配准综述
多视图点云配准算法综述
多视图点云配准算法综述多视图点云配准算法综述摘要：点云配准是计算机视觉领域中重要的任务之一，它用于将多个视角的点云数据融合成一个整体的三维场景模型。
本文综述了目前常用的多视图点云配准算法，包括特征提取、匹配、优化等关键步骤，分析了它们的优缺点，并对未来的发展进行了展望。
第一部分：引言随着三维扫描技术的快速发展，多视图点云配准算法在计算机视觉领域中扮演着重要角色。
它将来自不同视角的点云数据进行融合，从而构建出更加完整和精确的三维场景模型。
点云配准主要包括特征提取、匹配、优化等关键步骤，不同的算法在这些步骤上有不同的设计思路和性能表现。
第二部分：特征提取特征提取是点云配准中的关键步骤，它通常通过计算点云的法向量、曲率、表面描述符等来提取局部或全局的特征信息。
常见的特征提取算法包括面点法向量估计算法、多尺度曲率估计算法和FPFH（Fast Point Feature Histograms）算法等。
这些算法能够有效地提取点云中的特征信息，为后续的匹配和优化过程提供重要的输入数据。
第三部分：特征匹配特征匹配是点云配准中的核心问题，它通过计算特征之间的相似性或距离来找到两个点云之间的对应关系。
常见的特征匹配算法包括最近邻搜索、ICP（Iterative Closest Point）算法和基于描述符的匹配算法等。
这些算法能够有效地寻找到两个点云之间的最优匹配关系，并为后续的优化过程提供初始的变换矩阵。
第四部分：优化方法优化方法是点云配准中的重要环节，它通过最小化匹配误差或最大化匹配的一致性来得到最优的配准结果。
常见的优化方法包括ICP算法、基于能量函数的优化算法和基于图优化的算法等。
这些算法能够在迭代过程中不断调整变换参数，从而逐步改善配准结果。
第五部分：算法比较与分析本部分对以上提到的特征提取、特征匹配和优化方法进行了比较与分析。
通过对不同算法的实验结果进行对比，我们可以得到它们的优缺点。
例如，ICP算法在小范围的点云配准中表现较好，但对于大范围和不完整的点云数据则容易陷入局部最优。
计算机视觉中的图像配准技术综述
计算机视觉中的图像配准技术综述引言计算机视觉中的图像配准技术是一种将多个图像对齐和融合的关键技术。
图像配准技术在医学影像、地理遥感、计算机图形学等领域都有着广泛的应用。
本文将对计算机视觉中的图像配准技术进行综述，包括图像配准的定义、算法原理、分类和应用。
通过对各个方面的概述和分析，希望读者可以对图像配准技术有更深入的了解。
一、图像配准的定义图像配准是指将多个图像按照某种准则对齐和融合的过程。
在图像配准中，通常有一个参考图像（reference image）和一个或多个需要对齐的目标图像（target image）。
图像配准的目的是将目标图像转换到参考图像的空间坐标系中，以使两个或多个图像之间拥有相同的尺度、方向和位置关系。
二、图像配准的算法原理图像配准的算法原理主要包括特征提取、特征匹配和变换模型估计。
具体步骤如下：1. 特征提取特征提取是图像配准中的第一步，它的目的是从图像中提取出一些具有鲁棒性和区分度的特征点或特征描述子。
常用的特征包括角点、边缘、纹理等。
特征提取的方法有很多种，包括Harris角点检测、SIFT、SURF等。
2. 特征匹配特征匹配是图像配准中的关键步骤，它的目的是将参考图像和目标图像中找到的特征进行匹配。
常用的特征匹配方法有最近邻匹配、RANSAC等。
最近邻匹配通过计算特征之间的距离来进行匹配，而RANSAC算法则通过随机采样和模型估计来选择最佳匹配。
3. 变换模型估计变换模型估计是图像配准中的最后一步，它的目的是通过匹配得到的特征点或特征描述子估计参考图像和目标图像之间的变换关系。
常用的变换模型有仿射变换、透射变换、非刚性变形等。
变换模型估计的方法有最小二乘法、最大似然估计等。
三、图像配准的分类图像配准可根据多个维度进行分类。
一种常见的分类方法是根据变换模型的类型来区分，包括刚性配准和非刚性配准。
刚性配准是指保持图像的旋转、平移和缩放不变的配准方法，常用于医学影像中对齐各个时间点的图像。
医学影像技术中的图像配准方法综述与性能评估
医学影像技术中的图像配准方法综述与性能评估摘要：在医学影像技术中，图像配准发挥着至关重要的角色。
本综述旨在深入探讨在医学影像技术中应用的图像配准方法，并对其性能进行评估。
此文首先讨论了图像配准的基本知识，并概述了其在医学影像技术中的应用。
