图像相似度的匹配研究
医学图像配准与分割方法研究与实践
医学图像配准与分割方法研究与实践医学图像配准与分割是医学影像处理中的两个重要任务，可以帮助医生更准确地诊断和治疗疾病。
图像配准旨在将多个医学图像对齐，使得它们在空间上或时间上完全或部分重叠。
而图像分割则是将医学图像中的组织、器官或异常区域进行分离和区分。
本文将介绍医学图像配准和分割的一些常见方法，并探讨其在实际应用中的研究与实践。
一、医学图像配准方法研究与实践医学图像配准是通过将多个医学图像进行准确对齐，实现多图像之间的一致性。
在医学影像处理中，常见的配准方法包括基于特征的方法和基于相似度度量的方法。
1. 基于特征的方法基于特征的配准方法通过提取图像中的特征点或特征区域来进行图像匹配。
其中，最常见的特征包括角点、边缘、纹理等。
常用的算法包括SIFT（尺度不变特征变换）、SURF（加速稳健特征）和ORB（旋转不变特征）等。
这些方法通过对特征点的检测、描述和匹配来实现图像配准。
在实践中，基于特征的方法往往具有较好的配准效果和鲁棒性。
2. 基于相似度度量的方法基于相似度度量的配准方法通过计算图像间的相似度来进行匹配。
常用的相似度度量指标包括互信息、相关系数和互相关等。
这些方法通过优化相似度度量指标来寻找最优的变换参数，从而实现图像的配准。
在实践应用中，基于相似度度量的方法通常能够得到较好的配准结果，并且具有较高的计算效率。
二、医学图像分割方法研究与实践医学图像分割是将医学图像中的组织、器官或异常区域进行分离和区分的过程。
常见的医学图像分割方法包括基于阈值的方法、基于边缘的方法和基于区域的方法。
1. 基于阈值的方法基于阈值的分割方法是最简单也是最直观的方法之一。
它通过选取适当的阈值来将图像进行二值化，将感兴趣的组织或区域与背景进行区分。
常见的阈值分割方法有全局阈值法、自适应阈值法和区域生长法等。
尽管基于阈值的方法简单易用，但对于复杂图像和噪声较多的情况下，效果不佳。
2. 基于边缘的方法基于边缘的分割方法通过检测图像中的边缘信息进行分割。
如何使用MATLAB进行图像匹配与检索
如何使用MATLAB进行图像匹配与检索引言图像匹配与检索是图像处理和计算机视觉领域中的重要任务，其应用涵盖了人脸识别、图像搜索、智能监控等众多领域。
而MATLAB作为一款强大的数学计算和图像处理软件，提供了丰富的工具和函数，便于进行图像匹配与检索的研究与实践。
本文将介绍如何使用MATLAB进行图像匹配与检索的基本原理、方法以及示例应用。
一、图像匹配与检索的基本原理1.1 图像匹配图像匹配指的是在给定图像数据库中，找出与查询图像最相似的图像。
其基本原理是通过衡量图像间的相似度来进行匹配。
常用的相似度度量方法包括结构相似性指数（SSIM）、均方误差（MSE）、归一化互相关系数（NCC）等。
在MATLAB中，可以使用imfilter函数对图像进行滤波操作，并使用相关函数计算图像的相似度。
1.2 图像检索图像检索指的是根据查询图像的特征，从图像数据库中检索出相似的图像。
其基本原理是提取图像的特征，并根据特征之间的相似度进行检索。
常用的图像特征包括颜色直方图、边缘特征、纹理特征等。
在MATLAB中，可以使用histogram 函数对图像进行直方图特征提取，并使用特征匹配算法（如最近邻算法）进行图像检索。
二、图像匹配与检索的方法和实现2.1 图像匹配方法图像匹配方法包括基于特征点的匹配和基于全局特征的匹配。
前者是通过检测图像中的关键点，提取关键点的局部特征，然后通过寻找匹配点来实现图像匹配。
后者是通过提取图像的全局特征，比如颜色、纹理等信息，然后计算图像之间的相似度进行匹配。
在MATLAB中，可以使用SURF算法提取图像的特征点，或者使用Bag of Words（BoW）模型提取图像的全局特征，并通过最近邻算法进行匹配。
2.2 图像检索方法图像检索方法主要包括基于内容的检索和基于语义的检索。
前者是通过提取图像的低级视觉特征，比如颜色、形状等，然后根据相似度进行检索。
后者是通过利用机器学习和自然语言处理技术，将图像关联到语义标签，然后根据语义标签进行检索。
图像匹配算法的研究进展
图像匹配算法的研究进展一、本文概述随着信息技术的飞速发展，图像匹配算法在诸多领域，如人脸识别、物体追踪、自动驾驶、医学影像分析以及遥感图像处理等，都发挥着越来越重要的作用。
