文章编号：１６７２—８７８５（２０１０）１０—０００１—０６
遥感图像配准方法研究——综述
苏清贺 程 红 孙文邦
（中国人民解放军空军航空大学特种专业系，吉林长春１３００２２）
摘 要：图像配准技术是近年来发展迅速的图像处理技术之一，是图像融合、图像镶
嵌、超分辨率图像处理等领域所不可缺少的关键步骤。对遥感图像自动配准领域出现
的最新技术进行了总结，并将图像配准方法分为三类：基于区域灰度的配准方法、基
于图像特征的配准方法和基于对图像的理解和解释的配准方法。从原理和配准性能上
对各类方法进行了分析，并指出了它们各自的优势和存在的问题。
关键词：图像配准；特征选择；算法
中图分类号：ＴＰ７５１ 文献标识码：Ａ ＤＯＩ：１０．３９６９￣．ｉｓｓｎ．１６７２—８７８５．２０１０．１０．００１
Ｏｖｅｒｖｉｅｗ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｍｅｔｈｏｄｓ
ｓｕ Ｑｉｎｇ—ｈｅ，ＣＨＥＮＧ Ｈｏｎｇ，ＳＵＮ Ｗｅｎ—ｂａｎｇ （Ｄｅｐａｒｔｍｅｎｔ ｏｆ ｓｐｅｃｉａｌｔｙ，Ａｖｉａｔｉｏｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｉｒ Ｆｏｒｃｅ Ｃｈａｎｇｃｈｕｎ １３００２２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ： Ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｔｅｃｈｎｏｌｏｇｉｅｓ ｄｅｖｅｌｏｐｅｄ ｒａｐｉｄｌｙ ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ．Ｉｔ ｉｓ ａｎ ｅｓｓｅｎｔｉａｌ ｓｔｅｐ ｉｎ ｔｈｅ ｆｉｅｌｄｓ ｏｆ ｉｍａｇｅ ｆｕｓｉｏｎ，ｉｍａｇｅ ｍｏｓａｉｃ，ａｎｄ ｓｕｐｅｒ—ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｅｔｃ．Ｔｈｅ ｎｅｗ ａｕｔｏｍａｔｉｃ ｒｅｇｉｓｔｒａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｉｅｓ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ａｒｅ ｓｕｍｍａｒｉｚｅｄ． Ｔｈｏｓｅ ｔｅｃｈｎｏｌｏｇｉｅｓ ａｒｅ ｄｉｖｉｄｅｄ ｉｎｔｏ ｔｈｒｅｅ ｃａｔｅｇｏｒｉｅｓ：ｇｒａｙ ｌｅｖｅｌ—ｂａｓｅｄ ｒｅｇｉｏｎａｌ ｒｅｇｉｓｔｒａｔｉｏｎ，ｉｍａｇｅ ｆｅａｔｕｒｅ— ｂａｓｅｄ ｒｅｇｉｓｔｒａｔｉｏｎ，ａｎｄ ｉｍａｇｅ ｕｎｄｅｒｓｔａｎｄｉｎｇ ａｎｄ ｅｘｐｌａｎａｔｉｏｎ—ｂａｓｅｄ ｒｅｇｉｓｔｒａｔｉｏｎ．Ｔｈｅｉｒ ｐｒｉｎｃｉｐｌｅｓ ａｎｄ ｒｅｇｉｓｔｒａｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ａｒｅ ａｎａｌｙｚｅｄ ａｎｄ ｔｈｅｉｒ ａｄｖａｎｔａｇｅｓ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ ａｒｅ ｐｏｉｎｔｅｄ ｏｕｔ ｆｉｎａｌｌｙ．
Ｋｅｙ ｗｏｒｄｓ：ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ；ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ；ａｒｉｔｈｍｅｔｉｃ
１引言
经过数十年的发展，图像配准技术已经成
为越来越受关注的图像处理技术之一。图像配准
是对取自于不同时间、不同传感器或不同视角
的同一景物的两幅或多幅图像进行匹配和叠加
的过程。图像配准技术在图像融合、图像镶嵌、
超分辨率图像处理等领域得到了广泛应用。图
像配准的目的是根据图像的几何畸变特点，将
待配准图像变换到与参考图像相统一的坐标系
中。随着全球遥感图像数据量的迅速增加，研 究快速、有效、高精度的自动配准方法已经成为
遥感信息获取中迫切需要解决的问题。
２遥感图像配准的发展现状及基本内
容
根据不同的标准，图像配准有很多分类方
