快速图像配准

图像配准是图像处理的基本任务之一，早在70年代，人们就开始了图像配准方面的研究，从最简单的模板匹配校正图像平移，到90年代中期开始的对于多模态图像配准的广泛研究。近年来在对配准技术的研究涵盖了多个应用领域，在计算机视觉及模式识别、医学图像分析、遥感数据处理、机器人学、计算机辅助设计与制造、天文学等学科中配准技术均占有举足轻重的地位，其中前三个应用领域中针对图像的配准技术的研究扩展的较多，图像配准已成为很多研究课题的必备环节，并且成为各类问题中提高精度和有效性的瓶颈。

图像配准是将不同时间、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)获取的同一场景的两幅或多幅图像进行匹配、叠加的处理过程，是图像处理领域的一个基本问题。目前图像配准技术已经在许多领域中得到了广泛的应用，在图像融合、图像跟踪和卫星遥感系统几个应用领域中的作用尤为突出。

图像配准技术在许多领域中都起到了非常重要的作用，因此对图像配准技术的研究也就极为重要。图像配准技术经过多年的研究，己经取得了一定的研究成果。目前的图像配准技术可分为手工配准和自动配准。手工配准的方法己经广泛地用到实际中，但需要选择大量的位置控制点，这是非常枯燥的、劳动密集性的、重复并且费时的工作，而且手动配准需要操作者的经验，人的主观性导致图像配准的精度难以保证。当在有限的时间内高精度、准确的配准图像以及图像分析时，就需要找到一种很少或几乎不用手工的自动化技术来配准多模态图像。自动图像配准是在整个在配准过程中不需要人干预的一种配准技术，它也是图像配准技术的最终发展目标。

1.2 课题相关技术的国内外发展现状及趋势

图像配准是在图像处理的研究中一个很重要的研究方向。在机器识别的过程中，常需要把不同传感器在不同时间，不同成像条件下对同一景物获取的两幅或是多幅图像在空间中对准，或是根据已知的模式到另一幅图像中找到相应的模式这就需要用到图像配准。图像配准就是将模板与待检测的图像进行比较匹配，并给出一个描述匹配程度的计算结果。如果算法的运算结果显示图像中的某一部分与模板相同或是相似大于设定的阈值，则认为匹配成功。

早期的图像配准技术主要用于几何校正后的多波段遥感图像的套准，借助于求互相关函数的极值来实现。如在遥感图像处理中把不同波段的传感器对同一景物的多光谱图像按像点的性质进行对应套准，然后根据像点的性质进行地物分类如果利用在不同时间对同一地面拍摄的两张照片，经套准后找出其中特征有了变化的点，就可以用来分析图中哪些部分发生了变化。图像配准研究涉及到许多相关的知识领域，如图像预处理、图像采样、图像分割、特征提取等，并且将计算机视觉、多维信号处理和数值计算等紧密结合在一起。图像配准技术与图像融合、图像分割等研究方向密切相关，是图像理解和图像复原等领域的研究基础。

根据图像配准中所利用的图像信息的不同，可以将图像配准方法分为三个主要类别：基于灰度信息的方法、基于变换域的方法和基于特征的方法，其中基于特征的方法又可以根据所选用的特征属性的不同而细分为若干类别。

·基于灰度信息的图像配准方法

本类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的灰度统计信息来度量图像的相似程度。其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。

·基于变换域的图像配准方法

最主要的变换域方法就是傅氏变换方法。该方法利用了傅立叶变换的良好性质，即函数平移，旋转和缩放在频率域都有其对称性。对于图像的平移，计算两幅图像功率谱的傅立叶变换可得一个脉冲函数，该函数仅在平移量处不为零。对于旋转，可使用极坐标方式表示，使图像的旋转转化为图像的平移，再用相同的方法计算图像间的旋转角度。假如图像之间不仅有平移变换还有旋转变换，则我们分两步进行计算:先计算旋转变换后计算平移变换。该方法对于小平移量和旋转及缩放的图像配准非常适合。同时，它具有硬件支持和快速算法，因此计算速度快，同时能克服相关性噪声和依赖频率噪声，可适合多传感器和光源变化采集的图像。

·基于特征的图像配准方法

基于特征的图像配准方法是图像配准方法中的一个大类，这类方法的主要共同之处是首先要对待配准图像进行预处理，也就是特征提取的过程，再利用提取到的特征完成两幅图像特征之间的匹配，通过特征的匹配关系建立图像间的配准映射变换，由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法。常用到的图像特征有:特征点(包括角点、高曲率点等)、直线段、边缘、轮廓、闭合区域、特征结构以及统计特征如矩不变量、重心等等。

本课题我们将重点研究基于特征的图像配准方法。

1.3 图像配准在医学中的应用

医学图像配准和医学图像融合有着密切的关系，特别是对多模态图像而言，配准和融合是密不可分的。待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，若事先不对融合图像进行空间上的对准，那么融合后的图像豪无意义。因此，图像配准是图像融合的先决条件，必须先进行配准变换，才能实现准确地融合。