图像匹配算法的核心在于通过一定的算法和策略，从大量图像中快速准确地找到目标图像，或者从同一场景的不同图像中找出相似或相同的部分。
本文旨在探讨图像匹配算法的研究进展，包括经典的算法、新兴的算法以及它们在不同领域的应用。
我们将回顾传统的图像匹配算法，如基于特征的方法、基于灰度的方法等，分析它们的优缺点以及适用场景。
然后，我们将重点介绍近年来兴起的深度学习在图像匹配领域的应用，包括卷积神经网络（CNN）、孪生网络（Siamese Network）等，以及它们在提高匹配精度和效率方面的突出表现。
我们还将讨论图像匹配算法在实际应用中面临的挑战，如光照变化、视角变化、遮挡等问题，以及针对这些问题的解决方案。
我们将展望图像匹配算法的未来发展趋势，包括算法性能的进一步提升、多模态图像匹配的研究、以及在大规模图像数据库中的应用等。
通过本文的综述，我们希望能够为读者提供一个全面而深入的图像匹配算法研究进展的概览，同时也为相关领域的研究人员提供有益的参考和启示。
二、图像匹配算法的基本原理图像匹配算法是计算机视觉领域的一个核心问题，它旨在从大量图像中找出具有相似性或相关性的图像。
这些算法的基本原理主要基于特征提取和相似性度量两个方面。
特征提取是图像匹配算法的首要步骤。
在这一过程中，算法会从图像中提取出关键信息，这些信息通常是对图像内容的抽象描述，如边缘、角点、纹理、颜色分布等。
这些特征的选择对后续的匹配效果至关重要，因为它们需要既能代表图像的主要内容，又具有一定的鲁棒性，能够在不同的光照、视角、尺度等条件下保持一致。
相似性度量是图像匹配算法的另一关键步骤。
在提取了特征之后，算法需要一种方法来量化两个图像之间的相似性。
常见的相似性度量方法包括欧氏距离、余弦相似度、汉明距离等。
遥感影像处理中的图像配准技术研究
遥感影像处理中的图像配准技术研究遥感影像作为一种远程获取地球表面信息的手段，已经广泛应用于农业、林业、城市规划、地质勘探等领域。
在遥感影像处理中，图像配准技术是非常重要的一步，它可以将不同时间、不同角度、不同分辨率、不同传感器获取的遥感影像精确地拼接起来，为后续的数据分析和信息提取提供准确的基础。
图像配准技术的基本概念图像配准是指将不同图像空间中的图像通过一系列变换，使得它们在相同的空间坐标系中具有相似的几何特征和像素值。
图像配准技术可以分为点匹配和区域匹配两大类。
点匹配是指在两幅图像中找出对应的特征点，通过计算这些特征点的坐标变换关系来进行图像配准。
常用的特征点匹配方法有SIFT、SURF和ORB等。
这些方法利用图像中的局部不变性特征点，在不同的图像中寻找出携带相同信息的点，然后通过点匹配对图像进行配准。
区域匹配是指在两幅图像中找出特征区域，以此来进行配准。
常用的区域匹配方法有基于互相关的方法和基于相位相关的方法。
其中基于互相关的方法是最简单的区域匹配方法，它利用图像中的像素值相似度进行匹配，并通过计算变换矩阵把两幅图像对齐。
基于相位相关的方法则是通过将图像转换到频域进行滤波、反变换等处理，从而实现图像配准。
图像配准技术在遥感影像处理中的应用在遥感影像处理中，图像配准技术是非常重要的一步。
由于遥感影像分辨率不同，光学成像区域不同等因素的影响，所获取的遥感影像之间存在较大的差异，必须经过配准才能拼接成一幅完整的图像。
同时，配准后的遥感影像还需要通过遥感影像处理技术来进行分析和提取信息。
图像配准技术在遥感影像处理中的应用广泛，其中最为常见的是农业、林业和城市规划等领域的应用。
在农业领域中，图像配准技术可用于对不同时间或不同角度获得的遥感影像进行配准，从而得出关于植物的生长状态、地面覆盖率等信息。
在林业领域中，图像配准技术可用于不同时间、不同季节甚至不同年份获得的遥感影像进行比较，从而了解森林变化、伐木状况等情况。
基于深度学习的图像匹配算法研究
基于深度学习的图像匹配算法研究第一章介绍图像匹配是计算机视觉领域的一个重要问题。
其目标是在给定一张图片下，通过检索数据库中与其相似的图片。
在各种应用场景中，图像匹配都有着重要应用，比如图像搜索、自动化驾驶以及智能安防等。
传统的图像匹配方法（例如SIFT算法）虽然具有较高的准确度，但存在运算速度慢的问题。
基于深度学习的图像匹配算法则能够在不降低准确度的前提下大幅提升匹配速度。
本文旨在详细介绍基于深度学习的图像匹配算法的研究。
第二章基础知识本章将介绍相关的基础知识，包括深度学习的基础理论、卷积神经网络以及图像特征提取等。