然后，详细介绍了各种主要的图像配准方法，并通过比较和分析评估了它们的性能。
最后，本文探讨了图像配准方法的未来发展趋势，包括面临的挑战与可能的解决方式。
本篇综述的目标是提供一个全面的进展和发展趋势的概述，以期对图像配准的研究和应用提供深入的了解。
关键词：医学影像技术；图像配准；性能评估；图像处理；图像分析；深度学习一、引言1.背景介绍：在当今医学技术高度发展的背景之下，医学影像技术作为医疗诊断和治疗的重要组成部分，受到广泛关注。
更为关键的是，图像配准作为重要的影像处理步骤，弥补了从多源影像中获取信息的局限性，如时间、视角和模态等，对临床治疗和研究具有至关重要的影响。
图像配准的准确性和效率直接关乎到诊断准确率和治疗效果。
2.目的和目标：本文的主要目标是对医学影像技术中的图像配准方法进行全面系统的综述，并对各种配准方法进行性能评估和比较。
旨在通过对各种图像配准新技术和方法的研究，对图像配准性能进行提升，为疾病的诊断和治疗提供更为准确的医疗影像资源。
此外，还希望能找出影响图像配准性能的因素，以期找到改进图像配准性能的有效方法，进一步推动医学影像技术的发展，提高医疗服务质量。
本文的研究将理论和实证相结合，旨在产生对实践有重要影响的理论成果和切实可行的技术指导建议，为医学影像技术研究和应用提供科学的理论支撑和实践参考。
二、医学影像技术概述1.定义和分类：医学影像技术是应用科学和技术手段获取和处理身体各组织和系统图像的一种技术。
它将生物信号转换为可视化的图像，帮助医生进行诊断和治疗。
根据成像原理和所使用的设备不同，医学影像可以大致分为X射线成像，核磁共振成像（MRI），计算机断层扫描（CT），超声波成像，放射性核素成像（PET，SPECT）等。
图像配准算法综述
杭州电子科技大学毕业设计（论文）文献综述毕业设计题目SIFT特征研究及应用文献综述题目图像配准算法综述学院生命信息及仪器工程学院专业电子信息技术及仪器姓名班级学号指导教师图像配准算法综述一．前言图像配准是指找出场景中同一物体表面的结构点在不同图像上的投影像素点之间的对应关系，是图像信息处理领域中一项非常重要的技术，同时也是其它一些图像分析技术，如立体视觉、运动分析、数据融合等的基础。
目前图像配准广泛应用于虚拟现实、视频压缩、图像复原、图像数据库检索等技术中。
图像配准的研究是计算机视觉中最困难也是最重要的任务之一。
不同的图像配准方法总是对应于某种适用的图像变换模型，其核心问题是提高配准的速度、精度和算法的稳健度。
随着科学技术的发展现在约40%的机器视觉应用中都会使用图像匹配技术，所涉及的领域有：工业检测，导弹的地形匹配，光学和雷达的图像跟踪，交通管理，工业流水线的自动监控、工业仪表的自动监控，医疗诊断，资源分析，气象预报，文字识别以及图像检索等。
图像匹配研究按其处理步骤可以分为样本采集、样本预处理、样本分割、样本的特征提取等，并且与计算机视觉、多维信号处理和数值计算方法等紧密结合。
它也是其它一些图像分析技术，如立休视觉、运动分析、数据融合等的基础。
正因为其应用的广泛性，新的应用和新的要求逐步产生，使得匹配算法的研究逐步走向深入，出现了快速、稳定、鲁棒性好的匹配算法。
因此，研究图像的匹配算法对于如何提高实际工程中的图像处理质量和识别精度具有非常重要的意义。
本文主要分析图像匹配常用方法的优点和不足之处，讨论了图像匹配中需要进一步研究和解决的问题。
二．图像配准算法的研究现状图像配准是立体视觉、运动分析、数掘融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。
国内外学者针对不同的图像配准应用问题进行了大量的研究工作，早在1992年英国剑桥大学的Lisa Gottesfeld Brown在文献[1]习中就总结了图像配准的主要理论及图像配准在各个领域的应用。
地面三维激光扫描配准技术综述
文章编号：1009-6825（2013）05-0205-03地面三维激光扫描配准技术综述收稿日期：2012-12-14作者简介：刘忠喜（1985-），男，硕士，助理工程师；陈凯（1983-），男，硕士，助理工程师刘忠喜1陈凯2（1．福州消防支队特勤三中队，福建福州350000；2．福建省福州市公安消防支队，福建福州350000）摘要：指出三维激光扫描技术又称为“实景复制技术”，它的出现是测量领域继GPS 技术之后的又一项测绘新技术，并且已经成为获取空间信息数据的重要技术手段，通过对前人研究成果的研读，总结了前人的理论成果，分析了当前点云数据配准技术的发展情况，以期对将来研究起到一定的理论指导意义。
