圖像配準的演算法
A. 圖像比對的原理或者演算法
有雜訊情況下。1、配准；2、兩張圖的圖像塊分別計算特徵（lbp,sift等）；3、計算特徵的距離（歐式距離等）。在matlab或opencv下都可以。
B. 遙感圖像處理軟體ERDAS Imange中配准使用的是什麼演算法
ERDASImange中配准使用的演算法很多，有些事針對特定感測器專門量身定做的，比如IRS、landsat、spot、IKONOS等等，對於這些針對感測器的校正方法，需要影像獲取瞬間感測器相對於地球的方位信息；如果不考慮感測器可以選affine（仿射變換），polynomial（多項式變換），如果是三維影像的可以選擇camera（使用共線方程）模型和DLT（直接線性方程）模型。最通用的還是多項式變換校正法polynomial。
C. 數字圖像處理的基本演算法及要解決的主要問題
圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基於光學理論的處理方法依然佔有重要的地位。
圖像處理是信號處理的子類，另外與計算機科學、人工智慧等領域也有密切的關系。
傳統的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬於二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。
目錄
[隱藏]
* 1 解決方案
* 2 常用的信號處理技術
o 2.1 從一維信號處理擴展來的技術和概念
o 2.2 專用於二維（或更高維）的技術和概念
* 3 典型問題
* 4 應用
* 5 相關相近領域
* 6 參見
[編輯] 解決方案
幾十年前，圖像處理大多數由光學設備在模擬模式下進行。由於這些光學方法本身所具有的並行特性，至今他們仍然在很多應用領域佔有核心地位，例如 全息攝影。但是由於計算機速度的大幅度提高，這些技術正在迅速的被數字圖像處理方法所替代。
從通常意義上講，數字圖像處理技術更加普適、可靠和准確。比起模擬方法，它們也更容易實現。專用的硬體被用於數字圖像處理，例如，基於流水線的計算機體系結構在這方面取得了巨大的商業成功。今天，硬體解決方案被廣泛的用於視頻處理系統，但商業化的圖像處理任務基本上仍以軟體形式實現，運行在通用個人電腦上。
[編輯] 常用的信號處理技術
大多數用於一維信號處理的概念都有其在二維圖像信號領域的延伸，它們中的一部分在二維情形下變得十分復雜。同時圖像處理也具有自身一些新的概念，例如，連通性、旋轉不變性，等等。這些概念僅對二維或更高維的情況下才有非平凡的意義。
圖像處理中常用到快速傅立葉變換，因為它可以減小數據處理量和處理時間。
[編輯] 從一維信號處理擴展來的技術和概念
* 解析度(Image resolution|Resolution)
* 動態范圍(Dynamic range)
* 帶寬(Bandwidth)
* 濾波器設計(Filter (signal processing)|Filtering)
* 微分運算元(Differential operators)
* 邊緣檢測(Edge detection)
* Domain molation
* 降噪(Noise rection)
[編輯] 專用於二維（或更高維）的技術和概念
* 連通性(Connectedness|Connectivity)
* 旋轉不變性(Rotational invariance)
[編輯] 典型問題
* 幾何變換（geometric transformations）：包括放大、縮小、旋轉等。
* 顏色處理（color）：顏色空間的轉化、亮度以及對比度的調節、顏色修正等。
* 圖像合成（image composite）：多個圖像的加、減、組合、拼接。
* 降噪（image denoising）：研究各種針對二維圖像的去噪濾波器或者信號處理技術。
* 邊緣檢測（edge detection）：進行邊緣或者其他局部特徵提取。
* 分割（image segmentation）：依據不同標准，把二維圖像分割成不同區域。
* 圖像製作（image editing）：和計算機圖形學有一定交叉。
* 圖像配准（image registration）：比較或集成不同條件下獲取的圖像。
* 圖像增強（image enhancement）：
* 圖像數字水印（image watermarking）：研究圖像域的數據隱藏、加密、或認證。
* 圖像壓縮（image compression）：研究圖像壓縮。
[編輯] 應用
* 攝影及印刷 (Photography and printing)
* 衛星圖像處理 (Satellite image processing)
* 醫學圖像處理 (Medical image processing)
* 面孔識別, 特徵識別 (Face detection, feature detection, face identification)
* 顯微圖像處理 (Microscope image processing)
* 汽車障礙識別 (Car barrier detection)
[編輯] 相關相近領域
* 分類（Classification）
* 特徵提取（Feature extraction）
* 模式識別（Pattern recognition）
* 投影（Projection）
* 多尺度信號分析（Multi-scale signal analysis）
* 離散餘弦變換（The Discrete Cosine Transform）
D. 楊丹的作品
代表性論著
1.D. Yang*, X.-Y. Ye, M. Xu, K.-W. Pang, K.-K. Cheung. Investigation of Mn(III)-Based Oxidative Free Radical Cyclization Reactions toward the Synthesis of Triptolide: The Effects of Lanthanide Triflates and Substituents on Stereoselectivity. J. Am. Chem. Soc. 2000, 122, 1658-1663.