2.1 深度学习的基础理论深度学习是一种以人工神经网络为基础，基于多层抽象表达的机器学习方法。
深度学习的核心思想是通过多个非线性变换提取输入数据的高层抽象特征，从而实现对数据的分类和识别。
2.2 卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是深度学习中最常用的一种神经网络模型，被广泛应用于图像识别、目标检测、图像分割等领域。
CNN的核心组件是卷积层、池化层和全连接层。
其中，卷积层用于提取图像中的局部特征，池化层用于在不改变图片大小的情况下减小特征map 的大小，全连接层则负责将特征图映射到标签。
2.3 图像特征提取在传统的图像匹配算法中，特征点的提取是一项关键的任务。
而在基于深度学习的图像匹配算法中，CNN可以直接输出有用的特征表示，因此无需再考虑传统的特征点提取方法。
第三章基于CNN的图像匹配算法在基于深度学习的图像匹配算法中，CNN在提取图像特征方面有着非常重要的作用。
3.1 图像特征表示CNN可以将一张图片转化为一个固定长度的特征向量。
这个向量可以看作是图片的高级特征表示，可以用于描述图片的内容、形状以及颜色等信息。
3.2 图像相似度度量在匹配时，我们需要对两张图片之间的相似度进行度量。
一般来说，常用的相似度度量方法有欧几里得距离、余弦相似度等。
图像匹配算法研究
图像匹配算法研究一、概述随着数字化时代的深入发展，图像数据呈现出爆炸性增长，如何从海量的图像数据中高效、准确地找到目标图像成为了迫切需要解决的问题。
图像匹配算法研究作为计算机视觉领域的一个重要课题，其目标是找出不同图像中的相同或相似部分，从而建立图像之间的映射关系。
这一研究领域不仅对于图像检索、目标跟踪、场景识别等应用具有重要意义，而且对于推动计算机视觉技术的发展起到了关键作用。
图像匹配算法的基本原理可以概括为特征提取和特征匹配两个步骤。
特征提取是从图像中提取有意义的信息的过程，这些信息可以是图像中的边缘、角点、斑点等局部特征，也可以是图像的纹理、颜色、形状等全局特征。
特征提取的目的是将原始图像转化为一种更紧凑、更易于比较和处理的形式。
而特征匹配则是将提取出的特征进行比较和配对，以找出两幅图像中相似或相同的特征点，从而建立图像之间的对应关系。
在过去的几十年中，研究者们已经提出了许多图像匹配算法，这些算法可以分为基于灰度的图像匹配和基于特征的图像匹配两大类。
基于灰度的图像匹配方法主要利用图像的灰度信息来进行匹配，而基于特征的图像匹配方法则通过提取和比较图像中的特征来进行匹配。
尽管这些算法在一定程度上提高了匹配的精度和速度，但由于复杂的拍摄环境和不断提高的匹配精度和实时性要求，现有的算法仍然面临着许多挑战。
1. 图像匹配算法的定义与重要性图像匹配，又称图像配准或图像对齐，是计算机视觉领域中的一个核心问题。
它指的是在不同时间、不同视角、不同传感器或不同条件下获取的两幅或多幅图像之间，寻找并确定相同目标或特征间的对应关系的过程。
简言之，图像匹配就是要找出两幅图像中相同或相似部分的对应关系。
图像匹配算法的重要性体现在多个方面。
它是许多高级计算机视觉任务的基础，如目标跟踪、三维重建、图像融合、图像拼接等。
在这些任务中，通常需要先对图像进行匹配，以确定不同图像间的对应关系，进而进行后续处理。
图像匹配在遥感图像处理、医学影像分析、安全监控等领域也有着广泛应用。
计算机视觉中的图像匹配技术研究
计算机视觉中的图像匹配技术研究计算机视觉是计算机科学中的一个重要方向，它致力于使计算机看懂和理解图像或视频中的内容。
而图像匹配技术又是计算机视觉中的一个重要子领域。
它通过对两幅或多幅图像进行特征提取和比对，来判断它们是否是同一物体或场景。
现在，我们就来一起探究一下图像匹配技术的研究发展和应用情况。
1. 特征提取在对两幅或多幅图像进行匹配之前，需要先对它们进行特征提取。
特征是图像中最具有代表性的、最具有区分度的部分。
因此，特征提取的好坏直接影响到图像匹配的精度和效率。
常用的图像特征有：SIFT（尺度不变特征转换）、SURF（加速稳健特征）、ORB（旋转不变性特征）、BRISK（加速稳健特征）、FAST（高速角点检测算法）等。
它们通过不同的算法来提取图像中的关键点和对应的描述子。
可以根据实际需要选择合适的特征算法。