医学图像配准是医学图像处理的一项基本任务，它可以把来自不同模态或不同时间的多幅图像进行配准，然后为图像的后处理提供保证。如在医学图像融合中，需要将相对应的组织结构融合在一起，而待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，必须先进行配准变换，才能实现准确地融合。医学图像配准的定义:同一个人从不同角度、不同位置拍摄的两张照片，由于拍摄条件不同，每张照片只反映某些方面的特征。要将这两张照片一起分析，就要将其中一张中的人像做移动和旋转，使它与另一幅对齐。这一对齐过程就是配准过程。保持不动的图像叫做参考图像，做变换的图像称为浮动图像。将配准后的图像进行融合就可以得到反映人的全貌的融合图像。医学图像配准就是寻求两幅图像间的几何变换关系，通过这一几何变换，使其中一幅医学图像(浮动图像F)与另外一幅医学图像(参考图像R)上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上具有相同的空间位置。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。

1.4 课题所用软件Matlab介绍

Matlab，Matrix Laboratory的简称，是美国Mathworks公司于1984年推出的数值计算机仿真软件,经过不断的发展和完善,如今已成为覆盖多个学科,是具有超强数值计算能力和仿真分析能力的软件。Matlab应用较为简单,用大家非常熟悉的数学表达式来表达问题和求解方法。它把计算、图示和编程集成到一个环境中,用起来非常方便。同时,Matlab具有很强的开放性和适应性,在保持内核不变的情况下,Matlab推出了适合不同学科的工具箱,如图像处理工具箱,小波分析工具箱、信号处理工具箱、神经网络工具箱等,极大地方便了不同学科的研究工作。Matlab强大的绘图功能,简单的命令形式,使其越来越受到国内外科技人员的青睐,得到越来越广泛的应用[8]。

MATLAB之所以如此迅速地普及，显示出如此旺盛的生命力，是由于它有着不同于其它语言的特点。正如同Fortran和C等高级语言使人们摆脱了需要直接对计算机硬件资源进行操作一样，被称为第4代计算机语言的MATLAB，利用其丰富的函数资源，使编程人员从繁琐的程序代码中解放出来。MATLAB的主要特点：

·功能强大

MATLAB具有功能强劲的工具箱，其包含两个部分：核心部分和各种可选的工具箱。核心部分中，有数百个核心内部函数。其工具箱又可分为两类：功能性工具箱和学科性工具箱。功能性工具箱主要用来扩充其符号计算功能、图示建模仿真功能、文字处理功能以及与硬件实时交互功能。功能性工具箱能用于多种学科，而学科性工具箱是专业性比较强的，例如control toolbox,image processing toolbox,signal processing toolbox等。这些工具箱都是由该领域内的学术水平很高的专家编写的，所以用户无需编写自己学科范围内的基础程序，就能够直接进行高、精、尖的研究。MATLAB之所以成为世界顶级的科学计算与数学应用软件，是因为它随着版本的升级与不断完善而具有越来越强大的功能[9]，主要有：数值计算功能；符号计算功能；数据分析功能；动态仿真功能；图形文字统一处理功能。

·界面友好，编程效率高

MATLAB突出的特点就是简洁。它用更直观的、符合人类思维习惯的代码代替了C和Fortran语言的冗长代码，给用户带来的是最直观、最简洁的程序开发环境。MATLAB语言简洁紧凑，使用方便灵活，库函数极其丰富，程序书写形式自由，利用其丰富的库函数避开繁杂的子程序编程任务，压缩了一切不必要的编程工作。由于库函数都是由本领域的专家编写的，因此用户不必担心函数的可靠性。可以说，用MATLAB进行科学开发是站在专家的肩膀上来完成的。

·开放性强

MATLAB有很好的可扩充性，可以把它当成一种更高级的语言去使用。各种工具箱中的函数可以互相调用，也可以由用户更改。MATLAB支持用户对其函数进行二次开发，用户的应用程序可以作为新的函数添加到相应的工具箱中。

图像配准就是将不同时间、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。

配准技术的流程如下：首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数：最后由坐标变换参数进行图像配准。而特征提取是配准技术中的关键，准确的特征提取为特征匹配的成功进行提供了保障。

因此本课题需要解决的关键问题就是需要设计一种算法将不同时间、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。

2.2 基于特征的图像配准研究方法

2.2.1图像预处理

对于参考图像和待配准图像，由于不是在同时或同一传感器拍摄得到的图像，所以为了尽量消除参考图像和待配准图像的灰度差异，一般我们选择直方图匹配作为预处理步骤。直方图匹配处理技术采用组映射规则GML来实现灰度之间的映射。

2.2.2特征点提取

基于特征的方法往往提取图像中明显的区域块、线结构和关键点作为特征。这些特征要求足够显著，容易在各种畸变条件下稳定得被检测到。由于同直接利用象素灰度信息的互相关算法相比，特征提取包含了高层信号信息，所以该类算法对光照、噪音的抗干扰能力较强。

本课题，我们将重点研究点特征的图像配准。在同一张图像上，分别对参考图像和经过直方图匹配后的待配准图像提取Harris角点、SUSAN角点和SIFT特征点。

2.2.3选择匹配策略

不同的特征点可以尝试不同的匹配策略，本课题将采取以下方式进行实验：

·基于Harris角点的匹配策略采用互相关法粗匹配，然后利用虚拟三角形精确匹配；

·基于SUSAN角点的匹配策略采用互相关法粗匹配，再利用RANSAC策略精确匹配；

·基于SIFT特征点的匹配策略则通过每个点的特征向量的欧式距离粗匹配，利用RANSAC策略精确匹配。