基于特征的视觉/红外图像自动配准算法

"自动视觉/红外图像配准" 本文介绍了一种基于特征的视觉/红外传感器图像配准新方法。这种方法解决了由于数据灰度特性差异和特征不一致性导致的问题。它利用小波基特征提取器根据图像强度的局部统计信息来定位轮廓上的点特征。匹配过程在多分辨率层次上进行，并涉及一致性检查步骤来消除错误匹配。该算法具有高精度、鲁棒性和快速性，能够处理具有较大平移、缩放和旋转的图像。文章详细讨论了包括特征提取、匹配、一致性检查和图像变换模型在内的配准算法。实验结果使用真实视觉/红外传感器数据进行了展示。 在视觉/红外图像配准中，通常存在两个主要挑战：一是不同传感器数据的灰度特性差异，二是特征的一致性问题。作者提出的方法通过使用小波变换来解决这些问题。小波分析能有效地捕捉图像的多尺度细节，使得在不同灰度特性的图像之间提取相似特征成为可能。通过分析图像强度的局部统计特性，可以识别出图像边缘和关键点，这些点特征对于图像配准至关重要。 匹配过程在多分辨率层次上进行，这是因为小波变换提供了多尺度信息，使得在不同层次上寻找匹配点成为可能。低分辨率层次上的匹配可以快速定位大致对应点，然后在高分辨率层次上进行精细化调整，从而提高配准的准确性。同时，匹配过程中加入的一致性检查步骤能够检测并排除潜在的误匹配，增强了配准的稳定性。 一致性检查是通过比较和验证在不同分辨率下的匹配结果来实现的。如果一对匹配点在不同层次上仍能保持一致，那么它们被认为是有效的。这种方法有助于减少由于噪声或图像不清晰导致的错误匹配，提高了配准的鲁棒性。 最后，文章讨论了图像变换模型，这是将一个图像变换到另一个图像以实现精确配准的关键。变换模型通常包括平移、旋转和缩放等参数，以适应图像之间的几何差异。通过优化这些参数，算法能够找到最佳的配准变换，使两个图像在特征点上对齐。 实验部分展示了使用实际视觉/红外传感器数据进行配准时的成果，证明了该方法的有效性和适用性。这种自动图像配准技术在多种应用场景中都有重要价值，如遥感图像分析、目标识别、监控系统和增强现实等领域。 该文提出的自动视觉/红外图像配准方法克服了传统方法的挑战，实现了高精度、鲁棒和快速的配准，为跨传感器图像融合和分析提供了有力工具。