法，但总的来说，可以大致分为三类：基于区域
灰度的配准方法、基于图像特征的配准方法和基
于对图像的理解和解释的配准方法。其中，前两
类为图像自动配准方法。基于区域灰度的配准方
法是直接计算出图像间区域像素的灰度差值，认 为相同部分的灰度差值最小。该方法简单、直观，
收稿日期：２０１０－０５－０８ 作者简介：苏清贺（１９８６一），男，辽宁辽阳人，硕士研究生，主要研究方向为数字图像处理。Ｅ—ｍａｉｌ：４９４３９７６７０＠ｑｑ．ｃｏｍ
ｈｔｔｐ：／／ｊｏｕｒｎａ１．ｓｉｔｐ．ａｃ．ｃｎ／ｈｗ ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶｏＬ．３１，Ｎｏ．
１０，ＯＣＴ ２０１０ 但计算量很大，而且在图像有较大的旋转、光照
以及色彩差异等情况下往往会失败。为了克服
这一缺点，人们提出了基于图像特征的配准方
法，即首先从待配准图像中提取含有图像重要
信息的特征（点、线、面），再用相似性度量进行
图像间的特征匹配。该方法对于图像畸变和遮
挡等具有一定的鲁棒陛，但是其匹配性能在很
大程度上取决于特征提取质量，而且容易受到
噪声的影响。而基于对图像理解和解释的配准
方法涉及到计算机视觉、模式识别、人工智能等
众多领域，目前尚不成熟。
图像配准技术主要包括四个内容［ 】：特征
空间、搜索空间、搜索策略和相似性测度。特征
空间指的是从图像中提取的用于匹配的信息；
搜索空间是指用来校准图像的图像变换集；搜索
策略决定如何在这个空间中选择下一个变换，
以及如何测试并搜索出最优变换；相似性测度
则决定每一次配准测试中的相关特性。
３遥感图像配准方法
３．１基于区域灰度的配准方法
以往的研究中已经出现了很多基于区域灰
度的配准方法【 。目前，此类方法比较成熟，
形式也多种多样，下面对其中几种经典的方法
进行比照分析。
３．１．１、互相关法
１９８２年，Ｒｏｓｅｎｆｅｌｄ提出了交叉相关法，该相
关法是基于灰度统计的最基本图像配准方法。
它是一种匹配度量，给出了一幅图像与一个模板
的相似程度。交叉相关法又称作互相关法，是通
过计算模板图像和搜索图像之间的互相关值来
确定匹配程度的。其中，互相关值最大时的搜索
窗口位置决定了模板图像和待匹配图像中的位 置。在进行模板匹配处理时，一般先将待配准分
块图像窗口定义为模板图像，再将基准图像划分
成若干个大小与模板图像相同的临时窗口，并给
出起始坐标值；然后通过在基准图像上移动模板
图像，计算出它与基准图像窗口的相关值；最后
采用循环比较的计算方法，搜索最大相关值所处
的位置，其坐标即为配准控制点坐标，与待配准
ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶＯＬ．３１，Ｎｏ．１０，ＯＣＴ ２０１０ 图像中的相应坐标构成配准点对。其中，相关值 可通过式（１）来计算。
∑∑［（Ａ 一＿）（Ｂ 一 ］ Ｃ（Ａ，Ｂ）＝ — 皇 ——１—————一 、／薹 （ 一＿） ＼／薹妻（ 一
式中， 和Ｂ 分别为基准图像和待配准图像
的对应像素值， 和百分别为两幅图像的像素
平均值。该方法的思路比较简单，易于实现，但
其计算量很大，而且在图像有较大的旋转、光
照以及色彩差异等情况下配准往往会失败。对
于存在较大几何变形的图像，Ｂｅｒｔｈｉｋｓｓｏｎ【。】和
Ｓｉｍｐｅｒ［ Ｊ分别将推广的相关系数法用于仿射变
形情况下和摄像镜头失准出现投影变换情况下 的图像配准。针对不同的问题，人们又通过不断
优化式（１）相继提出了比值匹配法、块匹配法和 网格匹配法［引。
３．１．２相位相关法
该方法利用了傅里叶变换的良好性质，即
函数的平移、旋转和缩放在频域都具有对称性。
Ｋｕｇｌｉｎ和Ｈｉｎｅｓ提出的相位相关法先用傅里叶变
换将两幅待配准图像变换到频域，然后由式（２）２
直接计算出两幅图像之间的平移矢量。Ｒｅｄｄｙ 和Ｃｈａｔｅｒｊｉｔ【０】提出的基于快速傅里叶变换的方
法则利用了极坐标变换和互功率谱，对具有平
移、旋转和缩放变换的图像都能够实现精确配
准。
ｅｊｏ：鲁 ：ｅｘｐ｛ｊ（ 一０ｃ））（２） ｌＦ．Ｇ ｆＸ
， １ｌ
经过长期发展，此类模型通过对式（２）的不
断改进，丰富和完善了互功率谱在图像配准方
面的应用。由于对图像间的亮度变化不敏感，它
具有一定的抗干扰能力。该模型所获得的相关