2.D. Yang*, S. Gu, H.-W. Zhao, Y.-L. Yan, N.-Y. Zhu. Atom-Transfer Tandem Radical Cyclization Reactions Promoted by Lewis Acids. Angew. Chem. Int. Ed. 2002, 41, 3014-3017.
3.D. Yang*, J. Qu, W. Li, Y.-H. Zhang, D.-P. Wang, Y.-D. Wu*. Cyclic Hexapeptide of D,L-a-Aminoxy Acids as a Selective Receptor for Chloride Ion. J. Am. Chem. Soc. 2002, 124, 12410-12411.
4.D. Yang*. Ketone-Catalyzed Asymmetric Epoxidation Reactions. Acc. Chem. Res. 2004, 37, 497-505. (Invited article to a special issue entitled 「Asymmetric Organocatalysis「)
5.D. Yang*, X. Li, Y.-F. Fan, D.-W. Zhang. Enantioselective Recognition of Carboxylates: A Receptor Derived from a-Aminoxy Acids Functions as a Chiral Shift Reagent for Carboxylic Acids. J. Am. Chem. Soc., 2005, 127, 7996-7997.3.重慶大學副校長楊丹 楊 丹男，教授、博士、計算機應用技術專業博士生導師。現任重慶大學副校長，重慶大學虎溪校區管理委員會主任。兼任教育部計算機教學指導委員會委員，《計算機教育》編委會成員，中國計算機學會高級會員，中國運籌學會排序專業委員會委員，重慶市工業與應用數學協會副理事長,重慶市軟體行業協會副理事長、秘書長，重慶市科委企業信息化專家組顧問。獲省部級有突出貢獻的中青年專家稱號。重慶大學行業信息化工程中心學術帶頭人. 重慶市第二屆政協委員，重慶市第三屆人大代表、常委。九三學社社員。重慶大學自動化本科畢業，85.6重慶大學應用數學專業碩士畢業，95.5重慶大學機械製造（工業工程方向）專業博士畢業，1997.10至1999.9在日本國立電氣通信大學工業工程專業做博士後研究。研究方向：科學與工程計算、軟體工程及應用（企業信息化及製造業運行管理技術）、數字圖像處理。長期從事計算機應用技術相關研究工作。主要包括計算機數字圖像處理、調度理論及其應用、企業信息化技術及製造業運行管理技術，針對具體問題的建立數學建模、進行演算法設計、程序設計與實現等。 獲獎情況：軟體工程人才培養體系研究與實踐，2005年度國家級優秀教學成果二等獎軟體工程人才培養體系研究與實踐， 2004年度優秀教學成果一等獎（第一獲獎人）中國高校自然科學一等獎－製造系統工程的理論與技術體系，2002年度國家級優秀教學成果二等獎 - 製造系統工程（MSE）研究生培養模式與實踐，1997年度四川省級優秀教學成果一等獎 - 製造系統工程（MSE）研究生培養模式與實踐，1997年四川省有突出貢獻的優秀專家稱號，四川省省委、省政府，1996年電力系統經濟運行的數學模型、方法和程序的研究，四川省科技進步三等獎，1989年度大系統優化分解法在梯級水電站開機組合中的應用，四川省科協首屆青年優秀論文獎，1988年四川石油管理局MIS分析與總體設計，四川省科技進步三等獎，1989年三、完成的主要項目為課題負責人或主要研究者共完成國家級及省部級重大科研課題等20項，包括:電力系統經濟運行的數學模型、計算方法及程序的研究國家自然科學基金（編號：84S031）四川石油局MIS系統分析與設計、四川石油局MIS軟體系統詳細設計、四川石油局MIS軟體開發國家863項目（編號 863-511 06-0103-01）:FMS刀具管理系統的研究966E技術引進消化吸收國產化計算機系統柳州工程機械廠計算機輔助生產管理系統殘缺數據環境中車間計劃與控制問題研究, 國家863/CIMS項目, 編號 511-9508-006支持並行工程和精良生產的決策模型研究，國家863/CIMS項目，編號 511-10-0144重慶機床廠CIMS應用工程總體規劃, 