关键词：地面三维激光扫描仪，点云配准，ICP ，精配准中图分类号：TU198文献标识码：A 1概述三维激光扫描技术又称为“实景复制技术”，它的出现是测量领域继GPS 技术之后的又一项测绘新技术，并且已经成为获取空间信息数据的重要技术手段［1］。
三维激光扫描技术，可以精确、方便、快捷的获取物体表面的点数据。
在各种大型的、大面积的、复杂的实体测量过程中，通过三维激光扫描技术可以快速、精确地将实体表面的点扫描到扫描仪中，并将这些三维数据完整的存储到电脑中，继而再经过去噪、配准、重采样、特征提取、三维重构等操作，完成扫描实物的虚拟影像。
具备上述诸多优点，该技术在城市三维建模、文物保护、逆向工程、地形测量、建筑物变形监测、竣工测量等诸多领域具有很好的潜在应用价值。
随着相关软硬件技术的发展，特别是激光扫描数据后处理软件系统的开发完善，该技术在可预见的将来将很有可能像全站仪和GPS 一样在测绘领域不可或缺。
目前地面激光三维扫描仪在发达国家已经形成了产业和规模，生产仪器的厂家也越来越多，仪器软硬件性能也不断的更新。
如美国Trimble 公司生产的GS200、奥地利Riegl 生产的LMS 系列、加拿大Optech 公司生产的ILRIS-3D 、瑞士Leica 公司的HDS 系列、Station Scan 以及美国Faro 公司的Faro 系列等等。
医学影像分析中的图像配准方法综述
医学影像分析中的图像配准方法综述医学影像分析是指利用图像处理、模式识别和机器学习等计算方法对医学影像进行分析和处理，以获取相关的解剖、功能和病理信息。
而图像配准是医学影像分析的一个重要环节，它指的是将不同模态或不同时间点获取的医学影像图像进行准确的对齐，以便在后续分析和研究中提供更可靠的结果。
医学影像配准方法的目标是将不同的图像进行对齐，使得它们在空间和几何上相互吻合。
这样做的优点是提高了医学影像分析的准确性和可信度，同时也为临床医生和研究人员提供了更全面的信息，以便更好地诊断疾病、研究病变发展和评估治疗效果。
医学影像配准方法可以分为刚性配准和非刚性配准两大类。
刚性配准（Rigid Registration）是指通过旋转、平移和缩放等刚性变换使得图像彼此对齐。
刚性配准适用于同一器官的不同扫描或同一时间点的不同斜视图像等情况。
它的优点是计算快速、操作简单，但局限性在于无法处理组织形变引起的图像变化。
而非刚性配准（Non-rigid Registration）克服了刚性配准的局限性，它可以处理器官形变、组织变形以及疾病进展引起的图像差异。
非刚性配准算法基于局部区域的相似性进行配准，并对图像进行局部形变模型的建立，常见的方法有弹性体变形（Elastic Deformation）、三维网格配准（3D Mesh Registration）和基于特征的配准（Feature-based Registration）等。
在医学影像配准中，常用的方法有基于互信息（Mutual Information）的配准、基于特征点匹配的配准和基于局部图像特征的配准等。
基于互信息的配准算法是一种无需事先标记特征点的配准方法，它通过最大化目标图像和参考图像之间的互信息量来完成图像的配准。
互信息测量的是两个图像之间的统计相关性，由于它不受图像灰度变化和噪声的影响，因此被广泛应用于医学影像配准领域，尤其适用于多模态影像的配准。
基于特征点匹配的配准算法是一种通过识别图像中的关键特征点，并对其进行匹配和对齐的方法。
医学图像配准与分割算法评估指标研究综述
因此，对医学图像配准与分割算法进行评估和 比较，选择最适合特定应用的算法，具有重要 的理论意义和实践价值。
国内外研究现状及发展趋势
国内外学者在医学图像配准与分割算法方面开展了大量研究工作，提出了 许多优秀的算法和方法。
3
基于深度学习的分割算法
通过训练神经网络实现图像分割，能够处理复杂 的医学图像分割任务，分割精度高，但需要大量 训练数据。
配准与分割算法联合应用性能分析
01
配准算法对分割结果 的影响
准确的图像配准能够提高分割算法的 精度和稳定性，减少分割误差。
02
分割算法对配准结果 的影响
精确的图像分割能够为配准算法提供 准确的特征点和边界信息，提高配准 精度。
03
医学图像分割算法评估指标
区域一致性评估指标
01
