基于SIFT的遥感图像配准方法
基于SIFT算法的遥感图像配准研究
Abstract ：Automatic image registration is a vital yet challenging task,particularly for remote sensing im a g e s . A fully automatic registration approach which is accurate,robust,a n d fast is required. T h e scale-invariant feature trans form algorithm a nd its m a n y variants are widely used in feature-based remote sensing image registration. H o w e v e r ,in
关键词：S I F T 算法；特征 提取 ；图像配准；图像处理 中图分类号:T N 911.7 文献标识码：A d o i ：10. 14016/ki.jgzz.2021.06. 097
Research on remote sensing image registration based on SIFT algorithm
H U A N G H a i b o , L I X i a o l i n g , N I E X i a n g f e i ,Z H A N G Y u e , F E N G L i y u a n Chongqing K e y Laboratory of Geological Environment Monitoring a n d Disaster Early-warning in Three Gorges Reservoir A r e a ,
基于SIFT的图像配准与拼接算法研究
基于SIFT的图像配准与拼接算法研究基于SIFT的图像配准与拼接算法研究摘要：随着图像处理技术的发展，在几何变形比较明显的图像拼接过程中，提高图像配准的精度显得尤为重要。
传统的基于特征匹配的图像配准算法只能解决简单的图像配准问题，在背景复杂或目标遮挡的情况下，常常无法实现准确的配准。
为了解决这一问题，本文提出一种基于SIFT算法的图像配准与拼接方法。
本文首先介绍了SIFT算法的原理及其在图像特征提取中的应用，然后详细阐述了基于SIFT算法的图像配准与拼接过程。
通过利用SIFT算法计算出两幅待拼接图像的特征点，并利用RANSAC算法对这些特征点进行匹配，从而求取出两幅图像之间的变换矩阵。
在得到变换矩阵之后，通过重采样方法将两幅图像拼接在一起。
为了验证本文所提出方法的有效性，我们采用了多组实验数据进行了验证。
实验结果表明，本文提出的基于SIFT算法的图像配准与拼接方法在各种复杂情况下均能够取得较为满意的拼接效果，同时具有较高的配准精度和拼接速度。
关键词：SIFT算法；图像配准；图像拼接；特征点匹配；RANSAC算一、引言随着数字图像处理技术的快速发展，图像拼接技术在遥感、医疗和娱乐等领域得到广泛应用。
图像拼接是将多张具有重叠区域的图像合成一张全景图像的过程，其中最重要的一步就是配准，即通过变换使得不同图像之间的重叠区域对齐。
在实际应用中，常常会遇到图像配准的精度要求较高，传统的基于特征匹配的图像配准算法往往难以实现精确的配准，特别是对于存在背景复杂或遮挡的情况下，更难以实现准确的配准。
SIFT算法作为一种局部特征描述子算法，在图像配准与拼接中具有广泛应用。
SIFT算法不仅能够有效地提取出图像中的关键点和特征描述子，而且对于光照变化、尺度变化、旋转变化等具有很好的鲁棒性。
因此，本文提出了一种基于SIFT算法的图像配准与拼接方法，旨在提高图像配准的精度和图像拼接的效果。
二、SIFT算法原理及其在图像特征提取中的应用SIFT算法是一种局部特征描述子算法，具有对尺度和旋转不变性、抗噪性等优点，能够有效地解决图像配准、目标跟踪、三维重建等问题。
基于SIFT的高分二号全色与多光谱影像配准算法
基于SIFT的高分二号全色与多光谱影像配准算法1. 引言1.1 背景介绍在遥感影像处理中，全色与多光谱影像配准是一项重要的任务。
全色影像具有高空间分辨率和灰度信息丰富的特点，而多光谱影像具有丰富的光谱信息。
