基於DCE和LSS的紅外圖像和可見光圖像配準方法與流程

2023-05-23 00:56:41 3

本發明涉及數字圖像處理技術領域，尤其涉及一種基於dce(discretecurveevolution，離散曲線演化)和lss(localself-similarity，局部自相似)的紅外圖像和可見光圖像配準方法。

背景技術：

圖像配準是依據一些相似性度量決定圖像間的變換參數，使從不同傳感器、不同視角、不同時間獲取的同一場景的兩幅或多幅圖像，變換到同一坐標系下，在像素層上得到最佳匹配的過程。對於單模態(同一設備成像)的圖像配準目前已經得到了很好的解決，多模態圖像能提供比單模態圖像更加豐富和全面的信息，但是由於多模態的圖像源自不同的成像設備，有不同的成像原理，多模態的圖像配準仍未得到很好的解決。

紅外與可見光圖像就是常見的多模態圖像，由於紅外反映景物的輻射信息而可見光反映景物的反射信息，二者輸出的圖像具有不同的灰度特徵，紅外圖像可在場景內定位具有較高溫度的物體，而可見光圖像可提供背景信息，二者信息互為補充，二者的融合可用於目標識別、目標檢測等領域。紅外圖像和可見光圖像的配準是圖像預處理中極為關鍵的步驟，也是計算機視覺中最困難、最重要的任務之一。

配準方法實現流程如圖1所示，將待配準圖像進行變換、插值處理後與參考圖像計算相似度，根據相似度執行最優變換，變換過程中由變換參數優化器優化變換參數，直至得到最終最優變換參數。目前的配準方法主要分為兩類：

一種是基於區域的配準方法，通常是用圖像的某一區域或者整幅圖像去估計圖像之間在空間幾何上的變換參數。常見的基於區域的配準方法有相關類方法、相位相關法、概率型測度法等，其中概率型測度有圖像聯合直方圖、圖像聯合熵、互信息法、歸一化互信息法等；該種方法能在特定情況下獲得較好的效果，但對於紅外圖像和可見光圖像配準時，所需計算時間長、對噪聲的魯棒性不強；

另一種是基於圖像特徵的方法，包括有基於結構性特徵的方法、基於不變量圖像描述符的方法、基於局部不變特徵的方法等，其中局部不變特徵在解決寬基線匹配、特殊目標識別、機器人定位等問題中得到了廣泛的應用，局部不變特徵能對旋轉、尺度縮放、仿射變換、視角變化、光照變化等圖像變化因素保持一定的不變性，而對物體運動、遮擋等因素保持較好的可匹配性，從而可以實現差異較大的兩幅圖像之間特徵的匹配。

基於特徵的方法實現包括兩個部分內容：一是特徵檢測，二是特徵描述。針對於特徵描述方式中，基於形狀上下文(shapecontexts,sc)描述算法對目標輪廓的描述能力強，且具有一定抑制噪聲的能力，但是算法複雜度較高，且無法獲得輪廓點序信息；利用角點典型形狀上下文特徵(cornerrepresentativeshapecontext,crsc)是在sc的基礎上提出的一種快速識別的算法，該算法能夠降低特徵點的匹配時間，有利於解決大規模形狀樣本的匹配問題，但其檢索精度不高；仿射不變性曲線描述算法(affine-invariantcurvedescriptor，aicd)是針對形狀輪廓有遮擋的現象提出的，該算法能夠有效地解決形狀仿射畸變和部分遮擋的匹配問題，但該描述子僅能獲得輪廓的局部特徵，造成算法匹配精度不高，且該算法計算複雜度較高；基於變換域的傅立葉形狀描述子具有簡單、高效的特點，但是局部特徵捕捉能力不強，且對噪聲幹擾較為敏感；根據角點特徵的描述方式具有旋轉不變性和光照不變性，利用角點能夠減少參與計算的數據量，同時又不損失圖像的重要灰度信息，有從業者提出基於harris因子分別在紅外圖像和可見光圖像上進行角點檢測，利用角點鄰域在邊緣圖像上的相關性，計算出角點的細匹配，但由於harris檢測的複雜度高，因而計算量巨大，難以達到實時性要求。

