如发现有乱码，请点击下面链接浏览原文
正文摘录:

高峰等：一种准自动高精度图像配准算法一种准自动高精度图像配准算法高峰，文贡坚，吕金建(国防科技大学电子科学与工程学院ATR重点实验室湖南长沙410073)摘要：为了增强图像配准的鲁棒性，提出了一种人机交互的图像配准算法，该算法首先利用人工选择控制点的方式得到变化模型的初始参数，然后利用初始参数寻找其他可能匹配的特征点对，最后利用加权最小二乘法精确求解变化模型的参数，并完成图像的配准。该算法不仅降低了计算量，而且减少了误配的可能性，并且对灰度差异较大的图像也是适用的。大量实验表明，提出的方法对同种传感器或者不同传感器图像之间的配准都是有效的。关键词：半自动；高精度；最小二乘；图像配准中圈分类号：TP391文献标识码：B文章编号：1004—373X(2007)06—056一04ASemiautomaticHigh—accuracyAIgorithmforIIllageRegistrationGAOFeng，W‘EN(30ngjian，I。VJinjian(ATRKey【.ah。rat()ry，Sch()ol。fElectronicScienceandEngineerlng，NationalUniversityofDefenseTechnology，Changsha，410073，China)Abstract：Asemiautomaticalgorithmforimagereg‘retrationispresentedforincreasingtherobustnessofimage!regm‘tra—tlon.Wefirstcom!cIute。rud(!modelparameter‘sbychoosingsomecot’respondingpointsmanually，thenfindingotherpointsthatapproximatelymatcheachotherfromthefeaturepoints，.finally，computethepreeiseparametersusingweightedleast—squaremethod.Thisalgorithmdecreasesthepossibility0ffalseregistratl‘onas’wellasthecomputercomplexity.Theexperimentresulttestedbyi’magesfromeither‘thesamesensorordiffer’entsensor‘sisshownthattheproposedalgorithmforregistr·ationisaceu—rateandeffective.Keywords：semiautomatic；high—accuracy；least—square；image-registratl’on1引言图像配准是一个将不同时期、不同视点或不同传感器获得同一地域或物体的图像叠加起来的过程，他的主要目的是消除或减少基准图像和待校正图像之间由于成像条件不同所引起的几何形变，从而获得具有几何一致性的两幅图像。图像配准是需要组合多种数据源才能获得最终结果的遥感图像分析任务中的关键一步，这些任务包括多光谱分类、图像融合、环境监视、变化检测、图像拼接、天气预测以及地图更新等，图像配准的精度将对后面的处理产生很大的影响“J。近20年来，有大量的研究者致力于图像配准方法的研究，提出了许多算法，文献[1—3]对这方面的成果做了比较详细的综述和分类。在遥感图像处理中，图像配准一般分3步进行：首先在两幅图像上选取一些同名像点；然后利用同名像点的坐标值来估算表征两图像之间几何变换的映射函数；最后按照映射函数所描述的几何变换重新采样待校正图像。整个方法的难点在于如何可靠地获取收稿日期：2006—10—16基金项目：国家自然科学基金(4057¨03)同名像点。基于区域的方法0‘’是从第一幅图像中取一小窗口的图像和第二幅图像中同样大小的图像做相关比较，把相似度最大的匹配窗口的中心作为一对候选同名像点。由于相似度的定义一般都与图像辐射特性相关，因而他们只适合来自同种传感器且辐射失真较小的图像配准，而对于辐射失真较大或来自不同传感器的图像配准需要采用基于特征的方法。点是图像配准中最希望得到的图像特征，因为可以根据两幅图像中相对应特征点的坐标直接求解出模型参数.而任何其他的图像特征最终都是要得到一些相对应的点即同名像点。所以如何提取同名像点以及怎样寻找点之间的对应性是现在研究的热门问题。已有很多利用点特征进行图像配准的算法[6。’，但是这些算法大多存在以下问题：(1)若在一个图像中存在较多的特征点在另一图像中找不到对应的点，则得不到理想的配准结果；(2)为了求解模型参数一般要排列所有点匹配的情况，计算量比较大。当然也有一些算法首先对两幅图像进行变换模型的估计，然后利用模型本身的特点把那些不可能匹配的点剔除出去。但是这类算法一般又不能很好地解决如下的问题：