将全色影像和多光谱影像进行配准可以获得高质量的融合影像，有利于进行后续的遥感影像分析和应用。
全色影像和多光谱影像具有不同的象元大小和投影系统，导致其直接配准存在困难。
针对这一问题，基于SIFT的配准算法得到了广泛应用。
SIFT算法通过检测图像中的关键点，并计算特征描述子，实现了图像的快速匹配和配准。
本文旨在基于SIFT算法，提出一种高分二号全色与多光谱影像配准算法，通过研究实验设计和实验结果，验证算法的有效性和性能。
最终，通过算法改进，提高配准的准确度和鲁棒性，为遥感影像处理领域的应用提供技术支持。
【字数：200】1.2 研究意义全色影像和多光谱影像在遥感领域中具有重要的应用价值，二者结合后能够获得更加丰富的信息。
全色与多光谱影像之间存在着空间失配的情况，这给后续的遥感影像处理和分析带来了困难。
开展全色与多光谱影像的配准研究具有重要意义。
对全色与多光谱影像进行准确配准可以提高影像的空间精度，有助于更准确地识别和分类地物信息。
配准后的影像可以更好地支撑地理信息系统和遥感监测应用，为资源调查、环境监测等提供重要数据支撑。
全色与多光谱影像的精确配准还可以为影像融合、变化检测等研究提供基础。
通过基于SIFT的高分二号全色与多光谱影像配准算法的研究，可以解决全色与多光谱影像配准过程中存在的问题，推动遥感影像处理技术的发展，提高遥感数据的利用效率和精度。
本研究具有重要的理论和应用意义。
2. 正文2.1 SIFT算法原理SIFT（Scale-Invariant Feature Transform）算法是一种用于图像特征提取和匹配的经典算法，由David Lowe在1999年提出。
该算法主要分为四个步骤：尺度空间极值点检测、关键点定位、关键点方向确定和关键点描述子生成。
基于SIFT的高分二号全色与多光谱影像配准算法
基于SIFT的高分二号全色与多光谱影像配准算法摘要：高分辨率遥感影像的配准是遥感图像处理的重要环节之一。
本文针对高分二号全色与多光谱影像，提出了一种基于尺度不变特征转换（SIFT）的配准算法。
通过对SIFT 算法的原理和特点进行详细介绍，并结合高分二号遥感影像的特点，设计了相应的配准流程。
在此基础上，利用MATLAB对影像进行实验，取得了较好的配准效果。
一、引言高分辨率遥感影像在土地利用规划、自然资源调查、环境监测等领域有着广泛的应用。
由于高分辨率遥感影像受到大气、地形的影响，容易产生大量失配问题，因此影像配准是进行遥感图像处理的基础。
全色与多光谱影像融合是一种常用的处理手段，然而在进行影像融合前，需要对全色与多光谱影像进行准确的配准。
传统的配准方法往往需要依靠标定点或者人工干预，效率低且易受误差影响。
本文引入了一种基于尺度不变特征转换（SIFT）的配准算法，以提高全色与多光谱影像的配准效果和效率。
二、SIFT算法原理SIFT算法是由David Lowe于1999年在《International Journal of Computer Vision》上提出的，是一种基于局部特征的图像配准算法。
SIFT算法具有尺度不变性和旋转不变性，可以在不同尺度、角度下检测到相同的特征点，因此在遥感影像配准中具有很好的效果。
SIFT算法的思想是先检测出影像中的关键点，然后提取关键点周围的局部特征，最后通过特征匹配实现影像配准。
SIFT算法的主要步骤包括尺度空间极值检测、关键点定位、方向确定、关键点描述和特征匹配。
尺度空间极值检测是通过高斯差分来检测图像中的关键点，关键点定位是通过对极值点进行精确定位，确定关键点周围的尺度和位置。
方向确定是为了确保关键点具有旋转不变性，通过关键点周围的梯度方向来确定主方向。
关键点描述是指通过关键点周围的像素值来构建关键点的特征向量，以便进行特征匹配。
三、高分二号影像特点高分二号卫星是我国自主研制的一种多用途遥感卫星，搭载了高分辨率的全色和多光谱相机，在土地利用规划、城市规划、环境保护等领域有着广泛的应用。
基于SIFT的高分二号全色与多光谱影像配准算法
基于SIFT的高分二号全色与多光谱影像配准算法基于SIFT（尺度不变特征转换）的高分二号全色与多光谱影像配准算法，是一种用于将高分二号全色影像与多光谱影像进行配准的方法。
全色影像通常具有很高的空间分辨率，而多光谱影像则具有较高的光谱分辨率。
通过将这两种影像进行融合，可以得到既有高空间分辨率又有高光谱分辨率的影像数据，对于地物的提取和分析具有重要的作用。