中國專利申請cn105631872a公開一種特徵點檢測方法，通過在輸入圖像的各向異性尺度空間中分別使用harris和hessian算子進行特徵點檢測，離散曲線演化dce基於視覺部件，能夠對圖像中的形狀輪廓進行特徵提取，獲得具有重要視覺部件的輪廓，並且對目標變形、邊界噪聲具有一定的魯棒性。但是由於角點檢測的複雜度較高，因而計算量巨大，配準的精度低，不能達到很好配置效果，當用於紅外圖像和可見光圖像配準時，計算時間長、對噪聲的魯棒性不強。

對紅外圖像和可見光圖像進行配準時，若單基於輪廓進行配準，存在紅外圖像中目標的邊界模糊，不易於準確分割等問題；若單基於特徵點進行配準，由於紅外圖像和可見光的成像原理不同，會導致特徵點的分布不均，且在不同圖像中相同目標也可能存在不同的特徵點，使得配準誤差較高。

技術實現要素：

本發明要解決的技術問題就在於：針對現有技術存在的技術問題，本發明提供一種配準的實現複雜度低且配準精度及效率高的基於dce和lss的紅外圖像和可見光圖像配準方法。

為解決上述技術問題，本發明提出的技術方案為：

基於dce和lss的紅外圖像和可見光圖像配準方法，步驟包括：

s1.dce特徵點提取：採用dce分別檢測待配準的紅外圖像、可見光圖像的目標輪廓，並提取對應所述目標輪廓中頂點的各dce特徵點，得到分別對應待配準的紅外圖像、可見光圖像的dce特徵點集合；

s2.lss特徵描述：採用lss方法分別描述各所述dce特徵點集合中各個dce特徵點；

s3.相似度測量：根據所述步驟s2的描述結果，計算待配準的紅外圖像、可見光圖像之間各個dce特徵點之間的匹配度，得到各個dce特徵點之間的對應關係；

s4.配準輸出：根據所述步驟s3得到的所述對應關係，經過圖像變換後得到配準後圖像輸出。

作為本發明的進一步改進：所述步驟s1中採用dce描述目標輪廓時，在演化過程中根據簡化得到的多邊形與原物體之間的相似程度，以及dce特徵點集之間的順序關係來控制形狀匹配以及演化過程的終止。

作為本發明的進一步改進：所述簡化得到的多邊形與原物體之間的相似程度採用p上遠邊界點演化得到的多邊形pn-k的線段的平均距離dav(pn-k)來表示，其中pn-k為演化刪除k個頂點後得到的多邊形輪廓，當所述平均距離dav(pn-k)大於預設閾值t時終止dce的演化過程。

作為本發明的進一步改進：所述dce特徵點具體由構成的向量進行描述，其中為歸一化的位置向量，k為同一頂點兩條邊的相關性，是輪廓的角度。

作為本發明的進一步改進：所述步驟s1中得到dce特徵點集合後，還包括根據各個dce特徵點之間的關聯度，對所述dce特徵點集合中各dce特徵點進行粗匹配步驟。

作為本發明的進一步改進，所述進行粗匹配的具體步驟為：

s11.設定第一衡量度、第二衡量度以及第三衡量度，其中所述第一衡量度為：

其中，kl和kr分別為一個dce特徵點與左、右兩側的dce特徵點之間的關聯度；

第二衡量度為：

其中，d為兩個dce特徵點之間的歐氏距離；

第三衡量度為：

其中pe為所述dce特徵點集合；

s12.分別計算所述dce特徵點集合中各dce特徵點的所述第一衡量度、第二衡量度以及第三衡量度，綜合所述第一衡量度、第二衡量度以及第三衡量度，確定需要保留的dce特徵點，得到粗匹配後的最終dce特徵點集合。

作為本發明的進一步改進，所述步驟s12的具體步驟為：將各dce特徵點的所述第一衡量度、第二衡量度以及第三衡量度按照下式計算綜合衡量度，若所述綜合衡量度大於預設閾值，則保留對應的dce特徵點；

sdce＝sk+seucl+sangle

其中，sdce為綜合衡量度，sk為第一衡量度，seucl為第二衡量度，sangle為第三衡量度。

作為本發明的進一步改進，所述步驟s2中採用lss描述一個dce特徵點的具體步驟為：

s21.以目標dce特徵點為中心在圖像上取指定大小的局部區域，並以目標dce特徵點為中心取指定大小的鄰域，得到中心子窗口；

s22.在所述局部區域中，以每個像素為中心取相同大小的鄰域作為子窗口，計算所有的子窗口與所述中心子窗口之間的灰度差方和ssd；

s23.對所述灰度差方和ssd進行歸一化處理轉化為相關曲面sq(x,y)；

s23.把所述相關曲面sq(x,y)轉換至對數極坐標下，並在角度和徑向方向上分別劃分為n份和m份，並在每個子區域中選擇一個特徵值形成n*m維的lss描述子，得到描述目標dce特徵點的結果。