2. 特征匹配特征匹配是通过比较两幅图像中的特征点，找到一一对应的匹配点。
特征点的匹配是通过计算它们的描述子之间的距离或相似度，来判断它们是否匹配。
如果匹配点的数量足够多，就可以计算出两幅图像之间的变换矩阵，从而完成图像配准。
常用的特征匹配算法有：暴力匹配算法、基于k-d树的最近邻匹配算法、基于FLANN的最近邻匹配算法、基于RANSAC的特征匹配算法等。
它们在匹配速度、准确性、鲁棒性和对噪声的处理能力方面有所不同。
3. 图像拼接图像拼接是图像匹配技术的一个重要应用，它可以将多幅图像拼接成一幅大图。
图像拼接常用的方法有：基于平面投影变换的拼接、基于柱面投影变换的拼接、基于球面投影变换的拼接、基于全景图像拼接的拼接等。
图像拼接的核心是图像配准，而图像配准的精度和鲁棒性取决于特征提取和特征匹配的效果。
对于大场景的图像拼接，需要选择合适的算法和技术来提高图像配准的精度和鲁棒性。
4. 目标跟踪目标跟踪是将自动跟踪目标进行跟踪，以便在未来的帧上追踪目标。
它的应用范围广泛，包括视频监控、自动驾驶、虚拟现实等领域。
基于特征点的图像匹配技术研究及应用
基于特征点的图像匹配技术研究及应用文献综述1.图像匹配的概念图像匹配⑴是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。
图像匹配中事先获得的图像称为基准图像( base image)，在匹配过程中在线或者实时获得的图像称为实时图像(real time image)。
基准图像可以比实时图像大也可以比实时图像小。
当基准图像比实时图像大时，匹配过程就是在基准图像中搜寻实时图像位置的过程；当实时图像比基准图像大时，匹配过程就是在实时图像中寻找作为目标的基准图像的过程。
在地图导航系统［2］中，基准图像比实时图像大。
如图 1.1所示。
搜索区域dy■■待匹配区域基准图像dxN1图1.1地图导航系统中的图像匹配示意图基准图像和实时图像是对同一对象有差别的近似描述，设和分别为基准图像和实时图像的灰度分布，在不考虑关照变换等影响下，两者存在如下关系：鍏紡其中是高斯白噪声，可以通过一定的滤波方法滤除。
是上的点在X和Y方向上的位置偏差，称为定位噪声。
位置偏差往往是因为图像的几何形变造成的。
实际上利用计算机进行处理的并不是连续图像，图像的位置和灰度都被划分为离散的值，常用像素矩阵来表示一副图像。
在地图匹配导航中，通常基准图像比实时图像大。
直接进行相关匹配的两幅图像应该是大小一样的，为了确定实时图像在基准图像中的位置，就必须在基准图像中提出与实时图像大小相等的基准子图，并逐个与实时图像进行比较，以便找出与实时图像匹配的那个基本子图，从而确定实时图像在基准图像中的位置。
所以一般图像匹配的过程就是不断从基准图像中提取基准子图与实时图像进行相关运算的过程，这个过程可以是线性遍历式的，也可以是非线性随机的搜索过程。
在本课题中，我们选取左上角为原点作为坐标基准。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
国外开始图像配准领域的研究在20世纪60年代开始，但直到20世纪80年代开始吸引学者的关注。直到上个世纪结束时，图像配准技术已经做了调查，得出的结论是，在1990年的技术较以前已经显著增加。
但是从90年代初，国内才开始在这一领域涉足。而图像配准算法中最为经典的一类就是基于灰度相关的匹配算法，许多配准技术是基于它进行了延伸和扩展。朱进，思美菱阐释了多光谱图像配准算法与局部灰度极值方法的研究过程。针对多光谱遥感影像，基于局部灰度极值配准方法：通过同步查找包含灰色极值在参考小区域和遥感图像，然后对多项式曲面的拟合极端，最后计算出极端点小区域作为特征点进行登记。实验结果表明，该算法具有精度高的特点。而林相搏，邱天爽提出结合全自动与模态医学图像的非刚性配准算法，基于灰色和形状信息构架的分割算法[1]。根据配准算法将欧氏距离表示的形状信息与灰度信息相结合，构造一个新的代价函数。在医学图像分割，能够更好地完成类似灰色，边缘模糊，不同的结构分段之间的小空间多目标应用的算法，结果表明，基于该算法的灰度信息的图像配准算法比较好，在图像处理领域也因此颇受欢迎。而图像配准在医学领域的发展一直较其他图像匹配研究领域更为迅速，早期最为代表的就属张密,吴效明。他们的关于图像配准在放疗中应用的关键问题[2]，研究了3种匹配方法的基础上，灰色的，包括均方措施，归一化相关措施和互信息测度的表演放疗。得到的结论是互信息测度是更佳的匹配措施放疗。现在无论是在医学，生物学，地理界，信息处理等等领域，图像配准技术在越来越多的高科技领域越来越显示出其重要性，将越来越多的关注。也会势必受到极大的关注。
