图像配准（image registration）是对同一场景在不同条件下得到的两幅或多幅图像进行对准、叠加的过程。同一场景的多幅图像会在分辨率、成像模式、灰度属性、位置（平移和旋转）、比例尺度、非线性变形及曝光时间等方面存在很多差异。概括来说，图像配准问题是以在变换空间中寻找一种特定的最优变换，达到使两幅或多幅图像在某种意义上的匹配为目的。
本文详细论述了这两种常用方法的特点及应用领域，并将基于特征的图像配准方法作为本文的研究重点。基于特征的图像配准方法是目前图像配准最常用的方法之一，特征提取的准确程度和定位的精确程度将对整个配准过程产生很大的影响。本文通过对现有的特征提取方法进行分析，完成图像配准。仿真结果表明该方法在保持配准精度的同时，能够稳定并快速地实现具有平移和旋转的图像的配准问题。最后，本文讨论了图像配准的一个重要应用领域―医学图像拼接。通过实验证明，本文提出的方法满足图像处理过程的实时性和准确性。
图像配准（image registration）是对同一场景在不同条件下得到的两幅或多幅图像进行对准、叠加的过程。同一场景的多幅图像会在分辨率、成像模式、灰度属性、位置（平移和旋转）、比例尺度、非线性变形及曝光时间等方面存在很多差异。概括来说，图像配准问题是以在变换空间中寻找一种特定的最优变换，达到使两幅或多幅图像在某种意义上的匹配为目的。图像配准来自于多个领域的实际问题，其应用相当广泛，归纳起来可划分成如下四类：
不同视点的图像配准（多视点分析）：目的在于获取更大范围的二维视角或重构被摄场景的三维信息。应用实例：遥感—被摄区域图像镶嵌、计算机视觉—形状恢复；不同时间的图像配准（多时段分析）：目的在于寻找并度量两幅不同时间内拍摄的图像中场景的变化。应用实例：遥感—区域规划、计算机视觉——运动跟踪、医学成像—肿瘤病变检测、白天和黑夜的场景以及夏天和冬天的图像特征研究；
不同传感器的图像配准（多模式分析）：目的在于融合不同传感器信息，以获取更为丰富细致的场景信息。如可见光和红外图像配准、医学成像-CT和MRI、多波段的人脸识别；场景与场景模型图像配准：场景模型多为场景的数字表示，如地理信息系统（GIS）中的数字高程图等。配准场景与场景模型的目的在于在场景中定位模型，或在模型中定位场景，或者对场景与模型作相应的比较。应用实例：遥感-将航片或卫片与地图或GIS相配准、计算机视觉-匹配模板图像与实时场景、医学成像—将数字解剖图与病人的图片相比照。根据Brown的总结，图像配准往往看成是以下几种要素的结合：特征空间：定义特征集合用于实现图像间的匹配，特征集是从参考图像和待配准图像中提取出来的集合，即从参考图像和输入图像中提取共有的特征，如闭合边界区域、轮廓、边缘、重心、交叉点等；搜索空间：在参考图像的特征与待配准图像的特征之间建立可能的对应变换关系的集合；搜索策略：用于选择可以计算的变换模型，使得配准在处理过程中逐步达到精度要求；近似性度量：评估对从搜索空间中获得的一个给定的变换所定义的待配准数据与参考数据之间的匹配程度，进一步反映配准结果的好坏。图像配准的每一个步骤都有需要解决和值得研究的难题，研究和讨论整个图像配准算法时，通常会从以上四个方面进行考虑。
图像配准就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。
配准技术的流程如下：首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数：最后由坐标变换参数进行图像配准。而特征提取是配准技术中的关键，准确的特征提取为特征匹配的成功进行提供了保障。
因此本课题需要解决的关键问题就是需要设计一种算法将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加。
·待拼接的图像加载
image1 = double(imread('1.jpg'));[h1 w1 d1] = size(image1);
image2 = double(imread('2.jpg'));[h2 w2 d2] = size(image2);
·获得特征点
figure; subplot(1,2,1); image(image1/255); axis image; hold on;
[X1 Y1] = ginput2(point_number);
subplot(1,2,2); image(image2/255); axis image; hold on;
[X2 Y2] = ginput2(point_number);
这里，我们可以通过手动获得特征点的方法提取两个图片的特征点，对于比较简单的图像，我们可以提取2个点作为特征点，而对于比较复杂的图像，我们可以提取多个点作为特征点。这里，我们首先提取两个点做为特征点来测试系统。
·进行图像的配准拼接
%参数估计
Z = [ X2' Y2' ; Y2' -X2' ; 1 1 0 0 ; 0 0 1 1 ]';
xp = [ X1 ; Y1 ];
t = Z \ xp;
a = t(1);
b = t(2);
tx = t(3);
ty = t(4);
T = [a b tx ; -b a ty ; 0 0 1];
%计算大小
cp = T*[ 1 1 w2 w2 ; 1 h2 1 h2 ; 1 1 1 1 ];
Xpr = min( [ cp(1,:) 0 ] ) : max( [cp(1,:) w1] );
Ypr = min( [ cp(2,:) 0 ] ) : max( [cp(2,:) h1] );
[Xp,Yp] = ndgrid(Xpr,Ypr);
[wp hp] = size(Xp);
%变化
X = T \ [ Xp(:) Yp(:) ones(wp*hp,1) ]';
clear Ip;
xI = reshape( X(1,:),wp,hp)';
yI = reshape( X(2,:),wp,hp)';
Ip(:,:,1) = interp2(image2(:,:,1), xI, yI, '*bilinear'); % red
Ip(:,:,2) = interp2(image2(:,:,2), xI, yI, '*bilinear'); % green
Ip(:,:,3) = interp2(image2(:,:,3), xI, yI, '*bilinear'); % blue
offset = -round( [ min( [ cp(1,:) 0 ] ) min( [ cp(2,:) 0 ] ) ] );
Ip(1+offset(2):h1+offset(2),1+offset(1):w1+offset(1),:) = double(image1(1:h1,1:w1,:));
运行程序，我们可以得到如下的结果。
图4-3 配准以后的图像
而原始的图像为：
图4-4 原始的图像
显然，通过图像配准，其效果基本和原始的整张图相似。
医学图像配准和医学图像融合有着密切的关系，特别是对多模态图像而言，配准和融合是密不可分的。待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，若事先不对融合图像进行空间上的对准，那么融合后的图像豪无意义。因此，图像配准是图像融合的先决条件，必须先进行配准变换，才能实现准确地融合。
这里我们将获取几张医学图片，并通过增加特征点数来对系统进行测试。
图4-5 两个人体肺部的图像
图4-6 原始的图像
·2个特征点配准
图4-7 获得特征点
图4-8 配准以后的图像
这里，我们改变特征点的位置：
图4-9 重新获得特征点
图4-10 配准以后的图像2