全色与多光谱影像的配准问题成为了遥感图像处理中的一个重要研究方向。
SIFT算法是一种用于图像特征提取与匹配的方法，具有尺度不变性、旋转不变性和仿射不变性的特点。
在SIFT算法中，首先通过高斯金字塔方法计算图像的尺度空间，然后在每个尺度空间中通过差分高斯函数对图像进行滤波，得到关键点。
在得到关键点之后，通过主曲率来确定关键点的主方向，进而计算关键点的特征向量。
通过比较特征向量之间的欧氏距离来进行特征匹配。
在高分二号全色与多光谱影像的配准算法中，首先需要对全色影像和多光谱影像进行尺度空间的计算和特征向量的提取。
然后，通过比较全色影像和多光谱影像的特征向量之间的欧氏距离，找到最佳的匹配点对。
通过计算匹配点对之间的变换矩阵，将全色影像与多光谱影像进行配准。
该算法具有以下特点和优势：1. 尺度不变性：SIFT算法使用尺度空间来提取特征向量，具有很好的尺度不变性，可以适应不同尺度的影像数据。
2. 抗干扰性：SIFT算法通过特征向量之间的欧氏距离来进行特征匹配，可以有效地抵抗噪声和干扰。
3. 计算效率高：SIFT算法通过高斯金字塔来计算尺度空间，可以有效地减少计算量，提高计算效率。
4. 高精度：SIFT算法通过特征匹配和变换矩阵计算，可以得到高精度的配准结果。
基于SIFT的高分二号全色与多光谱影像配准算法具有很好的性能和效果，能够有效地实现全色影像和多光谱影像的配准。
通过该算法可以提高遥感图像处理的精度和效率，为地物提取和分析等应用提供了可靠的数据基础。
基于SIFT算法的图像配准算法研究的开题报告
基于SIFT算法的图像配准算法研究的开题报告一、选题背景和意义图像配准是从不同视角、不同时间或不同传感器捕获的两幅或多幅图像之间搜索相互对应的像素点的过程。
图像配准已经成为计算机视觉、机器人、医学、遥感等领域中的一个重要问题，涉及到无人机监测、医学影像、安防监控等领域。
SIFT（Scale-Invariant Feature Transform）算法是一种基于局部特征的图像配准算法，具有旋转不变性、尺度不变性、光照不变性等优点，在图像匹配、目标检测和识别等方面有着广泛应用。
因此，本文旨在研究基于SIFT算法的图像配准算法，以提高其在实际应用中的性能。
二、研究内容和方法2.1 研究内容本文将研究基于SIFT算法的图像配准方法，主要包括以下内容：1）SIFT算法理论基础及其算法流程；2）SIFT特征点检测、匹配、筛选及配准的方法；3）针对SIFT算法存在的问题进行优化改进，并在实验中进行验证；4）对不同场景下的图像进行配准实验，并对比分析不同算法的性能。
2.2 研究方法本文将采用以下研究方法：1）阅读相关文献，深入理解SIFT算法及其在图像配准中的应用；2）实现SIFT算法，并在大量数据集上进行实验验证；3）对SIFT算法进行优化改进，并在实验中进行比较；4）在不同场景下选用典型的图像进行实验，并进行结果比较和分析。
三、预期结果及创新点本文预期的结果为：1）研究并深入理解SIFT算法及其在图像配准中的应用；2）通过实验验证，得出不同情况下SIFT算法在图像配准中的表现并进行比较；3）提出改进之后的SIFT算法并在实验中进行验证；4）分析比较各种算法的优缺点及应用场景。
本文的创新点如下：1）针对SIFT算法在图像配准中存在的问题进行优化改进；2）研究不同场景下的图像配准效果，并进行比较分析；3）根据实验结果和理论分析，结合实际应用场景提出优化的SIFT算法，提高图像配准的准确率和效率。
四、进度安排本文的研究进度安排如下：1）第一周：阅读相关文献，制定研究计划和实验方案；2）第二周至第四周：实现SIFT算法，进行基本的图像特征点检测、匹配和配准；3）第五周至第七周：针对SIFT算法的优化改进，并对比分析实验结果；4）第八周至第十周：对不同场景下的图像进行实验，进行结果比较和分析；5）第十一周至第十二周：撰写论文初稿，并进行修改和完善；6）第十三周：进行论文的最终修改和定稿。
基于SIFT算法在图像配准上的应用研究和实现
组网 结构 简单 ，系 统稳 定性 高， 网络适 应 能力强，在系统功能 、需求发生 重大变 好石 可 以灵 活应对 ，且该承载技术具备 良好 的扩展 能力 。在 建设初期可 以为设备 留足端 口，基于 多点对 点的接入方式确保 了监控系统具有 良好 的扩 容 性 。
３．３ Ｐ０Ｎ传输 大大节约了建设 成本