國家863/CIMS項目, 編號 863-511-9502-6121廈工產品數據管理系統(XGPDM)、零件編碼系統的研究與開發先進計劃調度系統研究，國家教育部高等學校骨幹教師資助項目計算機集成製造系統的生產計劃調度新演算法研究,重慶市科委應用基礎項目先進製造系統生產計劃與調度的快速演算法研究，國家教育部留學回國人員啟動基金項目CD-400CG(31)工業CT圖像重建與處理系統，總裝備部項目涪陵化工股份有限公司FH-CIMS工程總體設計，重慶市科委製造業信息化重大專項子項目重慶望江股份有限公司CIMS工程總體設計分布式應急時間模擬與管理系統開發，重慶市科委重點攻關項目裝備製造業關鍵技術的研究開發，重慶市科委重大科技攻關項目四、出版作品：（一）專著：《製造系統工程》（專著）第2主編，國防工業出版社，1995年10月《機械工程科學技術前沿》（第一章）第2作者，機械工業出版社96年5月。《製造自動化》第2主編 機械工業出版社，1996年8月《高技術辭典》（編寫七個詞條，第1作者）， 科學出版社《製造系統工程》（專著,第二版）第3主編，國防工業出版社，2000年10月（二）主要論文有：楊丹 瞿中,基於插值函數的三維圖像表面重建演算法,哈爾濱工業大學學報,第41卷3期,2009,3,pp134-136 （EI Compendex 收錄刊源） 徐玲（博士生）,楊丹,洪明堅等,基於平面曲線協方差矩陣行列式的角點檢測的研究,儀器儀表學報,Jan.,2009,Vol.30, No. 1, pp91-95張小洪,李東, 楊丹, T-S模糊系統的脈沖穩定性, 模糊系統與數學, 2008年 06期 徐小明,楊丹, 張小洪. 基於局部不變映射的特徵描述器演算法. 自動化學報, 2008, Vol.34 (9): 1174-1177,EI Compendex084211647035雷明,楊丹,張小洪,條件理論控制喜愛良態特徵的匹配演算法,光電工程,May,2008, Vol.35,No.5,pp124－128 （EI Compendex 082711350730）雷明,楊丹,張小洪,張瑩.基於協方差矩陣的B-樣條多尺度表示的角點檢測演算法,光電工程,May,2008,Vol.35,No.2,pp45-50 （EI Compendex 081211162202）馬麗濤,楊丹,張小洪,李博. 一種新的基於條件數的圖像配准演算法. 中國圖像圖形學報, 2008, vol.13, No.2:277-283徐玲,楊丹 王時龍,基於進化神經網路的刀具壽命預測,計算機集成製造系統,2008.1,14卷1期,pp.167-171, EI Compendex 081211161403楊丹,徐傳運等,基於主題相關的P2P網路研究,計算機科學,07年,Vol.34,No.8, pp.62-64 葛永新,楊丹,張小洪,基於邊緣特徵點對對齊度的圖像配准方法,中國圖像圖形學報,Vol.12,No.7, 2007年7月,pp1291-1295黃中美; 張小洪; 楊丹;基於二元樹復小波特徵表示的人臉識別方法,計算機應用, Journal of Computer Applications, 2007年 05期朱磊; 楊丹; 吳映波, 基於BP神經網路的軟體可靠性模型選擇, 計算機工程與設計, Computer Engineering and Design, 中文核心期刊, 2007年 17期Zhang, Xiao-Hong; Li, Bo; Yang, Dan,Novel Harris multi-scale corner detection algorithm, 電子與信息學報, v 29, n 7, July, 2007, p 1735-1738 Language: ChineseEI Compendex 073110726873Xiaohong, Zhang Dong, Li; Dan, Yang, Impulsive control of T-S fuzzy systems, Proceedings - Fourth International Conference on Fuzzy Systems and Knowledge Discovery, FSKD 2007, v 1, Proceedings - Fourth International Conference on Fuzzy Systems and Knowledge Discovery, FSKD 