＨＡＯＪｉｎｇ ｍｉｎ，犲狋犪犾．Ａｎａｌｇｏｒｉｔｈｍｏｎｇｅｏｍｅｔｒｉｃｇｌｏｂａｌｒｅｇｉｓｔｒａｔｉｏｎｏｆｐａｒａｌｌａｘｉｍａｇｅｓｂａｓｅｄｏｎｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．犃犮狋犪犘犺狅狋狅狀犻犮犪犛犻狀犻犮犪，２００７，３６（３）：５７４ ５７６．杨必武，郭晓松，赵敬民，等．基于小波变换的视差图像全局几何配准新算法［Ｊ］．光子学报，２００７，３６（３）：５７４ ５７６．［３］　ＤＥＮＧＺｉ ｊｉａｎ，ＬＩＢｉ ｃｈｅｎｇ，ＣＡＯＷｅｎ．Ａｎｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ［Ｊ］．犅狌犾犾犲狋犻狀狅犳犛狌狉狏犲狔犻狀犵犪狀犱犕犪狆狆犻狀犵，２００４（２）：１６ １９．邓子健，李弼程，曹闻．一种基于小波变换的图像配准方法［Ｊ］．测绘通报，２００４（２）：１６ １９．［４］　ＹＡＮＧＪｉｎｇ，ＱＩＵＪｉａｎｇ，ＷＡＮＧＹａｎ ｆｅｉ，犲狋犪犾．Ｆｅａｔｕｒｅ ｂａｓｅｄｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎａｌｇｏｒｉｔｈｍｕｓｉｎｇｉｎｖａｒｉａｎｔｌｉｎｅｍｏｍｅｎｔｓ［Ｊ］．犃犮狋犪犘犺狅狋狅狀犻犮犪犛犻狀犻犮犪，２００３，３２（９）：１１１４ １１１７．［５］　ＹＡＮＧＪｉｎ ｂａｏ，ＬＩＵＣｈａｎｇ ｃｈｕｎ，ＨＵＳｈｕｎ ｂｏ，犲狋犪犾．Ｍｅａｎｄｉｖｅｒｇｅｎｃｅｍｅａｓｕｒｅｓｆｏｒｍｅｄｉｃａｌｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．犃犮狋犪犘犺狅狋狅狀犻犮犪犛犻狀犻犮犪，２００８，３７（５）：１０４６ １０５１．［６］　Ｌ Ｈａｉ ｘｉａ．Ｒｅｓｅａｒｃｈｏｎｔｈｅａｕｔｏｍａｔｉｃｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓ［Ｄ］．Ｘｉ′ａｎ：ＮｏｒｔｈｗｅｓｔＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，２００７：６ １０．吕海霞．自动图像配准技术研究［Ｄ］．西安：西北工业大学，２００７：６ １０．［７］　ＰＥＮＧＺｈｅｎ ｍｉｎｇ，ＺＨＡＮＧＱｉ ｈｅｎｇ，ＷＥＩＹｕ ｘｉｎｇ，犲狋犪犾．Ｉｍａｇｅｍａｔｃｈｉｎｇｂａｓｅｄｏｎｍｕｌｔｉ ｆｅａｔｕｒｅｓｆｕｓｉｏｎ［Ｊ］．犎犻犵犺犘狅狑犲狉犔犪狊犲狉犪狀犱犘犪狉狋犻犮犾犲犅犲犪犿狊，２００４，１６（３）：２８１ ２８５．彭真明，张启衡，魏宇星，等．基于多特征融合的图像匹配模式［Ｊ］．强激光与粒子束，２００４，１６（３）：２８１ ２８５．［８］　ＪＩＡＯＹｕ ｌｏｎｇ，ＬＵＯＸｉｕ ｊｕａｎ，ＭＡＪｉａｎ ｋａｎｇ．Ａｎａｐｐｒｏａｃｈｏｆｅｘｔｒａｃｔｉｎｇｒｅｌｉａｂｌｅｆｅａｔｕｒｅｐｏｉｎｔｓｆｏｒｉｍａｇｅｍａｔｃｈｉｎｇ［Ｊ］．犃犮狋犪犘犺狅狋狅狀犻犮犪犛犻狀犻犮犪，２００６，３５（２）：３１２ ３１５．焦玉龙，罗秀娟，马健康．一种凹凸边界上特征点的提取方法［Ｊ］．光子学报，２００６，３５（２）：３１２ ３１５．［９］　ＹＡＮＧＧｅｎ．Ｒｅｓｅａｒｃｈｏｎｍｏｖｉｎｇｔａｒｇｅｔｃｏｏｐｅｒａｔｉｖｅ ｄｅｔｅｃｔｉｏｎｕｎｄｅｒｃｏｍｐｌｅｘｂａｃｋｇｒｏｕｎｄ［Ｄ］．Ｘｉ′ａｎ：ＮｏｒｔｈｗｅｓｔＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，２００７：１７ ２１．杨根．复杂背景下运动目标的协同检测技术研究［Ｄ］．西安：西北工业大学，２００７：１７ ２１．［１０］　ＬＩＵＲｕｉ ｚｈｅｎ，ＹＵＳｈｉ ｑｉ．ＯｐｅｎＣＶｔｕｔｏｒｉａｌｂａｓｉｓ［Ｍ］．Ｂｅｉｊｉｎｇ：ＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００７：２４３ ２５８．刘瑞祯，于仕琪．ＯｐｅｎＣＶ教程基础篇［Ｍ］．北京：北京航空航天大学出版社，２００７：２４３ ２５８．［１１］　ＪＩＮＢａｏ ｇａｎｇ，ＷＡＮＧＸｉａｏ ｌｅｉ．Ａｍｅｔｈｏｄｏｆａｕｔｏｍａｔｉｃｒｅｇｉｓｔｒａｔｉｏｎｏｆｉｒａｎｄｖｉｓｉｂｌｅｉｍａｇｅｓ［Ｊ］．犗狆狋犻犮狊犪狀犱犗狆狋狅犲犾犲犮 狋狉狅狀犻犮犜犲犮犺狀狅犾狅犵狔，２００７，５（６）：６０ ６２．金宝刚，王晓蕾．一种红外与可见光图像的自动配准方法［Ｊ］．光学与光电技术，２００７，５（６）：６０ ６２．［１２］　ＨＲＫＡＣ′Ｔ，ＫＡＬＡＦＡＴＩＣ′Ｚ，ＫＲＡＰＡＣＪ．