哈工大遥感图像配准报告Word文档格式.doc

1、图像配准中的主要问题就是确定这种映射关系，一般来讲我们将需要进行变换的图像成为输入图像或待配准图像，将用于矫正输入输入图像的图像成为参考图像。图像配准的基本步骤包括：（1） 特征提取：在进行图像配准之前根据实际需要选择图像中待匹配特征。（2） 特征匹配：在确定了来自不同图像的特征集后，建立特征的对应关系。对应关系建立可以通过使用各种特征描述、相似性测量以及空间关联的方法实现。（3） 变换模型估计：通过估计或者最优搜索等方法得到映射函数的类型和参数，以便能够对齐待配准图像和基准图像。（4） 图像重采样和变换：依靠映射函数对输入图像进行图像变换，使用适当的插值算法计算出非整数点坐标的图像值。常用的

2、重采样方法包括：（1） 最近邻重采样法：简单地选择其中心距图像上的点最近的实际像素，然后将这个像素变换到相应的显示网格上。这种技术适用于新图像用于分类的情况，原因是该图像是由原始像素的亮度构成的，只是按照正确的几何关系将像素进行重新排列。（2） 双线性插值法：对于图像中与给定的显示网格位置对应点的周边四个像素使用三次线性插值。（3） 三次卷积插值法：利用周边16个像素，在图像中一点四周各取4个像素，利用三次多项式对这些像素确定的四条线对进行拟合以形成4个插值点，然后利用第5个三次多项式对这四个插值点进行拟合，最终合成在显示网格对应位置的亮度值。利用抽样定理以及由一个离散样本集构建连续函数的方法

3、，可以推导出用于插值的多项式的实用形式。3. 实验步骤（1） 实验图像为：（2） 选取控制点，一共手动选取了20个控制点对： （3） 双线性映射模型为： 利用最小二乘法计算模型参数得：2阶多项式映射模型为:（4） 获得配准结果：双线性映射模型：二阶多项式映射模型：4. 实验结果与分析选取10对同名点进行定量分析：x方向标准差y方向标准差综合标准差0.60200.14000.61800.62700.33520.7110由分析结果可以看出两种模型的处理效果并无明显区别，但在一些边缘部位如图中黄色方框所示，二阶多项式映射模型先比喻会产生一些杂散点。从计算得的标准差来看，双线性模型优于二阶多项式模型，

4、这是因为本次实验中两幅图片的差异主要由于几何平移与旋转造成，不存在扭曲等变化，使用双线性模型更合适，可以保证全局达到最优，而二阶多项式模型只能保证局部参考点最优。5. 实验程序clear all;close all;image1=imread（E:遥感导论实验一subcut1.tif）; %参考图像image2=imread（遥感导论实验一subcut2.tif %输入图像load（controlpoints.mat）testpoints.mat%双线性模型n=size（fixedPoints_control,1）;emin=1;sume=0;RMS=0;jianyan_point=;jbas

5、e_point=;C1=;C2=;for i=1:n jianyan_point=fixedPoints_control（i,: fixedPoints_control（i,:）=; jbase_point=movingPoints_control（i,: movingPoints_control（i,: d=ones（n-1,4）; d（:,1）=fixedPoints_control（:,1）;,2）=fixedPoints_control（:,2）;,3）=fixedPoints_control（:,1）.*fixedPoints_control（: X=movingPoints_con

6、trol（: Y=movingPoints_control（: C1（:,i）=（inv（d*d）*d*X; C2（:*Y; I=jianyan_point（1,1）,jianyan_point（1,2）,jianyan_point（1,1）*jianyan_point（1,2）,1; X_r=C1（:,i）*I; Y_r=C2（: e（i）=（jbase_point（1,1）-X_r）2+（jbase_point（1,2）-Y_r）2; if e（i）1; fixedPoints_control=fixedPoints_control（1:i-1,:jianyan_point;fixedPo

7、ints_control（i:n-1,:）; movingPoints_control=movingPoints_control（1:jbase_point;movingPoints_control（i: else fixedPoints_control=jianyan_point; movingPoints_control=jbase_point; sume=sume+e（i）;endRMS=sqrt（sume/n）C1_bestC2_bestimage1_1=image1（:,:image2_1=image2（:image3=zeros（512,512）;for i0=1:512; for

8、 j0=1: I=i0,j0,i0*j0,1; i=round（C1_best j=round（C2_best if （i=0|j512|j512） image3（j0,i0）=image1_1（j0,i0）; else image3（j0,i0）=image2_1（j,i）; endfigure（1）imshow（image3,）title（配准后图像figure（2）imshow（image1（:,1）,）参考图像figure（3）imshow（image2_1,）待配准图像ex=;ey=;sumx=0;sumy=0;sum=0;10; S=fixedPoints_test（i,1）,fi

9、xedPoints_test（i,2）,fixedPoints_test（i,1）*fixedPoints_test（i,2）,1; M（i）=C1_best*S N（i）=C2_best ex（i）=movingPoints_test（i,1）-M（i）; ey（i）=movingPoints_test（i,2）-N（i）; sumx=sumx+ex（i）2; sumy=sumy+ey（i）2; sum=sum+ex（i）2+ey（i）2;msex=sqrt（sumx/10）msey=sqrt（sumy/10）mse=sqrt（sum/10）% figure,imshow（image1,）% title（）,axis on% figure,imshow（image2,）cpselect（image2,image1）%二阶多项式模型 d=ones（n-1,6）;,4）=fixedPoints_control（:,5）=fixedPoints_control（:,2）.*fixedPoints_control（: X=movingPoints