2007, 2007, p 321-325,EI Compendex 082211281676張小洪, 雷明, 楊丹, 基於多尺度曲率乘積的魯棒圖像角點檢測,中國圖像圖形學報,Vol.12,No.7, 2007年7月,pp.1270-1275葛永新, 楊丹, 張小洪, 基於特徵點對齊度的圖像配准方法,電子與信息學報,2007年2月,Vol. 29, No. 2, pp.425-429, EI Compendex 071810576347 Li, Bo; Yang, Dan; Zhang, Xiao-Hong; Ma, Li-Tao,Chaotic lag synchronization of coupled time-delayed neural networks with two neurons using LMI approach,電子與信息學報, v 33, n 11, November, 2007, p 1196-1199,EI Compendex 075210995107楊娟; 楊丹; 雷明; 羅建祿, 基於二代小波和圖像置亂的數字圖像盲水印演算法, 計算機應用, Journal of Computer Applications, 2007年 02期施成湘; 楊丹; 查振家; 張小洪;, 基於特徵散度的模糊彩色圖像分割演算法, 重慶大學學報(自然科學版),2007年 01期, pp89-92李博,楊丹, 張小洪,一種新的基於梯度方向直方圖的圖像配准方法,計算機應用研究,2007年24卷3期 pp312-314徐光俠, 楊丹,基於Web Service技術的異構系統的無縫集成,計算機工程與設計, 2007年 06期 ,pp1409-1411王玉珠,楊丹,張小洪,基於B樣條的改進型Harris角點檢測演算法,計算機應用研究,2007-02,pp192-193 李博, 楊丹, 張小洪. 基於Harris多尺度角點檢測的圖像配准新演算法, 計算機工程與應用, Computer Engineering and Applications, 2006年 35期 ,pp37-40 陳進,楊丹等,SOA技術在電信業務編排中的應用,計算機科學,2006,pp.290-292 施成湘,楊丹等,擴展的多尺度模糊邊緣檢測,計算機工程與應用,2006,42,pp65-68 葛永新,楊丹,張小洪,基於小波多尺度積的圖像配准方法,計算機科學,2006,242-245文俊浩, 徐玲, 楊丹. 軟體工程人才培養的實踐探索, 《中國大學教學》（CSSCI檢索源期刊）,2005年9期, pp31-33 Qu Zhong, Yang Dan etc.. Study on Interpolation Function of Image Reconstruction, Proc. Of the 11th Joint International Computer Conference(2005), World Scientific, pp952-955 徐國慶,楊丹. 基於daubechies小波的基音檢測.武漢化工學院學報.2005年27卷4期張強勁,楊丹,張小洪,葛永新,基於多尺度模糊邏輯的小波邊緣檢測演算法,重慶大學學報（自然科學版）2005, 28（10）：62-65文俊浩,楊丹等. 軟體工程人才培養體系研究與實踐,高等工程教育研究,2005年第4期（總第93期）,pp. 63-65 楊夢寧,楊丹等. 基於最大數法的模糊圖像分割方法,計算機科學,2005 Vol. 32 No. 8, pp. 190-191祝偉華,楊丹等. 數字化校園設計與構建方法研究,計算機科學,2005 Vol. 32 No. 8, pp. 97-99祝偉華,周穎,楊丹, Web服務的安全性研究,計算機科學, 2005年32卷6期瞿中,楊丹,吳渝,扇形束掃描模式圖像重建中消除偽影演算法研究,計算機研究與發展,2005年,第42卷第8期,pp. 1338－1343 （徐國慶（研究生）,楊丹. 樂音識別方法及應用.計算機應用. 