描 述 子 具 有 非 常 强 的 稳 健 性 ｓＩＦＴ特 征对 应尺 度 、旋 转 和亮度 都 具 有 不 变性 ， 因此 它 可 以 用 于 可 靠 匹配 。图像 配 准 时对 图像 进 行 变换 ，使得 变换后 的 图像 能 够 在 常见 的 坐标 系中对 齐。 配准 可 以是严 格 配准 ，也可 以是 非严格 配准 ，为 了能够 进行 图像 对 比 和 更精 细的 图像 分析 ， 图像 配准是 一 步 非常 重要 的操 作 。本文 针对
近 些年 来 ，随着 科技 的不 断 飞速 发展 ，
准方法三大类方法 。在基 于特 征的图像配准方 法 中 ，１９９９年 由 Ｌｏｗｅ提 出 并 在 ２００４年 改 进
图像拼接技术 成为计算机图像处理、计算机视 完 善 的 ＳＩＦＴ算法对 图像旋转 、 比例缩 放、光 觉等领域 的研 究热点。图像拼接在虚拟现实 、 照变化表现 出较 强的鲁棒 性，并能提 取出较多 遥感技术和军 事领域 都有很多的应用。获取到 的特征点 。
＜＜上 接 １０１页
效和无 丢帧传 输，为监控 中心数据 的完整 获取 用 于安防行业监控视频及 图形信息的传输 ，不 范 围内减 少改 造难 度， 降低工 程 造价 。基于
刨造 了 良好 的条件 。
仅 能够 加快 数据的传输速度， 同时也能够满足 ＰＯＮ 网 的传 输技 术方 案适用 新建 全新视 频 网
基于SIFT的高分二号全色与多光谱影像配准算法
基于SIFT的高分二号全色与多光谱影像配准算法摘要：在遥感影像领域，全色与多光谱影像融合在一起可以提供更加丰富的信息，因此配准全色与多光谱影像成为了一个重要的问题。
本文基于尺度不变特征变换（SIFT）算法，针对高分二号卫星影像，提出了一种基于SIFT的全色与多光谱影像配准算法。
该算法首先对两幅影像进行SIFT特征提取，然后通过特征匹配和几何变换实现影像配准。
通过对实际影像进行实验验证，证明了该算法在配准精度和计算效率上的优越性。
关键词：SIFT算法；全色与多光谱影像；配准；特征提取；特征匹配一、引言近年来，随着卫星航天技术的不断发展，遥感影像在农业、环境监测、城市规划等领域得到了广泛的应用。
全色与多光谱影像融合是一种常见的图像融合技术，能够充分发挥全色影像的空间分辨率和多光谱影像的光谱信息，提供更加丰富的信息，因此在遥感影像的处理和应用中具有重要意义。
全色与多光谱影像融合的关键问题之一就是影像配准。
传统的影像配准方法主要基于像素级的配准，即通过寻找相互对应的像素点实现影像配准。
但是这种方法在存在大幅度旋转、缩放和视角变化的情况下，往往无法有效完成影像配准。
如何实现高精度和鲁棒性的全色与多光谱影像配准成为了一个重要的问题。
尺度不变特征变换（SIFT）算法正是一种能够有效解决这一问题的方法。
二、方法2.1 SIFT特征提取SIFT算法主要包括关键点检测和描述子生成两个部分。
在关键点检测阶段，SIFT算法使用高斯差分金字塔寻找图像中的极值点作为关键点。
在描述子生成阶段，SIFT算法将关键点周围的像素点灰度值构成的局部邻域划分为小块，并计算这些小块的梯度方向直方图作为关键点的描述子。
这些描述子具有尺度不变性和旋转不变性，能够在一定程度上保持特征点的稳定性。
在本文中，首先对全色影像和多光谱影像分别进行SIFT特征提取，得到它们各自的关键点和描述子。
2.2 特征匹配在得到全色影像和多光谱影像的SIFT特征后，接下来需要进行特征匹配。
- 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)。
基于 SIFT 的遥感图像配准方法*
邓传斌1, 郭 雷1* , 李 维2
1. 西北工业大学自动化学院, 西安 710129; 2. 西安工业大学电子信息工程学院, 西安 710032
摘 要: 针对多传感器遥感图像 配准问题, 改进了一种基于 SIF T 的图像自 动配准方法。首先提取图像中适应 尺度变化的 局
直方图的范围是 0~ 360 , 其中每 10 一个柱, 总共 2 4 特征点描述
36 个柱。直方图的峰值则代表了该特征点的方向。
首先将坐标轴旋转为特征点的方向, 对任意一
17 44
传感技术学报