作為本發明的進一步改進，所述步驟s3中計算匹配度時具體採用lss描述子間的ncc作為匹配的相似性測度，當兩個目標dce特徵點之間的lscc>t時，其中t為預設匹配閾值，lssc為lss描述子間的ncc，判定兩個目標dce特徵點為相匹配的對應點。

與現有技術相比，本發明的優點在於：

1)本發明基於dce和lss的紅外圖像和可見光圖像配準方法，利用紅外圖像和可見光圖像之間的特性，針對同一場景下包含多種人像的紅外圖像和可見光圖像，結合dce特徵點和空間信息的lss描述對紅外圖像和可見光進行匹配，通過採用dce來描述待配準的紅外圖像、可見光圖像的目標輪廓，並提取對應目標輪廓中頂點的各dce特徵點，再採用lss方法描述dce特徵點，由dce特徵點之間的匹配度將紅外圖像和可見光圖像中各個dce特徵點進行對應，能夠實現精準的配準，且實現複雜度低、配準效率高；

2)本發明基於dce和lss的紅外圖像和可見光圖像配準方法，採用dce描述目標輪廓時，在演化過程中根據簡化得到的多邊形與原物體之間的相似程度，通過改變dce的終止條件來控制演化過程的終止，使得能夠實現動態控制演化程度，能夠適用於具有大量圖像的資料庫的形狀匹配，同時能夠降低迭代次數，從而降低算法的複雜程度；

3)本發明基於dce和lss的紅外圖像和可見光圖像配準方法，採用dce描述目標輪廓時，在演化過程中根據簡化得到的多邊形與原物體之間的相似程度，以及dce特徵點集之間的順序關係來控制形狀匹配以及演化過程的終止，能夠利用輪廓點集順序關係信息執行形狀匹配，執行精準的形狀匹配，同時能夠實現動態控制演化程度，使得降低迭代次數而執行合適的演化，降低算法的複雜程度，從而能夠適用於具有大量圖像的資料庫；

4)本發明基於dce和lss的紅外圖像和可見光圖像配準方法，綜合像素灰度與相鄰像素運用lss自相似的目標描述方法對dce特徵點進行描述，充分結合了圖像的空間信息，能夠防止相鄰像素虛警的產生，具有更好的描述性能，且對於旋轉和形變具有一定容忍性；進一步通過將相關曲面變換到對數極坐標下，以及通過多維的lss描述子進行特徵點的描述，能夠使得描述子對於局部仿射形變具有一定的容忍性。

附圖說明

圖1是圖像配準的實現流程示意圖。

圖2是本實施例基於dce和lss的紅外圖像和可見光圖像配準方法的實現流程示意圖。

圖3是本實施例採用的dce進行離散曲線演化的實現原理示意圖。

圖4是對圖像採用常用的去除邊界噪聲方法與採用dce方法的對比結果圖。

圖5是本發明具體實施例中dce演化得到的人像dce輪廓及dce特徵點結果示意圖。

圖6是本發明具體實施例中從可見光和紅外圖像中檢測到的dce關鍵點結果示意圖。

圖7是本實施例採用lss描述dce特徵點的形成流程示意圖。

具體實施方式

以下結合說明書附圖和具體優選的實施例對本發明作進一步描述，但並不因此而限制本發明的保護範圍。

如圖2所示，本實施例基於dce和lss的紅外圖像和可見光圖像配準方法，步驟包括：

s1.dce特徵點提取：採用dce分別檢測待配準的紅外圖像、可見光圖像的目標輪廓，並提取對應目標輪廓中頂點的各dce特徵點，得到分別對應待配準的紅外圖像、可見光圖像的dce特徵點集合；