2005年,第25卷4期,pp. 968-970徐國慶,楊丹,小波變換與FFT聯合識別樂音,重慶大學學報（自然科學版）,2005 年28卷12期,pp.51-54徐光俠; 祝偉華; 楊丹; 譚亞竹,MMOG的網路負載均衡演算法 ,重慶大學學報（自然科學版）,2005年28卷11期, pp. 39-42葛永新,楊丹,張小洪, 基於邊緣特徵點對對齊度的圖像配准方法,計算機科學,已錄用楊 丹,張小洪, 基於小波多尺度積的邊緣檢測演算法,計算機科學,2004年 Vol. 31(1) pp133-135楊丹,李東（研究生）,加工系統中的一種排序演算法,運籌與管理,2003, Vol. 12, No. 4, pp 42-45王時龍,楊丹等,代理式裝配線質量監控系統的智能決策,計算機集成製造系統,2003年4月,Vol. 9, No. 4,pp320-324,EI Compendex 03437696628張小洪,楊丹,劉亞威, 基於Canny運算元的改進型邊緣檢測演算法,計算機工程與應用,2003年,Vol. 39,No. 29 pp113-115,劉亞威（研究生）,楊丹,張小洪, 基於空間矩的亞像素邊緣定位技術的研究,計算機應用,2003.2,Vol.23, No.2, pp47-49,高精度圖像測量與對准系統的演算法研究,楊丹,劉亞威,張小洪,李東,計算機科學,2003年 Vol. 30, No. 12, pp 13-135曹於忠,楊丹,不定需求情況下確定生產批量的方法研究,重慶大學學報,2003年11月 Vol. 26, No. 11,pp 105-108.李東,楊丹,最小化總拖期數的一種新演算法,控制與決策,第18卷,2003年增刊,pp199-206.楊丹,非相同並行加工系統的啟發式調度演算法,中國運籌學會第六屆學術會議論文集,pp.719-728, Global-Link Publishing Company(Hong Kong),2000年10月,長沙.楊丹,由良憲二,並列機械スケジヱ-リンダにおける近似解法による評價值の下限值にっぃて,Proc. Of Annual Conference of Scheling Society of Japan, pp. 32-36, Oct. 1999, Kyoto, Japan.楊丹,基於MRP/均衡生產的計劃控制模型（Proction planning and control model based on MRP/proportionate proction）,中國機械工程, 1996年7卷5期, pp. 16-18, EI Compendex 97043591939 楊丹,並行加工系統E/T排序問題研究, 1996年,19卷6期,pp.54-60, 重慶大學學報.楊丹,並行加工系統負荷分配的模型與新演算法研究,1996年,19卷6期,pp.73-78,重慶大學學報.製造系統理論體系框架及其應用（Systematic framework and applications of manufacturing systems theory）,中國機械工程,1996年7卷1期,pp.43-45,第2作者,EI Compendex 96093338562Flow-Shop型加工單元生產調度的一個新演算法, 投中國運籌學會96年會,第1作者一個均衡生產調度模型和啟發式演算法,第4屆中國計算機集成製造學術會議論文集（CIMS－China』96）,第1作者楊丹,製造系統生產管理的決策點,1995年第2期,重慶大學學報（社科版）.M×N零件排序問題的新演算法. 全國計算數學會95年年會論文集. 鄭州, 1995 ,第2作者製造系統理論體系框架及其應用,95年,95國際工業工程及製造工程研討會論文集, 第2作者MRP/均衡生產混合型生產計劃控制模型,1995年,95國際工業工程及製造工程研討會論文集,第1作者單級並行加工系統零件的最優排序. 第二屆全國青年學術會議四川衛星會議論文集. 成都, 1995,第2作者柔性製造系統零件排序的一種工程實用新演算法. 組合機床與自動化加工技術, 1995(12),第3作者FMS在線刀具管理系統研究. 高技術通訊,1995(5),第4作者柔性製造零件排序的一個工業實用演算法. 製造技術與機床, 1995(7),第3作者並行加工設備組生產調度的一般模型及演算法. 重慶大學學報. 1994(1), 第3作者柔性製造系統負荷最優分配的一個新演算法. 組合機床與自動化加工技術,1994(6),第3作者 FMS生產計劃調度系統的研究, 重慶大學學報, VOL. 16 NO.6,1993,第2作者柔性製造系統生產調度中的運籌學模型和方法,重慶大學學報,1993(3),第1作者FMS調度管理演算法性能評價方法,組合機床與自動化加工技術 1993(6),第3作者FMS在線刀具管理系統OLTMS, 機 床,1993(4),第3作者貫徹因材施教原則, 注重創造型人材培養. 