《Image registration methods: a survey》论文阅读
摘要
本文旨在回顾近期以及经典的图像配准方法。图像配准是在不同时间、从不同视点和/或由不同传感器覆盖两个或更多个相同场景的图像的过程。配准几何对齐两个图像（参考图像和感测图像1）。根据它们的性质分类（基于区域和基于特征的）的方法做综述，并根据图像配准过程的四个基本步骤：特征检测，特征匹配，映射函数设计，图像变换和再采样 。本文提到了这些方法的主要贡献，优点和缺点。还讨论了图像配准的问题和未来研究的展望。本文的主要目标是为参与图像配准的研究人员提供全面的参考资料，无论其具体应用领域如何。
关键词：图像配准；特征检测；特征匹配；映射功能；重采样
1. 介绍
图像配准是从不同视点和/或通过不同传感器覆盖在不同时间拍摄的相同场景的两个或更多个图像的过程。它在几何上对齐两个图像 - 参考图像和感测图像。由于不同的成像条件，介绍了图像之间的现有差异。图像配准是所有图像分析任务中的关键步骤，其中最终信息是从图像融合，变化检测和多通道图像恢复等各种数据源的组合中获得的。通常，配准被应用在遥感领域中（多光谱分类，环境监测，变化检测，图像拼接，天气预报，创建超分辨率图像，将信息整合到地理信息系统（GIS）），在医学中（结合计算机断层扫描（CT）和核磁共振数据，以获得有关患者的更完整信息，监测肿瘤生长，治疗验证，患者数据与解剖图谱的比较），在制图（地图更新）和计算机视觉（目标定位，自动质量控制）中，仅举几例。
在过去的几十年中，图像采集设备经历了快速发展，并且所获得的图像的数量和多样性的增加引起了对自动图像配准的研究。 Brown于1992年 发表了一项关于图像配准方法的综合调查。我们的文章的目的是涵盖后面介绍的相关方法，并以这种方式绘制配准技术的当前发展。根据科学信息研究所（ISI）的数据库，在过去的10年中，发表了1000多篇关于图像配准的论文。1992年之前出版的方法成为经典或引入仍在使用的关键思想，也还继续包括在内，并提供图像配准研究的完整视图。我们不打算详细讨论特定算法或描述比较实验的结果，而是想总结主要方法并指出配准方法的有趣部分。
在第2节中，将讨论图像配准的各个方面和问题。第3节介绍了基于区域和基于特征的特征选择方法。第4节回顾了现有的特征匹配算法。映射函数设计的方法在第5节中给出。最后，第6节调查了图像转换和重采样的主要技术。第7节介绍了图像配准精度的评估。第8节总结了配准方法研究的主要趋势，并提出了未来展望。
8. 当前的趋势和未来展望
在整合和分析来自各种来源的信息时，图像配准是最重要的任务之一。它是图像融合 ，变化检测 ，超分辨率成像 以及建立图像信息系统 等的关键阶段。本文对经典和最新的配准方法进行了调查，根据其性质以及根据四个主要配准步骤对其进行分类。虽然已经完成了很多工作，但自动图像配准仍然是一个悬而未决的问题。具有复杂的非线性和局部失真，多模式配准以及N-D图像的配准（其中N > 2）的图像的配准属于此时最具挑战性的任务。
当配准具有非线性、局部相关的几何失真的图像时，我们面临两个基本问题 - 如何匹配CP以及用于配准的映射函数。虽然第二个可以通过使用适当的径向基函数至少在理论水平上解决，但第一个问题由于其性质通常是不可解决的。由于图像间变形可以是任意的，我们不能使用任何自动匹配方法。这里的另一个概念问题是我们如何区分图像变形和场景的真实变化。
在多模配准中，MI技术已成为标准参考，主要用于医学成像。然而，作为一种基于区域的技术，MI具有主要局限性。为了克服它们，一些作者将MI与其他（最好是基于特征的）方法相结合，以获得更高的鲁棒性和可靠性。为了加速计算，他们经常使用金字塔图像表示以及快速优化算法。不幸的是，当图像具有显着的旋转和/或缩放差异时，这些方法要么失败要么变得极其昂贵。该领域的未来发展可以更加关注基于特征的方法，其中适当的不变性和模态不敏感特征可以为配准提供良好的平台。此外，我们相信在遥感中很快会出现利用特定传感器特性的新的特定应用方法。
N-D图像配准的主要困难在于其计算复杂性。虽然计算机的速度一直在增长，但是减少方法计算时间的需求仍然存在。方法的复杂性以及数据的大小仍在增长（分辨率越高，维度越高，扫描区域的尺寸越大）。此外，对更高稳健性和配准准确性的需求通常强制利用迭代或回溯的解决方案，这也产生了该方法的计算复杂性的增加。
将来，能够识别给定任务类型并自行决定最合适的解决方案的最终配准方法的想法可以促进专家系统的发展。它们将基于各种方法的组合，寻求特定结果的共识。
- 或称浮动图像/移动图像 ↩︎