s2.lss特徵描述：採用lss方法分別描述各dce特徵點集合中各個dce特徵點；

s3.相似度測量：根據步驟s2的描述結果，計算待配準的紅外圖像、可見光圖像的dce特徵點集合中各個dce特徵點之間的匹配度，得到各個dce特徵點之間的對應關係；

s4.配準輸出：根據步驟s3得到的所述對應關係，經過圖像變換後得到配準後圖像輸出。

dce基於視覺部件能夠對圖像中的形狀輪廓進行特徵提取，獲得具有重要視覺部件的輪廓，並且對目標變形、邊界噪聲具有一定的魯棒性，本實施例通過dce能夠有效檢測出紅外圖像和可見光圖像中的同一目標；lss能夠反映圖像內在的幾何布局和形狀屬性的特徵，對沒有相同的底層結構、但具有相似的幾何布局的目標，具有良好的檢測性能，本實施例通過lss對dce特徵點進行描述，能夠有效描述紅外圖像和可見光目標中具有相似的描述子向量。

紅外圖像和可見光圖像之間的成像原理不同、具有不同底層結構，且對於同一目標具有相同輪廓和相同的相對空間信息，本實施例基於該特性，針對同一場景下包含多種人像的紅外圖像和可見光圖像，結合dce特徵點和空間信息的lss描述對紅外圖像和可見光進行匹配，通過採用dce來描述待配準的紅外圖像、可見光圖像的目標輪廓，並提取對應目標輪廓中頂點的各dce特徵點，再採用lss方法描述dce特徵點，由dce特徵點之間的匹配度將紅外圖像和可見光圖像中各個dce特徵點進行對應，與傳統的紅外圖像與可見光圖像配準方法相比，能夠利用目標人像周圍的空間信息實現精準的配準，且實現複雜度低、配準效率高。

dce是一個簡化目標輪廓多邊形的過程，dce能檢測圖像目標輪廓上一些明顯的凸點，dce通過不斷刪除輪廓上的凹點完成演化過程。本實施例步驟s1中採用dce從不同圖像中刻畫出人像目標的輪廓，在輪廓的頂點處得到特徵點，描述目標輪廓時，具體在每一次演化過程中刪除對目標識別貢獻最小的輪廓點,同時保留物體的基本信息，在這個過程中刪除的頂點一般是物體形狀邊界上的突起或者噪音，從而避免了突起或者噪音對於凸點選取的影響。具體的，如圖3所示，假設有2條線段s1＝{v1,v2}、s2＝{v2,v3}其中，v1,v2,v3表示曲線輪廓點，若這3個點中，v2對形狀的識別貢獻最小，則刪除v2，接下來連接v1和v3形成一條新的線段，即s3＝{v1,v3}。

本實施例具體採用如式(1)所示的計算目標識別貢獻的函數：

其中，β(s1,s2)為線段s1,s2的轉角，該轉角β(s1,s2)計算時，通過在標準二維平面坐標系下,指定x軸為參考線,定義線段s的角方向函數fa(s)為線段的起點到終點方向與x軸方向的帶符號夾角,則線段s1,s2的轉角β(s1,s2)＝fa(s2)-fa(s1)；l(s1),l(s2)分別表示線段s1,s2相對輪廓周長歸一化後的長度。

如上式(1)計算目標識別貢獻，k(s1,s2)的值越小,則線段s1,s2對整個輪廓的貢獻越小，即對應在形狀識別中越不重要，每次演化過程中刪除k(s1,s2)值最小的輪廓點。

dce能夠消除輪廓曲線上的突起或者圖像中的噪音，但是若dce無休止的演化下去，無法控制演化程度，且算法複雜程度高，不適用於具有大量圖像的資料庫的形狀匹配，且傳統的dce通常在形狀匹配時沒有利用輪廓點集順序關係信息，導致形狀匹配精度降低。本實施例中，步驟s1中採用dce描述目標輪廓時，在演化過程中根據簡化得到的多邊形與原物體之間的相似程度，以及dce特徵點集之間的順序關係來控制形狀匹配以及演化過程的終止，能夠利用輪廓點集順序關係信息執行形狀匹配，執行精準的形狀匹配，同時能夠實現動態控制演化程度，使得降低迭代次數而執行合適的演化，降低算法的複雜程度，從而能夠適用於具有大量圖像的資料庫。

