圖像配準(zhǔn)的方法大致分為三類，一類是基于灰度和模板的，這類方法直接采用相關(guān)運算等方式計算相關(guān)值來尋求最佳匹配位置，方法簡單較為死板，一般效果不會太好。第二類是基于特征的匹配方法，如sift、surf點特征，或者向量特征等等，適應(yīng)性較強。第三類是基于域變換的方法，采用相位相關(guān)(傅里葉-梅林變換)或者沃爾什變換、小波等方法，在新的域下進行配準(zhǔn)。

1. 基于模板匹配的圖像配準(zhǔn)

板匹配時圖像配準(zhǔn)算法中簡單而常見的算法。在模板匹配中對圖像的配準(zhǔn)有整幅圖像進行的撇皮，也有局部圖像和局部圖像之間進行的匹配。在模板匹配過程中通常對模板進行平移，計算對應(yīng)關(guān)系。一般情況下，采用模板和圖像的相關(guān)運算計算相關(guān)值，相關(guān)值越大表示匹配越好。

模板匹配對形態(tài)固定的圖案具有較好的效果，但是隨著配準(zhǔn)圖像在數(shù)量級的擴大，計算復(fù)雜度會增加，實時性會增加，隨著圖像拍攝環(huán)境和成像條件的多變，算法的適應(yīng)性會變差。

2. 基于灰度的圖像配準(zhǔn)

灰度圖像配準(zhǔn)是利用灰度信息來測量圖像的相同部分，方法簡單，但是對目標(biāo)的變動和扭曲會影響配準(zhǔn)效果。較為常見的是求其相似性代價函數(shù)，將圖像的灰度差做平方和運算。

灰度圖像配準(zhǔn)方法不需要提取圖像的幾何特征，所以有很高的識別精度和適用性，單也因為圖像灰度信息鼠標(biāo)比較大，因此運算量大，效率低。

3. 相位相關(guān)法、傅里葉-梅林變換(基于變換域的方法)

基于變換域的方法有很多，這里安利下我之前的博客：傅里葉-梅林變換進行圖像配準(zhǔn) ，也就是采用了基于相位相關(guān)的方法進行的，博客中給出了Matlab的源碼。

相位相關(guān)法師對圖像進行參數(shù)轉(zhuǎn)換，利用轉(zhuǎn)換后的參數(shù)進行運算，圖像由參數(shù)變換轉(zhuǎn)換到頻域，利用傅里葉變換得到平移后的結(jié)果，再在頻域?qū)崿F(xiàn)匹配圖像的配準(zhǔn)。在傅里葉變換后，圖像的平移成分轉(zhuǎn)換到了相位，計算相位的最大匹配位置，就可以得到原始圖像的平移量了，這就是相位相關(guān)。

更進一步，我們引入傅里葉-梅林變換的概念。我們通過相位相關(guān)只能得到平移量，那么如果有旋轉(zhuǎn)和縮放呢?是否還記得傳統(tǒng)圖像中的對數(shù)-極坐標(biāo)變換呢?

沒錯，將二者結(jié)合起來：相位相關(guān)得到平移位置，對數(shù)變換得到尺度，極坐標(biāo)變換得到旋轉(zhuǎn)角，這就是傅里葉-梅林變換。更詳細(xì)的說明，參見我原先的博客吧。

4. 基于模型的圖像配準(zhǔn)

基于模型的配準(zhǔn)方法是依據(jù)數(shù)學(xué)模型進行對比，并且可以通過對比度來進行圖像配準(zhǔn)分析。首先對序列圖像建立數(shù)據(jù)模型，之后以迭代求解出相關(guān)模型之間對應(yīng)的相關(guān)未知量，最后通過這些計算出的未知量對圖像進行配準(zhǔn)。

這類方法的優(yōu)點在于可以快讀的進行序列圖像間的水平移動、扭曲、拓展和收縮等形狀變化，統(tǒng)計效果很好。缺點在于使用此方法有整體優(yōu)良的收斂效果，需要有一個好的初始配準(zhǔn)估計值，否則會匹配失敗。

5. 基于特征的圖像配準(zhǔn)

這類方法首先分析兩幅待配準(zhǔn)圖像，提取特征域，在特征域進行匹配，根據(jù)特征域計算得到特征向量。這里要提到，特征分為點特征(如sift、surf等)、線特征、統(tǒng)計特征等等。這類方法依據(jù)使用的特征不同，會表現(xiàn)出不同的效果。比較經(jīng)典的配準(zhǔn)方式是SURF特征+Ransac篩選，得到匹配點對坐標(biāo)來計算圖像變換參數(shù)。

6. 消除誤匹配算法

使用任何類型的匹配算法，匹配誤差都是不可避免的，處于初始匹配結(jié)果后有大量的異常點，這些異常點可以通過隨機抽樣一致性算法(Random Sample Consensus，也就是我們常說的Ransac)來消除誤匹配。Ransac是一種不確定和隨機的算法，每次運算得到的結(jié)果可能會不同，但其具有有效的整體估計效果，即使匹配失敗超過50%的數(shù)據(jù)，仍然能得到合理的結(jié)果。