【摘 要】圖像配準廣泛應用于圖像融合、目標跟蹤、遙感數據分析及醫(yī)學圖像組織病變分析等領域，在研究者的探索下圖像配準技術不斷推陳出新。但是，圖像配準技術往往局限于一類特殊圖像的處理，缺少通用的技術，介于該原因，在簡要介紹配準的一般流程后，以特征的分類作為出發(fā)點探討現存的基于各種特征的圖像配準方法，分析各自的優(yōu)缺點及適用范圍，為基于特征的圖像配準方法選取提供一些依據。此外，在現有的技術上對基于特征的圖像配準進行總結和展望，為相關領域研究提供一定的指導意義。

【關鍵詞】圖像配準；配準流程；特征點

引言

圖像配準技術是目前圖像處理領域的一重要研究課題，被廣泛應用于醫(yī)學圖像處理、遙感圖像處理、目標識別、計算機視覺等領域。其目的是尋找參考圖像與待匹配圖像達到吻合時的對應關系，而這些參考圖像與待匹配圖像可能來自不同傳感器、不同時間、不同視角甚至是不同成像設備。對于圖像配準，目前尚未存在普遍適用的技術。在處理過程中，需要根據圖像特征選擇合適的配準方法，因此有必要認識和了解圖像特征，本文擬對目前廣泛使用的基于圖像特征的配準方法做一個分析與總結，并對其未來發(fā)展進行一定探討。

一、基于圖像特征配準方法的定義

圖像配準的實質是期望在同一視覺系統(tǒng)中尋找到一個最優(yōu)變換使得在不同環(huán)境條件下獲得的參考圖像與待配準圖像的吻合程度達到最高，對應特征點一一映射，也就是所謂的對齊的空間位置達到最佳。這里以及分別表示平面坐標系中點在參考圖像和待配準圖形中的灰度值，那么配準可以表示為：其中，f表示映射函數。

基于圖像特征的配準方法是提取參考圖像與待配準圖像中的不變特征，例如邊緣點、閉區(qū)域中心等信息作為圖像匹配的參考信息。該類方法僅需提取少量具有顯著特征的圖像信息，大大減少了用于配準的圖像信息量，由于計算量減少，該類方法大幅提高了匹配速率。此外，因配準僅需利用顯著特征點，那么圖像在光照變換、對比度變換、縮放變換、仿射變換、投影變換等作用下都具有良好的魯棒性。當然，少量信息利用在提高效率的同時也帶來了負面影響，使其對特征提取與特征匹配的錯誤更加敏感，若要有效改善這個狀況就需要可靠的特征提取和魯棒特征的一致性。

二、配準的基本流程

圖像配準大致可分為四個基本步驟，分別是特征提取、特征匹配、空間變換及重采樣。

在圖像配準中，特征提取大致分為兩類，分別是統(tǒng)計特征和空間特征。統(tǒng)計特征直接利用圖像的灰度信息，匹配點周圍的鄰點灰度值均被考慮參與計算。所以基于統(tǒng)計特征的配準精度和魯棒性較好，但計算量較大，運算速度慢?？臻g特征提取是指在圖像中提取突出并共有的細小表象特征，并要求其具有較強的抗干擾能力，能夠在縮放、旋轉、平移、噪聲、天氣及光線等變化的影響下保持一定不變性?？臻g特征種類繁多，包括角點、線角點、邊界、輪廓、顯著區(qū)域等，特征選取的正確與否是后期圖像能否準確配準的最關鍵的影響因素。

特征提取是圖像配準的第一步，目前尚未存在所有圖像可通用的特征提取算法，因此，在特征提取過程中，需要為不同圖像選取合適的算法來提取特征，這也是必須認識及分辨各種特征的原因。第3部分將就常用特征提取方法進行討論。

特征匹配是使用匹配策略將在特征提取階段得到的特征點進行匹配，建立參考圖像與待配準圖像間各特征點的對應關系，獲得同名點。對于如何尋找同名點的問題，目前常用的有松弛法、相對距離直方圖聚集束檢測法、Hausdorff距離及相關方法等等。選擇怎樣的匹配策略非常重要，其將直接影響最終的同名點數量和配準精度。

空間變換用于實現待配準圖像到參考圖像的映射。配準圖像A與B，即是尋找一個映射T：，滿足圖像A上特征點X到圖像B上特征點Y的一一映射關系。常見的線性變換有剛性變換、投影變換及仿射變換，非線性變換主要是彈性變換。在剛性變換中，空間變換的目的是尋找合適的變換矩陣；而在其他諸如投影、仿射、彈性等非剛性變換中，關鍵是確定變換模型和參數。