1.
本文在分析了灰度相关的图像配准算法中的线匹配法、比值匹配法，而利用这俩种方法可以分别简单实现两幅图像在水平和垂直位移方向变化上的精确配准，而我们提出的另外一种基于灰度相关的算法，弥补上两种方法的不足，它能实现配准的范围更广，除了能实现两幅图在水平和垂直位移的配准之外，块匹配同时也能实现在旋转情况下的图像配准。同时在整个研究的过程中，通过在Matlab编程环境下编程实现相关算法，通过实际图像的配准试验，利用这些结论最终得到精确地配准结果。
Keywords:Image registration, intensity-related, the ratio of template matching,line template matching method, block matching, rotating around the optical axis
灰度相关的配准方法是着眼于图像拼接的的灰度值,它也因此为灰度相关的配准算法的奠定了基础。图像拼接技术是将一组分别有重叠部分的图像的序列进行空间范围的匹配对准,然后重新采样，再合成后形成一个含有各图像序列信息的的技术。而合成的图像场景视角比较宽的，完整性好，清晰度高。图像拼接在pc视觉处理、计算机图像处理、医学图像处理、生物图像处理学等领域有着广泛的应用价值有抄袭、剽窃、弄虚作假等违反学术规范的行为，本人愿意接受学校按有关规定给予的处理，并承担相应责任。
学生（签名）：
日期： 年 月 日
图像相似度的匹配方法的研究
学生：张迁（指导老师：任璐）
（皖西学院机械与电子工程学院）
摘 要:数字图像匹配是指在拍摄、合成和绘画等手法形成的的两幅图像之间能找到局部和整体的重叠的部分，然后通过相关的匹配方法，找出两幅图像之间存在的相互关系。目前，图像配准技术广泛应用于军事、医学、地理、信息处理和其它领域，它已成为图像信息处理应用中的一门重要的技术。本文以灰度相关的图像配准算法为主，开始逐步介绍基于灰度相关的图像配准的相关的算法。众所周知，这类算法存出不穷，在图像配准算法领域颇受学者们的欢迎，而很多配准技术都以它为基础进行研究的。本文选择基于灰度相关模板的配准方法中的3种：线模板匹配法、比值模板匹配法和块模板匹配法并对这几种算法的原理和具体实现进行详细的研究。
绪论
1
1.1
所谓数字图像，它是以像素为基础，用一些一定数量的数字数值像素表示出来的由数组和矩阵表示的二维图像。这些数字图像可由现代发达的科技设为和成熟的技术产生，通过压缩、编码等形式通过现代的通信设备或网络手段传播。科技和网络的发达进步造就了图片的的多样化，也对图像处理技术的要求更高，所以数字图像处理领域就是研究和处理它们之间复杂的变换算法，而图像配准就旨在找出其中的对应的关系。
2.毕业设计（论文）所使用的相关资料、数据、观点等均真实可靠，文中所有引用的他人观点、材料、数据、图表均已标注说明来源；
3. 毕业设计（论文）中无抄袭、剽窃或不正当引用他人学术观点、思想和学术成果，伪造、篡改数据的情况；
4.本人已被告知并清楚：学校对毕业设计（论文）中的抄袭、剽窃、弄虚作假等违反学术规范的行为将严肃处理，并可能导致毕业设计（论文）成绩不合格，无法正常毕业、取消学士学位资格或注销并追回已发放的毕业证书、学士学位证书等严重后果；
关键词:图像配准，灰度相关，线匹配法，比值匹配法，块匹配法
Study onMethodofImageSimilarity Matching
Student:ZhangQian(Faculty Adviser：RenLu)
(College ofMechanical& electronic Engineering institute,West AnhuiUniversity)
数字图像处理是一门通过计算机等科技设备对数字图像的一些特征或者特点进行特殊处理的方法和技术，.例如：去除图像噪声、增强图像、提取图像特征、分割图像等等。而数字图像处理领域快速进步和浩大挺进的态势受到最大的影响，主要有以下三种原因:一是伴随计算机而来的的互联网的快速发展;二是数学界的发展，而关于离散数学理论的创立、发展和完善更为重要;三是广泛的农业、林木业、地理、军事、医学和航空等方面的应用需求的巨大增长。