峰尖锐突出，位移检测范围大，具有较高的匹配
精度，但其配准精度受噪声的影响仍然较大。
３．１．３基于小波变换的配准方法
随着小波技术的不断发展，出现了一类结
合小波变换的配准方法。其主要思想是：在图像
配准前对原始图像进行多层小波变换，利用低
频部分的信息进行配准以降低时间复杂度；同
ｈｔｔｐ：／／ｊｏｕｒｎａ１．ｓｉｔｐ．ａｃ．
ｃｎ／ｈｗ 时将低频共轭相乘矩阵与高频共轭相乘矩阵进
行干涉处理，降低噪声对配准结果的影响以提
高配准精度；小波变换层数的选取以满足所需
配准精度为底线。整个流程如图１所示。
通道１ 通道２ １．ｒ
频谱分割 频谱分割 ／、、
视图１ 视图２ 视图１ 视图２ 、、▲．Ｉｌ— —
共轭相乘 共轭相乘 ＼．．－
干涉处理
配准误差
图１基于小波变换的配准流程图
Ｊｉｎｇ Ｚｈａｎｇ［ ］提出了一种基于小波分解和
等距匹配的全景图像拼接算法：首先，运用小波
对图像进行分解，定义相应像素之间的相似距
离；其次，根据最小ＳＳＤ准则，在小波金字塔的
每一级上采用等距匹配方法配准所有的图像；
最后，将所有的配准图像映射到平面或者柱面
以构建全景图。
３．２基于图像特征的配准方法
基于图像特征的配准方法是目前最常用的
一种。它提取出图像的显著特征，可大大压缩
图像的信息量，使得计算量减小，速度变快，而
且其对图像的灰度变化具有鲁棒性。特征元素
主要包括点、线和面：面特征的选择精度虽然很
高，但计算量很大；线特征需要用边缘检测算子
对图像进行边缘提取，而这些算子对噪声很敏
感；目前来说，点特征是最为常用且效率较高的
一种方法。二维图像中的角点、圆点、切点和拐
点是图像的明显特征。这些点具有平移、旋转和
缩放不变性，几乎不受光照条件的影响。它只需
用图像中大约０．０５％的像素点就可以表示整幅图
像的数据信息，其信息含量高、计算速度高，使
实时处理成为可能。但另一方面，由于只有一小
部分的图像灰度信息被使用，所以这种方法对
ｈｔｔｐ：／／ｊｏｕｒｎａ１．ｓｉｔｐ．ａｃ．ｃｎ／ｈｗ 特征选择和特征匹配的错误更加敏感，需要可
靠的特征选择和特征一致性。 遥感图像配准的基本步骤是：（１）提取遥感
图像特征； （２）对找到的特征进行匹配； （３）根
据特征匹配对的性质确定坐标变换参数；（４）根 据坐标变换参数把图像配准到同一坐标系中。
本文主要介绍配准效果良好的经典特征点提取
方法，并对其优缺点进行对比分析。
３．２．１ Ｍｏｒａｖｅｃ算法 Ｍｏｒａｖｅｃ在１９７７年提出利用灰度方差提取
点特征的算子。Ｍｏｒａｖｅｅ算子是在四个主要方向 上选择具有最大一最小灰度方差的点作为特征
点：第一步，计算各像元的兴趣值ＩＶ；第二步，
给定一个经验阈值，将兴趣值大于该阈值的点 作为候选点，而阈值的选择应以候选点中既包括
所需特征点，又不含过多的非特征点为原则；第
三步，选取候选点中的极值点作为特征点【引。
Ｍｏｒａｖｅｃ算子是经典的点特征提取算子之
一，后来的很多点特征提取算子都是在其基础
上改进得来的。因此，掌握Ｍｏｒａｖｅｃ算子的原理 和实现方法对理解其他点特征算子及其应用有
很大好处。但由于只考虑灰度变化的方差极值，
该方法对图像噪声较为敏感，对边缘响应很敏 感。虽然其速度较快，但准确性不够。
３．２．２ Ｆｏｒｓｔｎｅｒ算法 Ｆｏｒｓｔｎｅｒ算子是摄影测量中常用的点定位算
子，其特点是速度快、精度较高。该算子的基本 思想是：针对角点，对最佳窗口内通过每个像元
的边缘直线（垂直于梯度方向）进行加权中心化
处理，得到角点的定位坐标；针对圆状点，对最
佳窗口内通过每个像元的梯度直线进行加权中 心化处理，得到圆心的坐标。因此，Ｆｏｒｓｔｎｅｒ定 位算子的运算分以下几步：第一步，计算各像素
的Ｒｏｂｅｒｔ梯度；第二步，计算ｌｘｌ窗口中灰度的 协方差矩阵；第三步，计算兴趣值ｑ与ｗ；第四
步，确定待选点；第五步，选取极值点。
Ｆｏｒｓｔｎｅｒ算子通过在最佳窗口内进行加权中
心化处理，可以将定位精度提高到子像素级， 但由于要确定阈值，它会受到图像灰度和对比
度变化的影响，而且其提取速度比Ｍｏｒａｖｅｅ算法 低。２００７年，张莉和汪大明针对其不足提出了
ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶｏＬ．３１，Ｎｏ．
１０，ＯＣＴ ２０１０