Dice相似度系数（Dice Similarity Coefficient, DSC）：用于衡 量两个样本的相似度，取值范围在0-1之间，值越大表示相似度 越高。在医学图像分割中，DSC通常用于评估分割结果与金标准 之间的区域一致性。
02
Jaccard相似度系数（Jaccard Similarity Coefficient, JSC ）：与Dice相似度系数类似，用于衡量两个集合的相似度 。在医学图像分割中，JSC同样用于评估分割结果与金标 准之间的区域一致性。
信息变化指数（Information Variation Index, IVI）：衡量分割结果相对于金标准的信 息变化程度。IVI越小，表示分割结果越准确。
标准化互信息（Normalized Mutual Information, NMI）：衡量两个图像之间的互信 息程度。在医学图像分割中，NMI用于评估分割结果与金标准之间的综合性能。NMI
图像配准综述讲义
Overview (-1996)
Medical Image
SPECT (Single Photon Emission Computed Tomography) PET (Positron Emission Tomography) MRI (Magnetic Resonance Image) CT (Computed Tomography)
Deformable model based
An extracted structure (also mostly surfaces, and curves) from one image is elastically deformed to fit the second image.
Rigid model based
Landmark based registration
The set of registration points is sparse
---fast optimization procedures
Optimize Measures
Average distance between each landmark Closest counterpart (Procrustean Metric) Iterated minimal landmark distances
Dimensionality
Spatial dimensions only
2D/2D 2D/3D 3D/3D
Time series(more than two images), with spatial dimensions
- 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)。
图像配准是对取自不同时间，不同传感器或者不同视角的同一区域的两幅或者多幅图像进行匹配叠加的过程。
随着技术手段的不断发展，人们对图像配准的要求也越来越离。
包括配准方法的鲁棒性、算法的难易程度、算法的自主性等都是考量算法的指标。
图像配准的方法中，有人提出过被广泛认同的四个巧骤：a．特征空间的选择特征空间是指将运用到配准中元素的集合。
特征空间包括很多方面，比如像素值，比如点、线，或者平面甚至是曲面。
b．搜索空间搜索策略是指一系列配准变换操作的集合。
搜索空间是建立在几何形变基础上的。
而几何形变一般包括全局的和局部的几何形变。
典型的全局变形包括平移，缩放，扭曲等变形以及它们的组合。
而局部形变，对变换参数要求比较苛刻，因为某一套变换参数只能作用在局部形变区域，而其余区域需采用插值技术补充。
然而，另外的变形区域则需要另外的变换参数去表述。
在一般的处理中，我们将变换模型看成是一种先验知识。
不然则需要考量所有的变换模型。
c．搜索策略搜索策略是实施变换的依据。
它的存在是为了找寻变换模型的最优解。
常用的搜索策略有松弛模型法、牛顿法和共扼梯度法。
d．相似性度量相似性度量是对采用的变换模型的评价。
相似性度量主要是采用参考图像和配准图像之间的共有的特征之间的差异比较的方法来评价配准的情况。
这其中的差异可以包括点位的误差，或者是灰度值相关的差异，还可以是在变换域之间的差异值等等。
最常见的相似性度量是检测特征的欧氏距离。
上述的几个步骤构成了图像配准的基本框架。
许许多多的算法充斥其中产生了种类繁多的配准方法。
下面主要介绍下几种典型的配准算法。
目前典型的配准算法中大致可分成基于灰度、基于特征和基于模型的方法。
基于灰度的配准算法基于灰度的算法中，重点是对图像配准的过程上，而不是特征集的选择上。