高等工程教育,1993(2),第1作者Solving economic scheling prob. of cascade hydropower stations by expert systems combined with methods of OR,3rd Int. Workshop on AI in Eco. & Manag, 1993, Portland, USA, 第2作者 FMS生產決策問題分類和描述,CIMS-China』92論文集, 1992,清華大學出版社, 第1作者FMS單元控制器生產調度系統的結構與功能,CIMS-China』92論文集, 1992,清華大學出版社,第2作者在線刀具管理系統的研究,CIMS-China』92論文集, 1992,清華大學出版社,第3作者Solving economic scheling prob. Hydro-thermal power systems by the decomposition methods & nonlinear programming methods, IFAC Int. Symp. on control of power systems,1992, Berlin,第2作者 The Models & Techniques in the Proction Planning and Scheling of FMS, Proc. of Int. Conf. on Modelling, Simulation & Control,1992,Hehui, China, 第1作者The mathematical models of environmental planning for the reservoir region of hydropower project, Proc. of the 2nd Int. Conf. on Numerical Opt. Theory & Appl., Xi』an,1991, 第2作者模糊數學和運籌學方法在電力系統經濟調度中的應用,高校應用數學學報,1990,第3作者Application of methods of Fuzzy math. & OR in economic scheling of hydro thermal power systems, IFAC/IFORS/IMACS Symp. on Large Scale Systems,1989, Berlin, 第2作者Solving economic scheling prob. of cascade hydropower stations by the methods of Fuzzy math. & non-linear programming, Proc. of the Int. Symp. on Eng. Math. and Appl., 1988年, Beijing, 第3作者The application of optimal decomposition methods of large scale systems to the units commitment of cascade hydropower stations, Proc. of the 1st international Conference on Numerical optimization & application, June 14-17,1986, Xian, China, 第1作者楊丹,大系統最優化分解法在梯級水電站開機組合中的應用,重慶大學學報,1986(4).
E. 醫學圖像配準的醫學圖像配準的評估
醫學圖像配准 ,特別是多模醫學圖像配准結果的評估一直是件很困難的事情。 由於待配準的多幅圖像基本上都是在不同時間 /和條件下獲取的 ,所以沒有絕對的配准問題 ,即不存在什麼金標准 ( gold standard ) ,只有相對的最優 (某種准則下的 )配准。 在此意義上 ,最優配准與配準的目的有關。常用的評估方法有以下幾種:
( 1)體模 ( Phantom): 體模又有硬體體模和軟體體模之分 ,後者是計算機圖像合成結果。 體模法用已知的圖像信息驗證新配准演算法的精度 。由於體模都比較簡單 ,與實際臨床圖像差異較大 ,因此只能對配准方法作初步的評估。
