文献综述
- 引言
随着计算机科学和信息技术等相关领域的蓬勃发展，传感器被大量应用于日常生产生活场景中，在传感器易用性提高的同时，人们对多类型多频段图像的采集需求也与日俱增。为了弥补单源探测器工作环境的局限性和频段的单一性，多种探测器结合使用已是大势所趋。如在战场环境中，通常采用多种成像传感器，如红外夜视仪、成像雷达、超光谱成像系统等进行战场感知，应用多种传感器的互补特征综合提取有用信息，对指挥员和作战系统的战场决策提供有力帮助；医学领域中，需融合CT、PET、MRI等多种模态的图像以帮助诊断；遥感观测中，多光谱图像融合可以得到更清晰的地物信息图像。
由于不同传感器的成像机理不同，获取图像的时间、角度、环境也不同，使得待融合的图像需先进行图像配准[1-3]。图像配准技术最早是在七十年代美国军方制导导航系统上应用[4]，在军用领域取得成功后，在军用领域取得成功后，越来越多的视觉系统从以前单一的成像传感器视觉系统变成多成像传感器视觉系统，导致图像配准技术需求日益强烈，推动图像配准技术-直向前发展，图像配准作为图像领域中的基础算法，目前图像配准技术已经广泛应用在三维重建、卫星遥感、医学影像分析、安防监控等行业[5-7]。
1.1图像配准研究现状
多源图像配准是指依据一些相似性度量决定图像间的变换参数，使从不同传感器、不同视角、不同时间获取的同一场景的两幅或多幅图像，变换到同一坐标系下，在像素层上得到最佳匹配的过程。经过几十年的发展，在多源传感器的图像配准方面，国内外已经有不少学者取得了理想的研究成果。目前的图像配准方法主要分为三类：基于灰度信息的图像配准方法、基于变换域的图像配准方法、基于特征的图像配准方法。
1.1.1基于灰度信息的图像配准方法
基于图像灰度的配准方法，通常直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。1972年，Barnea等人提出了一种使用模板子图像插值的相似性测度来进行图像配准。这种方法计算量大，且不适合异源图像配准[8]。后来许多学者针对待配准图像的边缘图像互信息[9]来对红外图像和可见光图像进行配准。这种方法首先通过边缘提取算法换得到红外图像和可见光图像边缘，然后对其中一种边缘图像进行旋转、平移、缩放，再来计算两种边缘的互信息，当互信息取得极大值时，就意味着两幅图像互相包含的信息最多，即两幅图像得到了配准，此时可以计算出配准的几何变换参数。互信息概念由香农提出，经Violal[10]等人引入到图像配准领域。以互信息作为相似性测度这种方法的优点在于算法实现简单，但是由于同样参数下提取红外图像边缘和可见光图像边缘差异非常大，选用边缘进行互信息计算可能存在误匹配，所以可靠性低。而且使用这种方法图像每旋转平移一次，就需要重新计算两幅图像的互信息，计算量非常大。
1.1.2基于变换域的图像配准方法
基于变换域的配准方法将图像经过变换处理，在频域上完成图像配准。图像在空间域的旋转、平移、缩放等线性变换在变换域的参数上均有所体现。常见的变换域方法有小波变换、快速傅里叶变换[11]、离散余弦变换等。在基于变换域的图像配准方法中，应用最广泛的是基于傅里叶变换的配准方法，利用傅里叶变换将图像分解为频率谱和相位谱，在两个域对图像处理。因为图像的旋转，平移，缩放等变换都能在傅里叶变换中得到对应，所以此配准方法对于噪声有一定鲁棒性。同时傅里叶变换较为成熟，在硬件中很容易实现，运算效率很高，应用广泛。其缺点是不太适用于缩放系数大的图像。
1.1.3基于特征的图像配准方法
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
