- 文献综述（或调研报告）：
- 引言
图像配准是指在不同时段，对同一场景从不同视角使用相同或不同的传感器拍摄的有重叠区域图像进行几何校准的过程。图像配准技术是近年来发展迅速的图像处理技术之一，主要用于军事、遥感、医学、计算机视觉等领域。国外从20世纪60年代就开始了对图像配准的研究，而国内从20世纪90年代初才开始涉足此领域。遥感图像配准是遥感图像处理的重要研究内容，也是图像融合、目标变化检测和识别、拼接和镶嵌等过程中必不可少的步骤。它主要包括预处理、特征提取、特征匹配、变换模型求解和图像重采样5个处理步骤。
二、图像配准的方法
1. 基于特征的配准
基于特征的配准是目前使用最多的遥感图像配准方法，它将对整个图像的分析转化为对图像某种特征的分析，大大降低了计算量，且对图像灰度变化及遮挡等有较好的不变性。主要特征元素包括点、线、面，是图像属性的典型代表。
1.1点特征
在各个方向灰度变化都较大的点称为点特征，包含拐点、角点和交叉点等。常用的匹配特征包含基本的点特征和高级描述符。图像特征点检测的重要起点是1977年Moravec提出的角点检测概念，但该检测算子不具备旋转不变性，并且噪声敏感；Harris和Stephens于1988年提出Harris算子，比Moravec算子有更高的检测率和重复率，且对旋转和灰度变化都具有不变性，但不具有尺度不变性；Lowe于1999年提出了尺度不变特征变换（Scale Invariant Feature Transform,SIFT），并在2004年[1]进行了总结完善，使得SIFT特征描述符具有对图像灰度变化、旋转、缩放甚至仿射变换等保持不变性的优点。Baya[2]于2008年提出了SURF（Speeded Up Robust Features）局部算子，引入了积分图像和箱式滤波器以提高配准速度。局部不变性描述子SIFT和SURF以其对灰度变化、旋转、缩放的不变性及对仿射变换的部分不变性，得到了广泛应用，随后涌现了多种提升算法。
- Harris检测算子
Harris检测算子通过计算窗口沿各方向移动后的灰度变化，查找Harris响应局部极值点来确定Harris角点。。当目标像素点的Harris响应值大于给定的阈值时，则该像素点即为Harris角点。易等提出了5维一阶优化梯度滤波的Harris检测器，从而，得到更为精确的亚像素角点。Harris算子检测的角点重复率高且算法简单，在许多遥感图像配准中得到了应用，但其不具有尺度不变性。
- SIFT算法
SIFT算法[1]由尺度空间极值点检测、特征点精确定位、特征点主方向确定和特征描述符生成四步组成。首先，用高斯差分DOG（Different of Gaussian）函数近似拉普拉斯LOG（Laplace of Gaussian）函数，并将其与源图像卷积生成DOG尺度空间。再利用非极大值抑制原理提取极值点，即将每个目标点与同尺度的8－邻域点和相邻尺度图像的9times;2个点共26个点比较（保证在尺度域和空间域均为极值）。图像二维离散空间得到的极值点不一定是真正意义上的极值点，需要剔除不稳定的极值点（响应值低的点和边缘点），并精确定位稳定的极值点。得到具有精确位置的特征点后，采用灰度直方图法确定特征点的主方向，并将以特征点为中心的坐标轴旋转至特征点的主方向；然后，将以特征点为中心的16times;16窗口划分为4times;4个子区域，每个子区域采用灰度直方图法形成一个8维的向量，进而生成了特征空间维数为4times;4times;8＝128维的SIFT特征描述符。
由于SIFT算法的优点，国内外学者提出了许多基于SIFT的提升算法：针对SIFT特征描述符维度高计算量大的问题，2009年Morel提出的ASIFT算法[3]解决了SIFT算法的不完全仿射性问题,；2009年李芳芳等[4]提出了自适应高斯核尺寸选择的方法，从尺度空间构建着手，缩减SIFT算法运算时间；2012年Bu等[5]提出的Radon-SIFT利用局部特征点不同方向36条直线的Radon变换，得到了36维的描述符，实验表明该36维描述符比原始的128维描述符更准确有效。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
