文献综述
一、课题研究背景及研究意义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有重叠区域图像进行几何校准的过程，意在寻求两幅图像之间的变换模型，使两幅有重叠区域的图像在同一坐标系下显现[1]。
图像配准技术是图像处理领域的基础，是实现图像的拼接、融合以及变化检测等技术所必须的一个前提步骤[2]，其配准结果的优劣直接影响着后续工作的效果，被广泛应用于灾害处理、军事侦察、医学、遥感等领域。
目前，图像配准方法可分为两类: 基于灰度相关的配准方法和基于特征的配准方法[3]。
其中，基于灰度相关的图像匹配算法直接利用图像的灰度信息进行配准，算法匹配精度高，原理简单，但是计算复杂度高，抗干扰能力差；而基于特征的配准需要人工设计特征检测器提取出图像中显著性强、稳定性高的特征，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[1]，是目前使用最多的遥感图像配准方法。
1977年，Moravec提出的角点检测概念是图像特征点检测的重要起点，随后涌现了多种针对点特征的提升算法：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；1997年，Smith和Brady提出了SU-SAN（Smallest Univalve Segment Assimilating Nucleus）局部检测算子，该算子对局部噪声不敏感,抗干扰能力强；Mikolajczyk和Schmid于2004年结合尺度空间理论并构造仿射区域，得到了具有尺度不变性的Harris-Laplacian检测子和具有仿射不变性的Hessian-Affine检测子[1]。
Lowe于1999年提出了尺度不变特征变换（Scale Invariant Feature Transform, SIFT），并于2004年进行完善，该算法主要用于描述与检测图像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度和旋转不变量[4]。
SIFT算法匹配能力强，提取出的特征更稳定，所以从各种图像局部不变特征描述子（descriptor）中脱颖而出，近年来在遥感图像配准领域得到了越来越多的应用。
SIFT特征的主要特点[5]有：①在多尺度空间采用 DOG 算子检测关键点,相比传统的基于LoG算子的检测方法,运算速度大大加快；②关键点的精确定位不仅提高了精度, 而且大 大提高了关键点的稳定性; ③在构造描述子时,以子区域的统计特性 ,而不是以单个像素作为研究对象, 提高了对图像局部变形的适应能力；④在处理梯度幅度时都进行了类似于高斯函数的加权处理,强化了中心区域,淡化了边缘区域的影响 ,从而提高了算法对几何变形的适应性。
然而，由于SIFT算子最初是针对光学图像开发的[6]，在光学图像之间的图像匹配效果较好，但直接应用于遥感影像时，因遥感图像之间通常存在灰度差异较大的情况，很难找到足够多的正确匹配对，研究仍在继续。
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。
