提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
前言
图像配准方法有很多,可分为基于灰度的图像配准方法和基于特征的图像配准方法,其中基于特征的图像配准方法是目前图像配准算法中常用方法,如尺度不变特征变换(Scale Invariant Feature Transform, SIFT)图像配准算法。SIFT算法利用图像的尺度空间检测特征点,采用128维描述向量对特征点进行描述,并根据特征点的描述向量进行特征点匹配。该方法对于图像的平移、旋转、光照和尺度变换具有不变性,能够很好地适用于图像配准应用。
在采用基于特征的图像配准方法将红外和可见光图像进行配准时,由于红外相机利用场景的红外辐射进行成像,使红外图像存在局部或全局对比度反转问题,导致红外图像中特征点描述和可见光图像中特征点的描述存在较大差异,无法完成与可见光图像的特征点匹配。为了解决红外图像对比度反转导致的配准失败,本文采用描述子重组策略将红外图像的特征描述进行重组,实现红外和可见光图像的特征匹配,完成了图像配准。
一、配准的基本原理
红外和可见光图像相机在进行图像采集时,由于两者之间的分辨率不同、相机空间位置差异及相机光轴不平行等原因,使两幅图像之间存在几何变换(平移、旋转、缩放),图像配准技术可实现红外和可见光图像空间对齐。图像配准技术可以按照某种变换模型,将待配准图像对应到参考图像中,实现图像间的匹配。
图像配准过程中,存在两幅待配准图像分辨率差异大的问题,主要是由于不同图像传感器成像阵列规模的差异导致,有两种方法对具有分辨率差异的图像进行处理,一是放大分辨率较低的图像,使其与参考图像大小相近,二是对分辨率较高的图像进行降采样处理,使其与待配准图像大小相近。通常情况下,可见光图像的空间分辨率大于红外图像,若采用方案一对红外图像进行上采样,需要对红外图像进行插值等超分辨率处理,容易造成图像边缘模糊,尤其是图像分辨率差异较大的情况下。因此,如果要将两幅分辨率差异过大的图像进行配准时,通常将高分辨率图像下采样后进行图像配准。
1.1 常用的配准方法
常用的图像配准方法有基于灰度分布的图像配准方法和基于特征的图像配准方法。基于灰度分布的图像配准方法采用某种判别依据,如互信息、归一化积相关、Hadamard变换等,来判别参考图像和待配准图像中像素灰度值的相似度。通过调整图像间的变换参数,使图像间的相似度取得极大值,完成图像配准。基于特征的图像配准方法通过提取两幅图像的特征,采用特征描述子对其进行描述,最后根据描述子的相似程度对两幅图像的特征之间进行匹