摘  要： 针对传统互信息配准方法计算量较大且未利用图像空间信息的缺点，提出了一种结合SURF描述符和广义近邻图的图像配准算法。该算法用SURF从图像中提取尺度空间特征点并获得特征点描述子，然后用广义近邻图来估计Rényi熵与互信息。该算法结合了SURF描述子的鲁棒性和广义近邻图估计Rényi熵的高效性。实验结果表明，对于真实遥感图像，该算法在配准准确度、鲁棒性和速度上都明显优于几种传统配准方法。
关键词： 图像配准；广义近邻图；Rényi熵图；SURF描述子

　图像配准是对同一场景在不同条件下（如不同的时间、拍摄环境、视角和传感器等）得到的两幅或多幅图像寻求某种空间上的变换，使一幅图像能够和另一幅图像上的对应点达到空间上的一致[1]。图像配准技术是图像处理与分析中的基本任务，已经在计算机视觉、图像融合、全景图像拼接、医学诊断与辅助治疗等众多领域得到广泛的应用[2-3]。
　目前，图像配准方法大体分为基于灰度和基于特征两大类。基于灰度的方法建立图像间像素灰度值的目标函数，如互信息测度[4]，通过对目标函数的优化实现配准。该方法没有考虑像素的空间信息，在不同成像条件下的图像配准中，其精度较低、计算量大且配准时间长。
　基于特征的配准方法先提取各个图像中的特征，再完成特征之间的匹配，通过匹配的特征建立图像间的映射变换，最后求出配准后的图像。特征点是该类方法最常使用的图像特征，其中BAY H等人提出的SURF（Speeded-Up Robust Features）算法是一种尺度空间的特征点描述方法[5]，对图像间的分辨率、旋转、平移和光照变化等保持不变，且时间复杂度低、速度较快。基于特征点的配准方法减轻了图像灰度差异和噪声的影响，缩短了配准时间。然而，特征点匹配问题本身就是一个尚未得到较好解决的难题，特征点的误匹配直接影响了图像的最终配准结果。
　为解决上述问题，RANGARAJAN A等提出了一种结合互信息与特征点的配准方法[6]，定义了特征点集的互信息函数，通过对该函数最大化实现图像配准。这种方法减轻了灰度差异与特征点误配对配准的影响，但函数形式复杂，配准时间较长。
　最新的研究结果表明，通过对随机抽样构建广义近邻图可以估计随机变量的熵[7]，这已在统计学与信息论的研究中受到广泛关注。本文将该理论引入图像配准中，将图像配准中的特征点与互信息结合起来估计特征点的Rényi互信息，提出了一种结合SURF描述子和广义近邻图医学图像配准方法。该方法了融合图像空间信息且无需计算概率直方图。通过与几种传统配准算法相比较，结果表明，该算法在鲁棒性、配准时间和配准精度方面提供了更好的综合性能。
1 SURF检测及描述
　SURF可以在图像尺度空间中提取特征点，并对每个特征点赋予特征，即SURF描述符。该算法提取的特征点对尺度、旋转、光照、仿射和透视变换等均具有较强鲁棒性，并在计算速度上明显快于以往同类方法。

1.2 主方向确定
　为保证特征点描述符的旋转不变性，SURF赋予每个特征点主梯度方向。在以特征点为中心，半径为6σ（σ为特征点对应的尺度）的邻域内，用边长为4σ的Haar小波模板计算该点在x、y方向的Haar小波响应，并以该点的高斯函数对这些响应值加权，然后将60°范围内的响应相加形成新的向量，遍历整个圆形区域，选择最长向量的方向为该特征点的主方向。这样，对特征点逐个进行计算，就可以得到每一个特征点的主方向。

　本文提出了一种结合SURF描述子和广义近邻图的图像配准算法。采用SURF快速、鲁棒地提取图像特征点，并形成特征点描述子，再结合特征点的广义近邻图估计Rényi互信息进行配准。在真实遥感图像中进行实验，结果表明该算法在配准鲁棒性、配准准确性和配准时间3个方面都优于另外两种传统图像配准方法。
参考文献
[1] ZITOVA B， FLUSSER J. Image registration methods： a survey[J]. Image and Vision Computing， 2003， 21：977-1000.
[2] 赵仕俊，孙林港.基于纹理特征的图像自动配准方法研究[J].微型机与应用，2011，30（9）：36-38.
[3] 李靖宇，穆伟斌，沈焕泉.医学图像配准的优化算法改进研究[J].微型机与应用，2010（8）：47-49.
[4] COLLIGNON A， MAES F， DELAERE D， et al． Automated muhimodality medical image registration using information theory[C]． Proceedings of Information Processing in Medical Imaging， 1995：263-274.
[5] BAY H， TUVTELLARS T， GOOL L VAN. SURF： speeded up robust features[C]. Proceedings of the European Conference on Computer Vision， 2006：404-417.
[6] RANGARAJAN A， Chui Haili， DUNCAN J S， et al．Rigid point feature registration using mutual information[J]．Medical Image Analysis，1999，3（4）：425-440.
[7] PAL D， POCZOS B， SZEPESVARI C. Estimation of Rényi entropy and mutual information based on generalized nearest-neighbor graphs[C]. NIPS， 2010.
[8] VIOLA P， JONES M J. Rapid object detection using a boosted cascade of simple features[C]. Proceedings of Computer Vision and Pattern Recognition， 2001：511-518.
[9] BROWN M， LOWED. Invariant features from interest point groups[C]. BMVC， 2002：1-10.
[10] LUAN H X， QI F H， XUE Z， et al. Multimodality image registration by maximization of quantitative-qualitative measure of mutual information[J]. Pattern Recognition， 2008， 41： 285-298.