2以特征点为中心 的 16* 16 大小的邻域, 再将此邻域均匀地分成 4* 4 个子区域, 对每个子区域计算梯度方向直方图; 然 后, 对 4* 4 个子区域的 8 个方向梯度直方图根据位 置依次排序, 这样就构成了一个 128 维的向量, 然后 将特征向量长度归一化, 该向量就是 SIF T 特征点 描述。
本文采用尺度不变特征点来配准多传感器图像 和不同分辨率图像。配准过程包括: 不变特征点的
项目来源: 国家自然科学基金资助( 60802084) 收稿日期: 2009 07 20 修改日期: 2009 08 06
第 12 期
邓传斌, 郭 雷等: 基于 SIFT 的遥感图像配准方法
1 743
提取, 最近邻特征点距离与次近邻特征点距离之比 要和它所有的相邻点比较, 看其是否比它的图像域
为了有效地在尺度空间检测到稳定的特征点, 提出了高斯差分尺度空间。利用不同尺度的高斯差
缘的地方有较大的主曲率, 而在垂直边缘的方向有
较小的主曲率。主曲率通过一个 2* 2 的 H essian 矩阵 H 求出:
Dxx Dxy
H=
( 5)
D xy D yy
导数由采样点相邻差来估计得到。
D 的主曲率和 H 的特征值成正比, 令 为最大
m( x , y ) = ( L( x + 1, y) - L ( x - 2, y ) ) 2 + ( L( x , y + 1) - L ( x , y - 1) ) 2
( 9)
( x , y ) = t an2( ( L( x , y + 1) - L ( x , y - 1) ) / ( L ( x + 1, y ) - L ( x - 1, y ) ) )
轻微扭曲的图像 可以进行配准, 配准的速 度较快。 缺点是算法复杂, 而且往往由于特征提取的不完全, 导致匹配率较低[ 1] 。目前, 对于同一传感器、不同时 段、视角变化不大的卫星遥感图像的匹配技术已经 比较成熟, 提取了一些经典 特征提取算法。比如: Susan 算子、H arris 算子等[ 2 ] 。对于不同分辨率、多 传感器图 像之 间 的配 准 是目 前 研究 的 热 点和 难 点[ 3 ] 。目前提出的方法大 多是基于 多尺度 H arris 角点检测特征提取算法的图像匹配技术[ 4] 。
示为( m1i , m2j ) , 其中 m1i 是第一幅图像上的特征点, m2j 是第二幅图像上的特征点; 然后再定义两个分别 以点 m1i 和 m2 j 为中点, R 为半径的邻域 N ( m1i ) 和 N ( m2j ) 。如果( m1i , m2j ) 是一个正确的匹配点对, 那 么在这两个邻域内就必然存在更多正确的匹配点对
特征值, 为最小的特征值, 则
T r( H) = D xx + D yy = +
( 6)
D et ( H) = D xx D yy - ( D xy ) 2 =
( 7)
令 = , 则:
T r( H) 2 Det( H)
=
(
+
)2 = (
+
2
)2 =
(
+
1)
2
(
8)
分核与图像卷积生成。DOG 算子定义为两个不同 尺度的高斯核的差分, 其具有计算简单的特点, 是归 一化 L OG 算子的近似。DOG 算子表示为:
部不变特征点, 提出了利用最近邻特征点距离 与次近邻特征点距离之比的互对应约束得到初始匹配点对, 然后利用 R A NSA C
( Rando m Sample Co ncensus) 算法 删除误匹配特征点对。试验结果表明: 该 方法能够实 现多传感 器遥感图像 和不同 分辨率 图
像的自动配准。
关键词: 图像配准; SIFT ; 互对应约束; RA NSA C
的互对应约束得到匹配点集, 用最小二乘法进行变 和尺度域的相邻点大或者小。中间的检测点和它同
换参数估计。
1 尺度空间表示
尺度的 8 个相邻点和上下相邻尺度对应的 9* 2 个 点共 26 个点比较, 以确保在尺度空间和二维图像空 间都检测到极值点。
数字图像的离散形式通过尺度参数的离散化表 示, 所以尺度空间是由一系列离散化的不同分辨率 的图像组成。T . Lindeberg 等[ 5 8] 证明尺度空 间可
中图分类号: TP391 4
文献标识码: A 文章编号: 1004 1699( 2009) 12 1742 06