本實施例中，簡化得到的多邊形與原物體之間的相似程度採用p上遠邊界點演化得到的多邊形pn-k的線段的平均距離dav(pn-k)來表示，其中pn-k為演化刪除k個頂點後得到的多邊形輪廓，當平均距離dav(pn-k)大於預設閾值t時終止dce的演化過程。預設閾值t取值不同時可以演化得到不同層次的簡化多邊形，預設閾值t取值具體可根據紅外圖像和可見光圖像目標人像的特點確定。如圖4所示，對比各種常用的去除邊界噪聲方法，其中圖a為原圖，圖b為含噪圖像，圖c為採用canny算子得到的結果，圖d為採用高斯平滑得到的結果，以及圖e為採用dce得到的結果，從圖中可知，本實施例dce離散曲線演化的結果與原目標具有更較高的近似度。

如圖5所示為對紅外圖像和可見光圖像的人像目標進行dce時，採用32點演化得到的人像dce外形輪廓及dce特徵點(dcekeypoints)，如圖6所示為分別針對可見光和紅外圖像進行dce特徵點(dcekeypoints)檢測的結果，其中圖(a)對應可見光圖像，圖(b)對應紅外圖像。從圖中可以看出，採用dce能夠在紅外圖像和可見光圖像中有效獲取人像的主要輪廓。

由於特徵點的方向將被用於跨模態的目標配準，本實施例中通過包含有方向參數的三個參數來描述dce特徵點，dce特徵點具體由構成的向量進行描述，其中為歸一化的位置向量，k為同一頂點兩條邊的相關性，是輪廓的角度。k的定義具體如式(2)所示；

其中β是兩邊的外角，l1,l2分別表示同一頂點兩條邊相對於輪廓周長的歸一化長度。

dce的初始目的是用簡潔的邊勾勒出目標的輪廓，但是步驟s2中基於lss自相似的特徵描述時需要用到儘可能多的特徵點，且dce演化能夠得到與目標相近的輪廓。本實施例基於dce上述特性，對dce離散曲線演化的迭代過程進行優化，通過改進迭代條件，使得能夠得到儘可能多的有意義的輪廓邊，從而儘可能用更多更準確的曲線描述目標的輪廓，進而得到較多的特徵點。

為了減少後續lss的計算量，本實施例中，步驟s1中得到dce特徵點集合後，還包括根據各個dce特徵點之間的關聯度，將對應紅外圖像、可見光圖像的dce特徵點集合中各dce特徵點進行粗匹配步驟。

本實施例中，進行粗匹配的具體步驟為：

s11.按式(3)、(4)、(5)分別設定第一衡量度、第二衡量度以及第三衡量度，其中第一衡量度sk為：

其中，kl和kr分別為一個dce特徵點與左、右兩側的dce特徵點之間的關聯度；

第二衡量度seucl為：

其中，d為兩個dce特徵點之間的歐氏距離；

第三衡量度sangle為：

其中pe為dce特徵點集合；

s12.分別計算dce特徵點集合中各dce特徵點的第一衡量度、第二衡量度以及第三衡量度，綜合第一衡量度、第二衡量度以及第三衡量度，確定需要保留的dce特徵點，得到粗匹配後的最終dce特徵點集合。

本實施例中，步驟s12的具體步驟為：將各dce特徵點的第一衡量度sk、第二衡量度seucl以及第三衡量度sangle按照式(6)計算綜合衡量度，若綜合衡量度大於預設閾值，則保留對應的dce特徵點；

sdce＝sk+seucl+sangle(6)

其中，sdce為綜合衡量度。

如圖7所示，本實施例中步驟s2中採用lss描述一個dce特徵點的具體步驟為：

s21.以目標dce特徵點p為中心在圖像上取指定大小的局部區域，並以目標dce特徵點p為中心取指定大小的鄰域，如3*3像素，得到中心子窗口；

s22.在局部區域中，以每個像素為中心取相同大小的鄰域作為子窗口，計算所有的子窗口與中心子窗口之間的灰度差方和ssd；

s23.對灰度差方和ssd進行歸一化處理轉化為相關曲面sq(x,y)，相關曲面sq(x,y)具體按式(7)計算；

式中varpatch是中心子窗口與其鄰域內子窗口間的ssd最大值。varnoise是一個常量，表示由光照和噪聲等引起的灰度變化。

s23.把相關曲面sq(x,y)轉換至對數極坐標下，並在角度和徑向方向上分別劃分為n份和m份，並在每個子區域中選擇一個特徵值形成n*m維的lss描述子，得到描述目標dce特徵點的結果。

本實施例採用上述步驟，綜合像素灰度與相鄰像素運用lss自相似的目標描述方法對dce特徵點進行描述，充分結合了圖像的空間信息，能夠防止相鄰像素虛警的產生，相比於傳統的基於特徵邊界、基於無規則軌跡等描述方法，能夠具有更好的描述性能，且對於旋轉和形變具有一定容忍性。