很多时候基于灰度的方法都会采用矩形窗口在图像上遍历。
根据窗口的设计，去选取变换的模型，因此如果图像中有比较复杂的变换，则这种方法的适用性就很小了，而且当图像在灰度上的表现比较平滑，那么误配准的情况就会很大。
经典的灰度区域的特征匹配方法主要包括相关系数法、傅里叶变换法、互信息法、最小二乘法以及核线相关法。
（1）相关系数法相关系数是标准化的协方差函数，协方差函数除以两信号的方差便可求得相关系数。
其具体操作过程为：在参考影像上的某点，为了找到他的同名点，这个⨯的区域序列，当然，一般来说n的取值为奇数。
并点为中心，周围选择n n且根据所选取的这个点，大致估计出配准影像上点的位置。
并在配准影像上取等大的配准窗口，这个窗口称为相关窗口。
再用下文将提到的公式计算相关系数。
若相关系数接近１或者-１时就表示二者区域的相关程度非常高。
也就是被认为是同名点。
当相关系数为１是表示完全正相关，当相关系数为-１时，表示二者完全负相关。
其配准过程可以分为几个步骤：⨯的区域作为目标a．首先在参考图像选取以目标点为中心，大小为m n区域T1，并且最好可以确保目标区域的中心处于特征点或者特征地物上。
然后确定搜索区域S1，使得S1中必须要完整的包含一个模板T1，其位置确定可以是采用大致估计，或者粗加工处理后的坐标相对误差来确定。
b．移动模板，模板遍历搜索区域，取相关系数最大的位置，其中心位置被认为是同名点。
其中在找同名点的过程中，可以设定一个阀值，当所求得的相关系数值，不满足阀值，则可表示这个区域内找到的同名点失效。
c．选取下一个区域，照１，２步骤继续选取。
选择足够的同名点作为点集。
d．当点集数量足够的时候便可以进行图像配准了。
配准的方法有很多，比如可以选择多项式拟合等。
该方法最大的优点就是简明易懂，但是这个方法的计算量相对比较大。
而且对点集的选择有要求。
点集不能选择过于集中，最好是可以均匀的分布整个图幅。
虽然这个方法能精确的配准具有平行关系的图像。
但是不适用于图像的尺度和旋转变化大的情况。
而且该方法直接作用在图像强度上，并没有对图像进行结构分析。
所以对图像的强度变化、噪声、明暗变化甚至传感器的类型都很敏感。
（2）互信息法互信息法是最近研究比较多的方法，尤其是在多模态图像配准领域。
互信息法以信息论为基础，用信息熵去衡量两个区域的相似程度。
这个方法可以避免特征点的选取，它可以根据像素的灰度值直接计算相似性度量函数。
或者说是直接用熵来衡量，熵的形式有多种。
其中Shannon 熵的相似性度量是目前运用比较广的。
在信息论中，熵表示的是不确定性的量度，互信息是基于熵的一个概念，两幅图像A ,B 的熵，以及A ,B 的联合熵分别定义为：()()lg ()a H A p a p a =-∑ (5-1)()()lg ()b H B p b p b =-∑ (5-2),(,)(,)lg (,)a bH A B p a b p a b =-∑ (5-3) 其中ａ，ｂ表示图像的灰度值，()p a ，()p b 分别表示像素出现的概率。
而互信息是基于摘的概念，它表征两个随机变量的相关性大小。
在图像范畴则可以看成是两幅图像之间相互包含的程度。
对于两幅图像互信息的定义为：(,)()()()()MI X Y H Y H Y X H X H X Y =-=- (5-4)其中，()(lg(()))H Y Ex P X =-代表随机变量的熵，()P X 为X 的分布概率。
互信息的重要思想是虽然同一个景物不同传感器成像后，灰度值上会有差异，但是在灰度值的变化率或者灰度值的分布上却是基本一致的。
它认为配准图像和参考图像会在配准位置上表现出分布的方差最小。
该表达式可表示为：a ()()()()a b B A b B A n n a b PIU N a N b σσμμ=+∑∑ (5-5)其中N 表示全部像素的数目；a n ，b n 分别表示图像A ,B 重叠区域灰度值为a ，b 的像素数目。
其中：1()()a B A au a B x n Ω=∑ (5-6) 1()()b A B b u b A x n Ω=∑ (5-7) []21()()()a B A B aa B x a n σμΩ=-∑ (5-8) []21()()()b A B A b b A x b n σμΩ=-∑ (5-9)式中()aA B x Ω∑表示图像A 中灰度值为a 的像素在图像B 中对应位置的像素灰度值之和。
