基于多小波分析理论的图像配准

摘 要：提出了一种利用多小波进行图像分解和基于特征相似性的图像配准方法。实验结果表明，该算法在减小计算复杂性和增强稳健性等方面得到较好的效果。

关键词：图像配准;多小波;特征提取;不变描述子

1 引言

图像配准方法主要可以分为三大类：基于灰度的图像配准方法、基于特征的图像配准方法和基于模型的图像配准方法。本文将多小波变换和基于特征的图像处理方法相结合，并应用了一种新的相似性度量标准，实验结果证明了该方法的优点和有效性。

2 基于图像特征的配准方法概述

基于特征的图像配准算法对图像的处理步骤一般包括：图像预处理、图像特征提取、图像特征匹配、变换模型选取及求取参数、坐标变换和插值五步。特征的提取实质上是运用图像分割技术和模式识别等技术对图像中稳健的特征信息进行提取，点、线、面是三种最常提取的特征基元。

3 基于特征的图像配准方法

本文首先采用GHM多小波对图像进行分解，再采用区域特征提取算法，对分解后图像的区域特征进行提取，引用了区域特征的仿射不变距作为不变描述子对所提取特征进行描述，以此定义相似性测度准则，最后，利用匹配区域特征对所对应的重心点坐标来求取仿射变换模型参数，完成图像的最终匹配。首先，利用GHM多小波对参考图像和待配准图像进行一层多小波分解;其次，对一层多小波分解后的含有图像低频分量的子图像采用基于Mean-Shift分割算法的区域特征提取方法，在合適的满足性条件下，对图像的区域特征进行提取，将所提取出的区域记为配准基元;再次，采用七个仿射不变矩作为不变描述子，分别对上一步设定的配准基元进行一一描述，以描述所得的仿射不变矩的最大距离为依据，定义特定的相似性测度，测量配准基元的相似性，从而获得相似性矩阵，从该矩阵中提取相似性测度值最大的六对区域特征，作为初始匹配区域特征;最后，运用穷举策略，从初始匹配区域特征中，找到三对性能最佳的初始匹配特征对作为最终匹配区域特征，并取其重心点的坐标值作为配准计算的参数值，结合最小二乘算法，估计得出最优的仿射变换模型参数。

4 实验结果

以下为参考图像和待配准图像以及它们分别经过GHM多小波一层分解后的效果图：

以下为对图像采用基于Mean-shift图像分割算法的特征提取的效果图：

以下为最终配准结果图：

从实验结果可以看出，本文所提出的采用GHM多小波对图像进行分解，再采用基于Mean-shift图像分割技术的区域特征提取方法，仅仅针对图像的低频部分进行提取特征，并采用一种改进的基于不变描述子的图像配准算法是有效的。

参考文献

[1]B.Zitova and J.Flusser.Image registration methods： A survey[J].Image and Vision Computing， 2003， 21： 977-1000.

[2]E.J.M. Rignot， R. Kowk， J.C. Curlander， S. Pang Automated（1991）. Multi-sensor registration requirements and techniques：Photogrammetric Engineering and Remote Sensing，57 ， pp. 1029–1038

[3]吕金建，文贡坚，王继阳，李德仁.一种改进的基于不变描述子的图像自动配准方法.《信号处理》，已录用，2009年第 1 期发表.

[4]D.Comaniciu and P.Meer. Mean shift： a robust approach toward feature space

作者简介

谢雨竹（1990-），女，蒙古族，甘肃省，初级通信工程师，硕士研究生，中国移动通信集团内蒙古有限公司，质量管理。