图像配准是同一场景的两幅或多幅图像在空间 上的对准。它在医学, 遥感图像分析、图像融合、图 像检索、目标识别等领域得到广泛的应用。同时它 也是多传感器图像融合、遥感图像镶嵌、目标变化检 测、三维重建等领域中提高精度和有效性的瓶颈, 是 必需的前期工作。图像配准方法分为基于图像灰度 和基于图像特征的配准。基于图像灰度的配准方法 实现简单, 但配准速度比较慢。基于图像特征的配 准方法有效地消除了由于背景或局部环境、光照等 造成的局部辐射失真引起的误匹配, 对图像的旋转、 缩放和光照强度变化等不敏感, 对含有一定噪声和
子。取不同的尺度因子 可以得到一系列图像。由
公式( 1) ( 2) 可以看出: 当尺度 = 0 时, G( x , y ; 0) 为 一个脉冲函数。因此, 图像 I ( x , y ) 与零尺度下的高
斯核卷积是图像本身。即:
L ( x , y ; 0) = G( x , y; 0) * I ( x , y ) = I ( x , y ) ( 3)
像降采样得到。
2 SIFT 特征的提取与描述
阈值 下, 只要检测
Tr( H) 2 Det( H)
<
(
+
1) 2
在 L ow e[ 9] 的文章中, 取 = 10。
2 3 特征点方向分配
利用特征点邻域像素的梯度方向分布特性为每
2 1 尺度空间极值点检测 为了寻找尺度空间的极值点, 每一个采样点都
个特征点指定方向参数, 使算子具备旋转不变性。 式( 9) 、( 10) 分别为( x , y ) 处梯度的模值和方向
( 10)
公式。其中 L 所用的尺度为每个特征点各 自所在 在梯度方向直方图中, 当存在另一个相当于主峰值
的尺度。
80% 能量的峰值时, 则将这个方向认为是该点的辅
在实际计算时, 以特征点为中心的邻域窗口内 方向。一个特征点可能会被指定具有多个方向, 这
采样, 并用直方图统计邻域像素的梯度方向。梯度 可以增强匹配的鲁棒性。
第 22 卷 第 12 期 2009 年 12 月
传感技术学报
CHINESE JOURNAL OF SENSORS AND ACTUAT ORS
Vol. 22 No. 12 Dec. 2009
Remote Sensing Image Registration Algorithm Based on SIFT*
( + 1) 2 的值在两个特征值相等的时候最小, 随 着 的增大而增大, 因此, 为了检测主曲率是否在某
D( x, y, ) = ( G( x, y, k ) - G( x, y, ) ) * I ( x , y)
= L( x, y, k ) - L( x, y, )
( 4)
图像金字塔的构建为下一组的图像由上一组图
Abstract: T o reso lve m ulti sensor remo te sensing image regist rat ion, an met hod based on scale invariant fea t ures tr ansf or m( SIFT ) is proposed. F irst , t he local invariant f eat ures of images are ex t ract ed, Rat io of the first and t he second near est neig hbor dist ance w it h m ut ual corr espo ndence co nstr aint is used t o set up the init ial co rrespondences. T hen, Random Sample Concensus alg orit hm is used t o rem ove t he mism at ched fea t ure point s. Experiment s demonst rat e aut omat ic regist rat ion of mult i senso r remot e sensing images and im ag es w it h dif ferent resolut ions can be achiv ed. Key words: im age registr at ion; scale inv ar iant f eat ures t ransf orm; mutual correspond dence const raint; Ran dom Sam ple Co ncensus EEACC: 7230G
2 2 确定极值点位置 通过拟合三维二次函数以精确确定特征点的位