【正文】 例如，文獻(xiàn)[30,72]。巴羅等人[14]介紹了圖像配準(zhǔn)中的斜面匹配。線特征檢測圖像中，是由它們之間的整體最小距離相匹配。Borgefors[22]提出了一種改進(jìn)版本，其中較好的對應(yīng)了變換順序距離估計(jì)與均方根的運(yùn)用。該算法還采用了金字塔增速。即使概述不打算涵蓋三維注冊方法，在這里著名的最近點(diǎn)迭代（ICP）的算法，由Besl和麥凱[18]介紹，因?yàn)樗淼怯浫S形狀的關(guān)鍵（包括自由形態(tài)的曲線和曲面）。作為該方法利用了空間關(guān)系的選擇，對應(yīng)的功能，可以估算其描述，最好的預(yù)期圖像變形（見圖4）。該說明應(yīng)當(dāng)履行幾個條件。最重要的是不變性（從參考相應(yīng)的特征的描述和遙感圖像必須是相同的），唯一性（兩個不同的功能應(yīng)該有不同的描述），穩(wěn)定性（這是一個輕微的變形特征描述未知的方式應(yīng)該是接近原始特征描述），和獨(dú)立性（如特征描述是一個向量，其內(nèi)容應(yīng)在功能無關(guān)）。然而，通常不是所有的這些條件（或可以）同時滿足，有必要找一個適當(dāng)?shù)臋?quán)重。從功能檢測到的和不變的描述最相似的圖像作為參考相應(yīng)的配對。作者的不變說明類型的選擇取決于特征特性和假設(shè)圖像的幾何變形。雖然最好的空間特征描述搜索匹配特征對，最小距離與閾值通常能適用。需要一個更強(qiáng)大的算法，匹配的可能性系數(shù)[51]，它可以更好地處理問題的情況下，可以適當(dāng)?shù)慕鉀Q客戶問題。建議選擇功能時根據(jù)其的匹配[80]的可靠性。最簡單的功能描述是圖像強(qiáng)度函數(shù)本身，僅限于該功能的緊密鄰里[1107]。為了估計(jì)特征對應(yīng)，作者計(jì)算這些街區(qū)的CC。其他類型的相似性措施可以使用了。Zheng和Chellapa使用了相關(guān)系數(shù)[219]。他們承擔(dān)了相似的幾何變形。在他們的方法中，首先將圖像之間輪換補(bǔ)償?shù)墓庹辗较蚬烙?jì)，然后由粗到細(xì)進(jìn)行相關(guān)的登記。[223]用于心肌梗塞的特征對應(yīng)的改善。以下引用例子的直觀描述，它通常不滿足上述不變描述的一些標(biāo)準(zhǔn)的例子。Sester等[165]提出了描述森林，作為該地區(qū)的特點(diǎn)，受伸長參數(shù)，壓實(shí)度，孔的數(shù)量和最小邊矩形影響。用目錄記錄標(biāo)示，Murtagh[133]賦予每一特征描述點(diǎn)位于其空間特征附近。Vujovic和Brzakovic[202]通過長構(gòu)造或其他構(gòu)造的角度描述十字路口發(fā)現(xiàn)的每一個特征（狹長的交叉結(jié)構(gòu)）。同樣，薩納[218]所描述的有關(guān)交線之間的角度是指每個特征點(diǎn)。蒙特西諾斯等[131]使用不同的影像功能描述某地區(qū)的每秒鐘字符數(shù)。楊和科恩使用所對象產(chǎn)生的凸包，以及他們計(jì)算的邊界三角形[216]仿射幾何不變量。許多作者使用閉合區(qū)域當(dāng)特征。原則上任何不變的和有足夠的描述形狀都可用來區(qū)域匹配。Peli[141]提出用徑向型矢量簡單而快速的描述，但這種方法只可以使用在星型地區(qū)。一個普通的形狀可以通過一個二進(jìn)制矩陣形式描述[65，180]。[72]形狀矩陣，用于旋轉(zhuǎn)和縮放衛(wèi)星圖像配準(zhǔn)。[112]一系列的編碼代表不變的輪廓外形描述和尋找相似地區(qū)的相似度估計(jì)。Skea等[171]代表由球形CP的非共線的三聯(lián)體碼。Suk[178]提出由多邊形所代表的地區(qū)不變的形狀描述，并進(jìn)一步發(fā)展了這種做法[179]。一個大群的方法采用基于瞬間不變量描述封閉區(qū)域的特征?？紤]最經(jīng)常的畸變，胡[93]引進(jìn)瞬間不變量進(jìn)行相似變換。Flusser和Suk導(dǎo)出仿射變換不變量[53]成功的用于SPOT和陸地衛(wèi)星影像登記[54]?