重采樣是在空間變換對圖像進行轉換后，對未位于整數行或列位置上的灰度值，通過選取適合的內插方法計算獲得，并用值填充圖像便得到配準后圖像。常用重采樣方法有：最近鄰點插值法、雙線性插值法、部分體積插值法和薄板樣條插值法。整個流程中，如何認識和辨別圖像特征，以及選擇適當的配準方法進行圖像配準是關鍵，下面對其詳細闡述。

三、基于圖像特征配準的方法

基于圖像特征配準的方法往往是針對某一類具體問題的解決而設計的，缺少通用的算法?；诖?，圖像配準需要非常了解特征的分類以及解決該類問題宜采用的方法?；趫D像特征配準的方法大致可分為六類：點特征、直線特征、輪廓特征、閉合區(qū)域特征、矩不變特征和混合特征的圖像配準。

（一）基于點特征的圖像配準

點特征是圖像配準中較為常用的特征之一，Harris等于1988年提出了Harris角點檢測算法，其利用自相關函數估計圖像的相似性，將自相關函數的一階曲率計算作為特征值，而以兩個方向特征值的大小來區(qū)分邊緣、平面與角點，其中兩個特征值都大的被認為是角點。Lowe于1999年提出了SIFT算法，并于2004年給予改進和完善，該算法使用了高斯金字塔和尺度空間，有較廣泛的適用性及魯棒性。

基于點特征的圖像配準方法適用于角點、高曲率點以及斷點等點特征明顯的圖像，對灰度值、梯度變化較小的圖像以及像圓這樣輪廓光滑曲率低的圖像難以提取到足夠量的有用特征點，而當圖像中含有大量噪音時，特征 提取時易把噪音點誤認為特征點，導致誤匹配，故在這幾種情況下進行基于點特征的配準效果不理想。

（二）基于直線特征的圖像配準

基于直線特征的圖像配準，顧名思義，這是一種從參考圖像及待配準圖像中提取線信息作為依據以完成配準的一種方法。基于線特征目前較常用的方法是Hough變換。Hough變換是一種典型的基于變換域提取直線的方法，它可以將原始圖像中直線上點的坐標變換到過點的直線系數域中，這樣在原始坐標系中對直線的檢測問題就相應轉化為在系數域中累積計數的問題。其巧妙地利用了共線和直線相交的問題，并具有受直線中的間隙和噪聲影響較小的特點。

分析以上方法可發(fā)現：使用直線特征進行配準的圖像中通常包含如道路，建筑，海岸線等易于區(qū)分的直線段信息。但此類方法的缺點在于對于大量重復出現的相似直線段顯得束手無策。

（三）基于輪廓特征的圖像配準

近年來，圖像分割與邊緣檢測等技術日趨成熟，為輪廓特征的提取帶來了方便。目前用于圖像配準的圖像分割及邊緣檢測技術頗多，如LOG算子、Sobel邊緣提取算子、Canny邊緣檢測算子，區(qū)域生長、分水嶺等方法?；谳喞卣鞯膱D像配準適用于目標突出，背景單調，輪廓結構明顯的圖像配準，如：MRI圖像（核磁共振成像圖像），CT圖像（計算機斷層顯像圖像）等?；谳喞卣鬟M行圖像的配準弱點同基于直線特征的圖像配準相似，使用于擁有大量相似輪廓的圖像易導致錯誤匹配。

（四）基于閉合區(qū)域特征的圖像配準

區(qū)域特征是指具有高對比度的閉合區(qū)域的投影，一般湖泊、陰影、森林等圖像的區(qū)域特征明顯，利用基于閉合區(qū)域特征的方法能取得理想效果。閉合區(qū)域特征的特征點一般先通過閥值分割，然后利用形態(tài)學運算排除干擾，最后對閉合區(qū)域分別求中心或質心獲得?；陂]合區(qū)域特征的圖像配準方法最早由Goshiasby等人引入到圖像配準領域，他們使用分割區(qū)域的方法來提取具有閉合邊界的區(qū)域，然后以區(qū)域重心作為控制點來完成圖像配準。該方法需要足夠多的邊界閉合并獨立的區(qū)域，因此，Goshiasby等使用了迭代閾值方法進行圖像分割，獲得大量的獨立閉合子區(qū)域，再以各子區(qū)域的重心作為控制點。最后用直方圖聚集束法建立兩幅圖像的控制點之間的關聯關系，構造配準變換。