毕业设计（论文）
题 目：
图像相似度的匹配方法的研究
学生姓名：
张迁
学号：
2010013350
所在学院：
机械与电子工程学院
专业班级：
电信1001班
届别：
2010届
指导教师：
任璐
皖西学院本科毕业设计（论文）创作诚信承诺书
1.本人郑重承诺：所提交的毕业设计（论文），题目《图像相似度的匹配方法的研究》是本人在指导教师指导下独立完成的，没有弄虚作假，没有抄袭、剽窃别人的内容；
灰度相关的图像配准算法在图像匹配技术中作用很重要，它对图像处理技术的发展有着推泼助澜的先锋作用。它推动着图像处理技术在医学、生物、信息处理和其他很多高科技领域内的应用，它的发展在人类的生活中的比重越来越重要。
1.2
首先，图像配准的整个环节流程主要有如下几个步骤：第一是对两幅图像进行特征提取得到想要的特征点；然后通过进行对两幅图像的进行相似性度量从而找到可以匹配的特征点对；再通过这些已经匹配的点对得到图像空间坐标变换的参数：多个参数的对的共同作用之后，再用这些坐标变换参数进行图像配准。因而在整个环节的流程中，其中最为重要的关键环节就是特征提取了，如果要使得特征匹配的比较成功，就必须有较为准确的特征提取才是最为关键的一部程序。因此，我们在寻求到的的特征提取方法的准确性和不变性，对于整个匹配精度来讲十分可贵。
绝对配准和相对配准是图像配准的方式的基础的两个大的分类。绝对配准是指所有的图像相对于一个首先已经定义的控制网格来实施，也就是每个图像都自己完成那些分量图像的几何校正，再通过这些累计来实现坐标系的统一而实现配准。而相对配准是指参考多图像中的一张图像，然后将其它的相关图像与这参考张图像进行配准，它的特点是其坐标系统是任意不固定的。这篇文章主要研究多图像的相对配准，所以在整个的图像的配准环节里最为重要的是找到或确定多图像之间的配准函数映射关系。这些图像配准函数映射关系就能估算多项式的系数，然后通过这些系数之间的关系，就能最终转化为如何确定配准控制RCP。就目前来说，根据图像配准中利用的图像信息以及如何确定 的方法可以江图像配准的方法分为基于特征法和变换域法以及基于灰度的信息法。而其中的基于特征法则可以根据实验中所要用到的不同的特征属性又可以划分为不同的类别。下面是学术界中目前公布的和比较通用的一些不同的图像配准的方法。
Abstract:Digital image refers to an image having a matching overlapping regions from the same scene taken place or by correlation matching method to find the correspondence between the imag . Currently , image registration techniques are widely used in military , medicine, geography, information processing and other areas, the image information processing applications has becomean important technology. This paper introduces the gray correlation –basedimage registration algorithm image registration algorithm is more classic and popular . based on gray relevant registration methods can be broadly divided into: line template matching method, the ratio of template matching and template block matching . In this paper,the target is that to introducethe principle of these three kinds of matching algorithm and implementation research.