全文总字数：7863字

摘 要：图像配准是对同一场景从不同视角、用不同传感器获取的，有重叠区域的2景图像进行几何配准的过程。在遥感图像的实际应用中，配准是图像融合、目标变化检测、地物识别以及图像镶嵌过程中必不可少的步骤。近年来，基于图像特征的配准方法得到了较快的发展，其中尺度不变特征(scale invariant features，SIF)是图像特征中一种重要特征;尺度不变特征变换(scale invariant features transform，SIFT)是Lowe在总结现有基于不变量技术的特征检测算法基础上提出的一种基于尺度空间对图像缩放、平移、旋转、仿射变换、视角变换和光照变换保持不变的特征提取算法。由于其匹配能力强，提取出的特征稳定，所以从各种图像局部不变特征描述子(discripter)中脱颖而出，近年来在遥感图配准领域得到了越来越多的应用。

关键词：图像配准；局部不变特征描述；特征点匹配

引言

SIFT 图像配准算法基本步骤如下：①特征点提取；②生成特征描述子；③特征点匹配。其中特征点提取主要包括生成高斯差分（Difference of Gaussian，DOG）尺度空间、寻找局部极值点、特征点筛选、确定特征点方向；特征点匹配主要包括根据描述子相似性进行匹配、匹配对比值提纯、RANSAC 方法剔除离群匹配对。其中特征提取及特征匹配主要包括关键点检测、局部特征描述子生成和特征点匹配。

2 研究现状

图像配准是对不同时间、不同角度或不同传感器获取的同一场景两幅或多幅图像进行空间对准的过程。图像配准技术广泛应用于遥感、医学图像分析、机器视觉和场景分类等多个领域。现有配准方法根据其在配准过程中采用的图像信息差异，大致分为3类：基于特征的图像配准、基于灰度信息的图像配准和基于变换域的图像配准。其中基于特征的图像配准方法因其计算量较低，对位置变化较敏感，同时降低了噪声、遮挡、光照和图像变形的影响，成为当前主流的配准方法。随着基于特征的图像配准方法的快速发展，Lowe^［3］在1999年的计算机视觉国际会议上首次提出了尺度不变特征变换（Scale Invariant Features Transform，SIFT）算法，并在2004 年对该方法进一步完善。SIFT 算法由于在图像平移、旋转、缩放、视角变换和光照变化等因素下具有很好的效果^［4］，因而受到广泛重视。基于此，本文对基于 SIFT算法的图像配准方法进行了综述，总结其特点、存在问题，展望了发展趋势，同时介绍了常用的点特征图像配准效果评价指标。

SIFT算法图像匹配

采用 SIFT 算法进行特征点提取步骤有如下几步：

生成 DOG 尺度空间。高斯函数与图像卷积能够得到尺度空间^［5］，可设 表示尺度参数，则图像 的尺度空间 可以表示为：

寻找局部极值点。生成 DOG 尺度空间后，将每一个采样点进行扫描操作，将其与周围 26 个像素点进行比较，判断其是否为极值点。以这种方式找到的局部极值点就是图像的粗略特征点（关键点）。

特征点筛选。选取完图像的粗略特征点之后，利用差值算法确定关键点的位置与尺度，然后剔除对比度低的极值点，并用 Hessian 矩阵除去由高斯差分运算造成的边缘响应干扰，以此优化特征点检测结果。