；魻柲穂88]提取封閉邊界地區(qū)，并建議由他們代表周長，面積，緊密度，時間和瞬時不變量。巴特查亞[20]提出了使用復(fù)合模型。Brivio等[24]通過惰性橢圓的方法制作了山影結(jié)構(gòu)。橢圓在這里描述他們的面積，主軸的傾向和橢圓率。所有這些屬性都是瞬間起作用的。李等[112]首先使用2個胡的瞬間預(yù)設(shè)匹配閉合區(qū)域的外形。候選匹配進(jìn)行了測試使用輪廓的一系列編碼表示。類似的方法見文獻(xiàn)[35]，其中不變量與一系列編碼一起使用。佐藤和奇波拉[163]在沒有相似估計(jì)的情況下直接進(jìn)行計(jì)算，存在的幾何畸變因素（仿射變換預(yù)計(jì)）對線特征目標(biāo)使用環(huán)形瞬間分布。他們通過瞬時時刻和圖像的空間尺度聯(lián)合圖像。最近，F(xiàn)lusser和Suk[55]提出了一種新的瞬時不變的等級，在注冊SPOT和高級超高分辨率輻射衛(wèi)星影像中演示執(zhí)行。Bentoutou等[16]登記的相互轉(zhuǎn)變和數(shù)字減影血管造影圖像模糊使用這些不變量。Flusser等進(jìn)一步發(fā)展這一途徑的方法[56]通過引入聯(lián)合的模糊旋轉(zhuǎn)不變量。[52]他們普遍運(yùn)用三維圖像的登記上。不變的基本幾何特征屬性的組合可以形成幾何化描述。Govindu等[74]用旋轉(zhuǎn)輪廓點(diǎn)切線的斜率提取的輪廓圖像。他們沒有尋找相似的輪廓，但僅限于建議的描述符分布。通過從參考相應(yīng)的分布比較和遙感圖像的相互圖像旋轉(zhuǎn)可估計(jì)。他們仿射變換描述中導(dǎo)出了相似的類型。該方法的實(shí)際應(yīng)用研究，在文獻(xiàn)[73]中可以找到。王和陳[205]計(jì)算了線路長度比例直方圖和對任何兩個線段的角度差在參考直方圖和遙感圖像。他們設(shè)想了相似變換。Griffin格里芬和Alexopoulos[77]用最小的封閉圈半徑，對重力的中心點(diǎn)的位置的不同位置，相鄰地區(qū)輪廓順序排序根據(jù)與X軸的角度和質(zhì)心的距離。所有這些方法跳過尋找相似特征的步驟，直接建立映射函數(shù)的參數(shù)。Hsieh等人[91]利用角度直方圖計(jì)算線特征點(diǎn)旋轉(zhuǎn)差補(bǔ)償。移除旋轉(zhuǎn)差后，相似的特征點(diǎn)被CC方法發(fā)現(xiàn)用一個被發(fā)現(xiàn)的量對比他們的旋轉(zhuǎn)補(bǔ)償[219]。德拉謝卡爾等[167]結(jié)合自己的特點(diǎn)和不同類型的描述。他們的基本步驟分解成現(xiàn)在的幾何變形和變換參數(shù)估計(jì)，然后使用相應(yīng)的參數(shù)值的功能達(dá)成共識，每票型特征描述。該參數(shù)值先找到對所有描述符類的型的最大值，然后進(jìn)行選擇。Ventura等[200]用一個多值邏輯樹（MVLT）各描述符（橢圓度，角度，厚度薄等）和它們之間的關(guān)系為代表的圖像特征。然后，他們比較了參考與待測圖不變的描述可以作為很好的情況下，當(dāng)沒有先例特征檢測和做的不變量依次為滑動在整個圖像[55]窗口計(jì)算。對于翻譯和旋轉(zhuǎn)圖像，Goshtasby[66]提出計(jì)算不變矩從循環(huán)型窗口[93]，然后套用在目前窗口表示CC模型標(biāo)準(zhǔn)。類似的想法是先前使用由黃和Hall[213]。隨著時刻，基于窗口的描述，他們申請分層搜索策略，雷達(dá)和光學(xué)圖像匹配。一大群的登記方法是基于松弛的方法，作為一個解決一貫的符號問題（CLP）解決方案之一：每個特征的符號從判斷圖像到參考圖像標(biāo)簽的特征，所以它與其他特征圖像的符號是一致的[130]。精細(xì)處理一對圖像的過程，考慮到特征圖像的匹配精度和相鄰匹配，被反復(fù)重復(fù)執(zhí)行直至達(dá)到一個穩(wěn)定的程度。涉及到的工作由Ranade和Rosenfeld[148]完成。在這里，用一個肯定的幾何轉(zhuǎn)換定義特征圖像的價值代替特征設(shè)置。這種方法可以處理轉(zhuǎn)變圖像，它容忍局部圖像的扭曲。王等人[204]將古典放松方法擴(kuò)展到包括角點(diǎn)特征描述。