()bB A x Ω∑表示图像B 中灰度值为b 的像素在图像A 中对应位置的像素灰度值之和。
根据图像的Shannon 熵的定义：lg i i i H p p =-∑，其中i i N p N= (5-10) 图像的联合熵为：(,)lg ij ij ij H A B p p =-⋅∑，其中ij ij N p N= (5-11) 用()H A ，()H B 表示图像A ，B 的熵，归一化后互信息表示为：(,)()()(,)I A B H A H B H A B =+- (5-12)()()(,)H A H B NMI H A B += (5-13) 联合熵表达了两幅图像联合分布和独立分布之间的距离。
取值的大小表达两幅图像相关性的大小。
当图像配准时，那么这两个灰度的联合熵取得最大值。
同上文介绍的相关系数方法一样，信息熵和相关系数定义了一个配准点集的相似程度。
然后根据两者的相关性或者重叠信息最大的原理进行图像配准。
同时，这两种方法在本质上是一致的，Roche(1998)也证明了送两种方法在统计框架下只是不同参数的最大似然估计。
（3）傅里叶变换方法傅里叶变换方法的主要思想是将图像转换为频域范围内进行考量。
将图像的平移、旋转等变换在频域范围内表达出来。
图像的平移的傅里叶表达为：1112(,)(,)I X X Y Y I X Y ++= (5-14)11()''(,)(,)x y i w X w Y x y x y I w w e I w w += (5-15)很多时候傅里叶方法是和相位相关技术相结合。
相位相关技术是一种基于频域范围的非线性的相关技术。
根据求解频率的相位相关系数可以快速的找到配准点位置。
（4）高精度最小二乘法高精度最小二乘法的主要思想是利用参考影像和配准影像之间的灰度差的均方根最小，为了抵偿两个窗口之间的差异，引入一些变换参数，并且将这些参数纳入到最小二乘的线性化误差方程，进行逐步迭代。
算法步骤可大致分为以下几步。
在参考影像和配准影像上选取对应点。
根据其坐标关系，表达为：201121201121,x a a x a y y b b x b y =++=++ (5-16)a ．根据上述方程可以确定６个待定参数。
首先选取初始值，一般取00a =，11a =，20a =，00b =，10b =，21b =。
b ．重采样。
对初始迭代的结果影像采取双三次内插采样，或者双线性内插采样。
c ．辐射畸变校正。
根据量影像的灰度关系，通过下式进行畸变校正。
2011(,)g h h g x y =+ (5-17)其中2g ，1g 分别是两影像的灰度值，一般都选取00h =，11h =为迭代初值．d ．计算两影像之间的相关系数。
e．利用最小均方根误差原则求畸变参数的改正值。
f．计算其余待定参数。
再从步骤１开始计算。
g．计算最佳配准点位置，以灰度值的重心为目标点利用所求的参数对影像校正。
便可得到配准影像的匹配位置。
若相关系数大于１则跳出。
该算法是在几何上探合了相关系数法和最小二乘法，经过逐步迭代的过程找到两影像间均方根误差最小的位置。
这种算法由于采用了重访迭代过程所以可以获取比较高的精度，但正因为如此，也给该方法带来了比较大的计算量。
基于特征的图像配准算法相对于基于灰度的配准方法而言，基于特征的方法不看重图像上的灰度值，而是从参考影像和配准影像上提取特征元素。
再根据特征元素的对应关系求解变换模型的参数来达到配准的目的。
正是因为如此，所以该方法中，对传感器的种类要求和摄影瞬间光照位置的差异不是很敏感。
同样该方法也包含了特征元素的选择、特征匹配、相似性度量等。
特征元素包括点元素、线元素和面元素。
其中点元素主要是指图像的边缘点、角点甚至线的交点。
线元素则包括线的长度，方向，甚至线的方向作为参数。
面特征通常是采用分割方法得到。
特征匹配是根据参考图像和待配准影像中提化的特征信息以及它的属性，求出两图像之间的几个变换的模型参数。
相似性测度是用来度量参考图像和配准图像之间的待征集的相似性。
他是反映特征匹配中所求参数的准确程度。
同时相似性选择集也是决定配准结果好坏的重要因素。
目前相似性测度主要采用配准基元的两个方面的属性信息：一种是在变换模型约束的条件下参考影像和基准影像之间的空间关系。
一种是两种基元之间的不变描述。
本节主要介绍了基于角点检测和基于图像描述符的配准方法。
角点是指图像边缘曲线上的曲率局部极大值，或者是先设定某个闽值，当曲率大于设定的这个值的时候便认为是角点。