本實施例步驟s23中將相關曲面sq(x,y)轉化到對數極坐標下，相關曲面sq(x,y)在對數極坐標下具體在角度和徑向方向上分別劃分為n＝20份和m＝4份，形成80個bin，在每個子區域裡，具體選擇最大的相關值作為特徵值，形成80維的lss描述子。通過將相關曲面變換到對數極坐標下，以及通過多維的lss描述子進行特徵點的描述，能夠使得描述子對於局部仿射形變具有一定的容忍性；通過選擇在每個bin中的最大相關值，還能夠使描述子對最佳匹配子區域在該bin內的確切位置不敏感，由於bin的半徑的大小增加，允許增加徑向，因而可以增加非剛性變形；同時，lss使用patch(子區域)作為測量內部自相似性的基本單位比單個像素捕獲更多有意義的圖像模式。

相比於傳統的互信息mi方法完全依賴於圖像灰度信息，本實施例採用lss先分別計算每一副圖像的描述算子，然後在匹配過程進行比較，能增強在目標人像區域上匹配的正確率，且lss是基於子區域patch對整幅圖像的相關描述，因而對小區域內的測量單元擁有更多有意義的描述；同時lss中只要目標人像具有類似的空間布局，利用lss都能達到適合的匹配，即本實施例基於lss能夠對著裝不同或者形態不同的目標人像實現可靠的描述。

ncc是一種基於統計學計算兩組樣本數據相關性的算法，其取值範圍為[-1,1]之間，對圖像來說，每個像素點都可以看成是rgb數值，這樣整幅圖像就可以看成是一個樣本數據的集合，如果它有一個子集與另外一個樣本數據相互匹配則它的ncc值為1，表示相關性很高，如果是-1則表示完全不相關，基於上述原理即可實現基於模板匹配的識別算法。

數據歸一化公式如(8)式：

其中，表示像素點p的灰度值，μ表示窗口所有像素的平均值，σ表示標準方差。

假設t表示模版的像素值，圖像的ncc定義如(9)式：

其中n是模版像素的總數。

多光譜圖像間的局部形狀具有較高的相似性，本實施例採用lss描述子間的ncc(表示為lscc)作為匹配的相似性測度，當兩個目標dce特徵點之間的lscc>t時，其中t為預設匹配閾值，lscc為採用lss描述子間的ncc，判定兩個目標dce特徵點為相匹配的對應點。

本實施例中，lscc具體按照下式計算得到；

其中，和分別為圖像a和b的lss描述子，和分別為圖像a和b的lss描述子的平均值；n為lss描述子的維數。

本實施例在確定特徵點描述子後，利用lscc進行相似度測量，再利用ransac算法，剔除一些錯誤匹配的特徵點，利用lscc相似度測量得到的特徵點之間的對應關係，即可計算單應性矩陣。

如圖2所示，本實施例上述配準方法對紅外圖像和可見光圖像進行配準時，具體首先利用dce分別提取紅外圖像和可見光圖像中的目標輪廓，輪廓頂點的集合作為dce特徵點集合，其中演化過程中由於dce能夠得到與目標相近的輪廓，對dce離散曲線演化的迭代過程進行優化，設定終止演化條件，使得儘可能用更多更準確的曲線描述目標的輪廓，進而得到較多的特徵點；再依次以特徵點集合中的每個特徵點作為中心點，利用lss描述每一個特徵點的特徵向量，使得對於旋轉和形變具有一定容忍性；然後利用多光譜圖像間的局部形狀具有較高的相似性的特性，運用lscc(lss的ncc)計算匹配度，設定一個匹配閾值，當超過匹配閾值的特徵點對判定為對應特徵點，建立得到各特徵點之間的對應關係；最後基於建立的對應關係進行圖像變換，對於變換後的圖像，非整數的坐標中的圖像值可以使用適當的插值計算技術進行插值，得到配準後圖像輸出。

上述只是本發明的較佳實施例，並非對本發明作任何形式上的限制。雖然本發明已以較佳實施例揭露如上，然而並非用以限定本發明。因此，凡是未脫離本發明技術方案的內容，依據本發明技術實質對以上實施例所做的任何簡單修改、等同變化及修飾，均應落在本發明技術方案保護的範圍內。