图像配准的研究

最近在做遥感配准的任务。对图像配准研究了一下。图像配准就是一幅图到另一幅图的几何变换和灰度变换。

因为做的是遥感图像的配准，所以采用的是基于点特征的匹配。

基于点特征的配准有如下4个步骤：

1，特征察觉（检测）。

2，特征点描述。

3，特征点匹配。

4，变换模型求解。

因为是项目，实用为主，所有采用比较成熟的SIFT算法。

1，2步骤公式居多，复习的时候自己看资料就行。

3，SIFT的匹配中，采用的是最近邻比原则的匹配，使用蛮力搜索。就是根据参考图像中的一个关键点，依次和目标图像中所有关键点比较，找出与其欧氏距离最短的和次段两点，如果其距离比值小于一个阈值，则认为最近点和参考图像中的关键点匹配。 依次遍历完参考图像中的每个点即可。

（这里的欧式距离我的理解并不是物理上的距离，就是表示两个向量之间的相似度而已　公式可以扩展到n维d=sqrt(x1-x2)^2+(y1-y2)^2+(z1-z2)^2)）

这里匹配完的点肯定是存在误匹配点的，有3中办法可以提高匹配点的质量，以上的最近邻比原则（KNN）就是一种，还有一种是交叉检查匹配项：就是把蛮力搜索的方向反过来匹配一次，如果第一次匹配参考图像的关键点为外循环，则第二次匹配则把目标图像的关键点作为外循环。。还有一个更简单的就是匹配差值的阈值化：就是说两个匹配的关键点如果差值大于某个阈值，就把这对匹配点剔除。

4.变换模型求解。

常用的变换模型有刚体变换模型，仿射变换模型和投影变换模型。

因为这些模型的参数求解只需要很少的匹配点对（仿射3对或投影4对），但是通过之前的筛选，我们依然不能保证所有匹配都是正确的。如果盲目的选取3对或4对点去求解变换模型参数，错误率可能会很高。这个时候引入一种RANSAC的思想求解变换矩阵。

思路是这样的，

第一步，随机抽取匹配对估算变换矩阵。对于仿射变换的变换矩阵来说，最少需要3个匹配对。所以这里在匹配点集中随机的抽取3个匹配对来估算变换矩阵。

第二步，求出变换矩阵支撑集。目标图像上的特征点可以根据估算出来的变换矩阵求得在参考图像上的对应位置，如果此特征点所对应的参考图像特征点和根据变换矩阵求得的新位置的距离小于一个阈值，就认为该匹配是正确的。标识出所有被认为是正确的匹配项。这些匹配项就组成了变换矩阵的支撑集。

上述步骤重复多次，可以求得很多变换矩阵，选择支撑集最大的变换矩阵，作为最佳结果。