他們用角度，對比度和斜率。該算法允許圖像處理翻譯和旋轉(zhuǎn)扭曲，但它的運(yùn)算很差。Medioni和Nevatia用線特點(diǎn)及其描述（坐標(biāo)，方向，平均對比度）[128]。鄭和黃[33]提出了一個基于星形的登記考慮到單獨(dú)的特征點(diǎn)和他們的臨近元素聯(lián)系起來。Ton和Jain通過整合歸并的概念[190]提高注冊算法的速度。他們的方法通過移動和旋轉(zhuǎn)圖像起作用?；谒沙诘哪Ｐ蜕踔量捎糜谙嗨菩缘母淖儓D像的方法，例如由鄭[32]小川[136]和李[113]。不同松弛模型的比較[147]。另一個解決CLP問題和圖像回溯注冊的結(jié)果，一致的符號是由遞歸的方式產(chǎn)生的?；厮莸牡怯浄椒ǖ幕A(chǔ)是在參考文獻(xiàn)中[130]描述。我們的討論所提到的一些盡量減少計(jì)算成本的特征匹配方法的結(jié)論是對于大圖像使用金字塔方式。首次嘗試在1977年。Vanderbrug和Rosenfeld集中在其對計(jì)算為窗口對??測試所需數(shù)量的工作。[197]他們用一個子窗口第一個找到的參考圖像中對應(yīng)的窗口可能的候選人，然后全尺寸的窗口應(yīng)用。他們討論了子窗口的大小合適的選擇，以降低預(yù)期的計(jì)算成本。在文獻(xiàn)[160]中他們建議首先判別和參考圖像，在一個粗糙的分辨率，然后參考圖像與誤差估計(jì)小的位置，以滿足更高分辨率的圖像。Althof等[4]提出通過減少規(guī)律的柵格（在前文中十字路口的匹配中提及）來降低必要的計(jì)算負(fù)荷。這些技術(shù)是金字塔方法的簡單的例子。一般來說，這種由粗到細(xì)的分層策略適用于常見的登記方法，但是它的參考和辨析影像在一個粗糙的分辨率中開始（產(chǎn)生的使用高斯金字塔，簡單平均或小波變換系數(shù)等）。然后，他們逐步改善的相似度估計(jì)或映射函數(shù)參數(shù)，直到達(dá)到好的效果。在每一級，它們大大降低了搜索空間，從而節(jié)省所需的計(jì)算時間。另一個重要的優(yōu)勢所在，然后再在小改正獲得更精細(xì)的細(xì)節(jié)方面取得的事實(shí)，即登記方面的大型功能的實(shí)現(xiàn)。另一方面，如果匹配是在一個錯誤的粗糙水平上這一策略會失敗。為了克服這一點(diǎn)，回溯或一致性檢查應(yīng)納入算法。CC模型與金字塔相結(jié)合的方法，利用了總和金字塔（在粗糙的水平像素值對應(yīng)的像素值與以前的水平總和），中位數(shù)金字塔，平均數(shù)金字塔[37，208，219]。王和霍爾[214]結(jié)合SSDA的方法提高金字塔方法的速度。王和陳[205]在每一項(xiàng)決議提取級功能（封閉邊界地區(qū)的重心），發(fā)現(xiàn)從不同的角度和線路長度的比值的直方圖如上所述，幾何變形的參數(shù)。Venaz等采用了三次樣條理論基礎(chǔ)，以均值圖像之間的強(qiáng)度差最小平方金字塔[184]和心肌梗死的最大化[187]。夏爾馬和帕維爾[166]利用拉普拉斯算子的多分辨率的紅外和雷達(dá)圖像配準(zhǔn)的金字塔。Kumar等[102]合并不同的相似性措施（CC，平方差之和）登記空中視頻序列金字塔（拉普拉斯算子，高斯算子）的不同類型。非線性最小最大的過濾金字塔方案中應(yīng)用[169]。最近，小波的圖像分解方法推薦的金字塔由于其固有的多分辨率特性。方法可以在不同的應(yīng)用類型和小波小波系數(shù)為尋找一致的應(yīng)用。最常使用的兩個過濾器過濾方法的同時沿圖像行的工作和列將圖像分解成四個系數(shù)集（LL,HL,LH,HH）圖像遞歸，一個低通濾波器的L和一個高通濾波器H。Turcajova和Kautsky[193]測試了各種正交和雙正交小波（他們使用LL系數(shù)）與CC一起放在點(diǎn)仿射變換的圖像登記規(guī)則網(wǎng)格。樣條雙正交小波與小波勝過別人。豐塞卡和哥斯達(dá)黎加[58]檢測到LH和HL系數(shù)極大值及相關(guān)系數(shù)的最大值從檢測到的LL系數(shù)極大值計(jì)算的小環(huán)境。Djamdji等[41]只使用HH系數(shù)。