（五）基于矩不變量特征的圖像配準

在實際生活中，參考圖像與待匹配圖像之間在包含平移、旋轉、縮放等差異外，通常還存在因視角變換、光照及噪聲等導致的差異，這些差異將直接影響配準的準確性，增加配準的難度[26]。由此可見，對圖像中不變量特征的提取與構造成為了這類情況中目標識別的關鍵技術，而基于矩不變量特征的圖像配準能較好解決這一類復雜問題。

不變矩首先由Wong等引入到圖像配準領域實現了場景匹配。隨后Goshtasby等用不變矩實現了模板匹配。Flusser等則利用4個仿射不變矩來實現SAR圖像配準。然而當圖像中存在多個具有相同或相似形狀的特征區(qū)域時，不變矩的應用易導致配準失敗。Flusser等針對以上問題，給出了一種Matching likelihood coefficient方法，該方法能在一些情況下增強算法的魯棒性。矩不變量特征同直線特征、輪廓特征及閉合區(qū)域特征類似，都是屬于圖像的內部結構特征，因此，它們都難以應對彈性變換。

（六）比較與總結

圖像配準的方法層出不窮，但是沒有哪一種配準策略能很好的解決所有的配準問題。因此在進行圖像配準操作時需要根據不同的配準圖像進行相應的處理，這就是必須認識和利用圖像的自身特征，并根據這些特征給予相應措施來完成配準的原因。

應用中需要充分利用圖像的顯著特征，采用合適的方法提取特征，特征提取是圖像配準中最關鍵的一步，特征提取的質量和數量將直接影響配準效果。

四、展望

基于特征的圖像配準方法是近年來研究的熱點，在研究者的關注與重視中，各種新穎的算法不斷涌現?；谔卣鞯膱D像配準的方法具有較強的靈活性，都有各自的優(yōu)缺點和適用范圍，因此，在大家致力于算法創(chuàng)新外，還應考慮已有算法的集成。利用現存算法的優(yōu)點進行合理集合，將使算法的應用層面更廣。此外，在追求高質量配準的同時，配準的效率及魯棒性也不容忽視，可適當替換高質量配準中的復雜步驟，在能保證配準質量的前提下提高配準效率，增強配準實時性。

圖像配準這個分支本身就涉及很多領域，基于特征的圖像配準利用學科交叉進行創(chuàng)新和改進也是一個發(fā)展趨勢。目前已有不少研究者將模式識別、計算機視覺、人工智能等相關內容應用到了該領域中，隨著時間的推移將會產生更多的結合和應用?？傊?，基于特征的圖像配準具有良好的應用和發(fā)展前景。

參考文獻：

[1] BROWN L G. A survey of image registration techniques[J]. ACM Computing Surveys （CSUR）， 1992， 24（4）： 325-376.

[2] 倪國強， 劉瓊. 多源圖像配準技術分析與展望[J]. 光電工程， 2004， 31（9）： 1-6.

[3] 金海丁， 周孝寬. 數字圖像自適應插值法[J]. 激光與紅外， 2006， 36（9）： 907-910.

[4] 彭文. 基于特征的醫(yī)學圖像配準中若干關鍵技術的研究[D]. 浙江大學博士學位論文， 2007.

[5] 甘進， 王曉丹， 趙杰， 等. 基于直線特征的圖像配準算法[J]. 計算機工程與應用， 2010， 46（011）： 193-195.

[6] Gonzalez R C， Woods R E， Eddins S L. 岡薩雷斯數字圖像處理 （MATLAB 版）[J]. 2004.

[7] 李弼程， 彭天強， 彭波. 智能圖像處理技術[M]. 電子工業(yè)出版社， 2004.

[8] 韋春榮， 張孝飛， 陳洪波， 等. 基于輪廓提取的醫(yī)學圖像配準方法[J]. 廣西師范大學學報 （自然科學版）， 2003， 21（2）： 33-36.

[9] 王瑞瑞， 馬建文， 陳雪. 多源遙感影像自動配準技術的研究進展[J]. 遙感信息， 2011， 3： 121-127.

作者簡介：陳華（1964-），博士，主要研究方向：復雜系統(tǒng)，圖像處理