Ｉｎｆｒａｒｅｄ ｖｉｓｕａｌｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｂａｓｅｄｏｎｃｏｒｎｅｒｓａｎｄｈａｕｓｄｏｒｆｆｄｉｓｔａｎｃｅ［Ｊ］．犔犲犮狋狌狉犲犖狅狋犲狊犻狀犆狅犿狆狌狋犲狉犛犮犻犲狀犮犲，２００７，４５２２：３８３ ３９２．［１３］　ＳＨＩＺｈｉ，ＺＨＥＮＧＪｉａｎ ｇｕｏ．Ｍ ｓｃａｌｅｆｕｎｃｔｉｏｎａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｓｔｏｉｍａｇｅｚｏｏｍｉｎｇ［Ｊ］．犃犮狋犪犘犺狅狋狅狀犻犮犪犛犻狀犻犮犪，２００７，３６（８）：１５４８ １５５１．石智，郑建国．Ｍ尺度函数及其在图像缩放处理中的应用［Ｊ］．光子学报，２００７，３６（８）：１５４８ １５５１．１３３３光　子　学　报３８卷犐狀犳狉犪狉犲犱 犞犻狊狌犪犾犐犿犪犵犲狊犃狌狋狅犿犪狋犻犮犚犲犵犻狊狋狉犪狋犻狅狀犅犪狊犲犱狅狀犆狅狉狀犲狉狊ＷＡＮＧＡ ｎｉ，ＭＡＣａｉ ｗｅｎ，ＬＩＵＳｈｕａｎｇ，ＬＩＵＣｏｎｇ，ＺＨＡＯＸｉｎ（犡犻′犪狀犐狀狊狋犻狋狌狋犲狅犳犗狆狋犻犮狊犪狀犱犘狉犲犮犻狊犻狅狀犕犲犮犺犪狀犻犮狊，犆犺犻狀犲狊犲犃犮犪犱犲犿狔狅犳犛犮犻犲狀犮犲狊，犡犻′犪狀７１０１１９，犆犺犻狀犪）犃犫狊狋狉犪犮狋：Ａｎｅｗｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｃｏｒｎｅｒｆｅａｔｕｒｅａｎｄａｆｆｉｎｅｔｒａｎｓｆｏｒｍａｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄｉｎｏｒｄｅｒｔｏｒｅａｌｉｚｅａｕｔｏｍａｔｉｃｒｅｇｉｓｔｒａｔｉｏｎｏｆｉｎｆｒａｒｅｄｉｍａｇｅａｎｄｖｉｓｕａｌｉｍａｇｅ，ｉｎｃｌｕｄｉｎｇｃｏｒｎｅｒｅｘｔｒａｃｔｉｏｎ，ｅｄｇｅｅｘｔｒａｃｔｉｏｎ，ｃｏｒｎｅｒｍａｔｃｈａｎｄａｆｆｉｎｅｔｒａｎｓｆｏｒｍａｔｉｏｎ．Ｈａｒｒｉｓｆａｃｔｏｒｉｓｕｓｅｄｔｏｄｅｔｅｃｔｔｈｅｃｏｒｎｅｒｓ，ａｎｄＣａｎｎｙｏｐｅｒａｔｅｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｔｈｅｅｄｇｅｓｉｎｔｗｏｉｍａｇｅｓ．Ｔｈｅｃｏｒｒｅｌａｔｉｏｎｏｆｃｏｒｎｅｒｎｅｉｇｈｂｏｒｈｏｏｄｉｓｕｓｅｄｉｎｅｄｇｅｉｍａｇｅｓｔｏｒｅａｌｉｚｅｃｏａｒｓｅｃｏｒｎｅｒｓｍａｔｃｈ．Ｃｏｒｎｅｒｓｍａｔｃｈｉｓｒｅｆｉｎｅｄ，ａｎｄｔｗｏｐａｉｒｓｏｆｃｏｒｎｅｒｓａｒｅｃｈｏｓｅｎａｓｒｅｆｅｒｅｎｃｅｐｏｉｎｔｏｆａｆｆｉｎｅｔｒａｎｓｆｏｒｍａｔｉｏｎ，ｗｈｉｃｈａｒｅｔｈｅｂｅｓｔｉｎｍａｔｃｈｅｄｃｏｒｎｅｒｓ．Ｔｈｅａｆｆｉｎｅｔｒａｎｓｆｏｒｍａｔｉｏｎｍｏｄｅｌｉｓｏｂｔａｉｎｅｄ，ａｎｄａｆｆｉｎｅｔｒａｎｓｆｏｒｍａｔｉｏｎｉｎｔｈｅｉｍａｇｅｐｒｅｐａｒｅｄｆｏｒｒｅｇｉｓｔｒａｔｉｏｎｉｓｃａｒｒｉｅｄｏｕｔ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｗｅｌｌｃｏｍｐｌｅｔｅａｕｔｏｍａｔｉｃｒｅｇｉｓｔｒａｔｉｏｎｏｆｉｎｆｒａｒｅｄｉｍａｇｅａｎｄｖｉｓｕａｌｉｍａｇｅａｔａｆａｓｔｅｒｒｅｇｉｓｔｒａｔｉｏｎｓｐｅｅｄ．犓犲狔狑狅狉犱狊：Ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ；Ｃｏｒｎｅｒ；Ｈａｒｒｉｓｆａｃｔｏｒ；Ａｆｆｉｎｅｔｒａｎｓｆｏｒｍａｔｉｏｎ；Ｃａｎｎｙｏｐｅｒａｔｏｒ犠犃犖犌犃 狀犻　ｗａｓｂｏｒｎｉｎ１９８２．ＳｈｅｒｅｃｅｉｖｅｄｈｅｒＢ．Ｓ．ｄｅｇｒｅｅｆｒｏｍＸｉ′ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙｉｎ２００６．ＮｏｗｓｈｅｉｓｐｕｒｓｕｉｎｇｔｈｅＭ．Ｓ．ｄｅｇｒｅｅａｔＸｉ′ａｎＩｎｓｔｉｔｕｔｅｏｆＯｐｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＭｅｃｈａｎｉｃｓ，ＣＡＳ，ａｎｄｈｅｒｍａｊｏｒｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｆｏｃｕｓｏｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ，ｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｎｄｔｒａｃｋ．２３３３。

基于Harris角点检测的改进算法研究徐振武;徐志京【摘要】经典的Harris算法在提取图像的角点上具有计算简单、适应性强等优势,但该方法由于人为设定单一阈值,容易出现伪角点、漏检点及运行速度不理想等现象.针对这一情况,文章在传统Harris算法基础上提出一种新的检测方法,采用多阈值的圆形非极大值抑制法提取角点,以此降低算法检测时间并增强图像旋转不变性,再借鉴SUSAN思想消去大部分伪角点.通过实验对比,该算法具有更好的角点检测性,为后期的图像配准奠定了良好的基础.【期刊名称】《微型机与应用》【年(卷),期】2016(035)013【总页数】4页(P15-18)【关键词】Harris角点检测;圆形区域;多阈值;SUSAN算法【作者】徐振武;徐志京【作者单位】上海海事大学信息工程学院,上海201306;上海海事大学信息工程学院,上海201306【正文语种】中文【中图分类】TP391引用格式：徐振武，徐志京. 基于Harris角点检测的改进算法研究[J].微型机与应用，2016,35(13)：15-18.随着近代计算机的迅速发展，人们为了获取更高像素更宽视角的图像以作科学研究，图像拼接逐渐成为了计算机各领域的研究热点[1-2]。

图像蕴含有丰富的信息特征，其中角点特征是图像拼接领域的主要技术指标，业界对角点没有统一定义，一般被认为是图像像素点亮度发生了剧烈改变或边缘曲线曲率极大值的点[3]，它能以极少的数据量来表现图像的整体信息，这有利于图像处理的速度与精度。

角点检测方法在图像拼接中的配准、融合、定位等方面起着重要作用，其提取的好坏决定图像拼接的质量结果。

适量恰当的正确角点在图像拼接过程中可增强图像的抗噪性和图像形变的适应能力，有利于图像的后续匹配,使得实时处理成为可能。

目前角点的检测方法大致分两种：基于图像边缘特征的角点检测, 该算法依赖于图像边缘特征[4]，提取边缘信息而求得角点，但算法定位精度差，对噪声敏感；基于图像灰度的角点检测，该方法依赖于像素点的曲率与梯度值信息。