LeMoigne[105]應(yīng)用Daubechies小波登記和AVHRR陸地衛(wèi)星圖像數(shù)據(jù)。他們提取的LH和HL高頻系數(shù)，發(fā)現(xiàn)所對應(yīng)的CC方法。劉等人[118]提出了Gabor小波變換和登記殘留高斯模型中的應(yīng)用。你和巴特查亞[217]使用最大的功能和緊湊的相似性測度的模糊集HD小波系數(shù)。通過Daubechies和Haar小波方法測試注冊的健壯性[176]。當(dāng)圖像上沒有許多突出的細(xì)節(jié)和灰度和色彩中與眾不同的信息時基于區(qū)域的模型比局部形狀和結(jié)構(gòu)更好。以地區(qū)為基礎(chǔ)的方法主要有兩個局限。參考和辨別的圖像必須在一定程度上有類似的強(qiáng)度功能，無論是相同的（然后相關(guān)類似的方法可以使用），或者至少統(tǒng)計(jì)學(xué)相關(guān)的（這通常發(fā)生多種方式的登記）。從幾何的角度來看，只有移動和圖像之間的小型旋轉(zhuǎn)可以使用基于區(qū)域的方法（雖然基于區(qū)域的方法可以推廣到全旋轉(zhuǎn)和縮放，這是因?yàn)橐粋€極端的計(jì)算量實(shí)際上毫無意義）。為了加快搜索，基于區(qū)域的方法往往采用金字塔圖像交涉和復(fù)雜的優(yōu)化算法來查找相似矩陣的最大值。基于特征匹配的方法通常運(yùn)用在局部結(jié)構(gòu)信息比圖像強(qiáng)度信息重要的地方。他們允許登記的性質(zhì)完全不同的圖像（如空中拍攝的照片和地圖）之間，可以處理復(fù)雜的圖像扭曲?；谔卣髌ヅ淠Ｐ偷娜秉c(diǎn)是，各自的特點(diǎn)可能很難檢測和/或經(jīng)過一段時間后不穩(wěn)定。所有基于特征的匹配方法的關(guān)鍵是有判斷力和健全的特征描述在所有假定不變的描述符和圖像之間不變。附錄2外文參考文獻(xiàn)（原文）Imageregistrationmethods:asurveyFormerly,twomainapproachestofeatureunderstandinghavebeenformed..Thesecondapproachisbasedontheextractionofsalientstructures–features—(forests,lakes,fields),lines(regionboundaries,coastlines,roads,rivers)orpoints(regioncorners,lineintersections,pointsoncurveswithhighcurvature),.,thenumberofmonelementsofthedetectedsetsoffeaturesshouldbesufficientlyhigh,regardlessofthechangeofimagegeometry,radiometricconditions,presenceofadditivenoise,‘remarkableness’,.[54,72],waterreservoirs,andlakes[71,88],buildings[92],forests[165],urbanareas[161]orshadows[24].,whichareinvariantwithrespecttorotation,scaling,andskewingandstableunderrandomnoiseandgraylevelvariation.Regionfeaturesaredetectedbymeansofsegmentationmethods[137]..[72]。ineveryiteration,.Recently,[2]proposedtheideaofvirtualcircles,[194],basedonHarriscornerdetector[135]andedges(curvedorstraight).[127].[92,132,205],objectcontours[36,74,112],coastallines,[124,168],roads[114]orelongatedanatomicstructures[202].Standardedgedetectionmethods,likeCann