( 2)准標 ( ficial marks): 立體定向框架系統 ( Stereotactic Frame Systems)包括立體定向參考框架、立體定向圖像獲取、探針或手術器械導向幾部分。優點是定位準確 ,不易產生圖像畸變。
( 3)圖譜: Thompson 用隨機向量場變換構造一個可變形的概率腦圖譜。 包括從多個受試者到單一解剖模板的功能、血管、組織諸方面映射 ,三維圖譜到新受試者的掃描圖像的映射。
( 4)目測檢驗 ( visual inspection): 對多模醫學圖像配準的結果請領域專家用目測方法檢驗 ,聽起來有些主觀 ,但的確是一種相當可信的方法。
F. 不同解析度圖像的融合
遙感數據的融合是指採用一種復合模型結構，將不同感測器遙感影像數據源所提供的信息加以綜合，以獲取高質量的影像信息，同時消除各感測器信息間的信息冗餘和矛盾，加以互補，降低其不確定性，減少模糊度，以增強影像中信息清晰度，提高解譯精度、可靠性和使用率，以形成對目標相對完整一致的信息描述。
對地質礦產勘查而言，數據的融合目的主要是：①可以明顯地改善目標的顯示效果，將原始圖像中灰色調轉化為彩色調；②融合後圖像雜訊可以很好地被抑制，肉眼對地物判譯更加容易；③地物邊緣輪廓因彩色更加突出，地物紋理更加清晰。這些很明顯可以起到增強岩體、構造的可解性。
目前融合方法有：Lab變換、HIS變換、BROVEY變換、線形復合與乘積運算以及近幾年發展起來的小波變換等。這些融合方法在影像的處理上存在有不同偏向，因此要根據不同地物在影像的光譜表現上存在差異，採取不同的處理方法。
（一）微波遙感數據與TM數據融合處理
此次工作所採用的方法為可視化三維動態變換方法。
圖1-5 SAR圖像灰度拉伸關系圖
1.融合前的SAR數據特徵增強處理
為了突出SAR數據（彩圖1-5a）較高解析度的優勢，在融合前有必要對SAR進行灰度拉伸、紋理增強和細化處理減少雜訊等預處理。
（1）灰度線性拉伸
融合之前的拉伸方法不採用非線性拉伸，原因在於經過非線性拉伸後的圖像數據，原始灰度值的大小關系會發生變化，產生的灰度扭曲帶來了一些含義不明確的偽信息，影響解譯。因此，特別強調在增強局部灰度反差時保持原灰度關系的重要性。實驗表明，運用直觀而簡單的線性拉伸方法就可以達到反差增強的效果。其原理如圖1-5。
設A1、A2為輸入圖像的嵌位控制值，B1、B2為拉伸後圖像的最低和最高亮度值。
其輸入的圖像亮度值A1—A2被拉伸為B1—B2范圍，其中輸入亮度0—A1及A2—255分別被變換為B1、B2，如果B1=0、B2=255則拉大了輸入圖像的動態范圍，從而反差得到增強。這是嵌位控制的結果，從而保持了輸入圖像亮度的線性關系，即沒有改變A1到A2之間亮度值的大小關系，只是拉開了直方圖的動態范圍，從而加大了灰度間的差距，增強了影像的細微和突變結構。
（2）紋理能量增強
相鄰像元之間亮度值的差異（梯度）可作為紋理的測度。當差異大於一個閾值時，則認為該處存在著要考慮的紋理特徵；將此類特徵累積統計，則為紋理能量；當局部紋理特徵豐富時，則紋理能量大而表現為亮度值高。
SAR圖像主要提供的是空間信息，為了使融合後的圖像具有較高的空間分辨能力，對SAR圖像進行紋理增強及提取是必不可少的。為了突出地貌、線性構造等信息，採用直方圖偏度值法。其公式如下：
1∶25萬遙感地質填圖方法和技術
c（n）是對u進行壓縮或拉伸後的值。
利用此紋理值作為權重，對SAR進行高通濾波，可以突出紋理信息。
目前紋理能量增強主要靠模板（3×3、5×5、7×7等）實現，模板推移掃描對每個像元進行增強處理，考慮到增強紋理會帶來不必要的雜訊，模板的尺寸不易過大，試驗表明使用3×3、5×5兩個模板的增強效果顯著。
2.參與融合的非SAR數據的處理
在融合圖像中，參與融合的非SAR數據的貢獻就是它們的光譜信息。融合前對它們的處理以彩色增強為主，調整其亮度、色度、飽和度，拉開不同地物之間的色彩反差。對局部紋理的要求不高，有時為了保證光譜色彩，還允許犧牲部分紋理信息來確保融合圖像的總體效果。
通常所說的圖像增強是一維圖像增強，即先在單波段上進行反差增強，然後把增強後的三個波段合成在一起。這種方法在有些地區，由於地表信息接近，波段間的相關性強，合成的圖像反差小，色彩不鮮艷。因此，我們在反復試驗的實踐中，摸索出三維反差增強方法，獲得了色彩鮮艷且保留原始影像信息的彩色圖像（彩圖1-5b）。
三維反差增強技術的實質是，擴大同名點像元在合成的三個波段上的灰度差異，使該同名點合成的色彩鮮艷，達到彩色增強的目的；使圖像上不同地物間的微小的灰度差異也能增強成明顯的色彩差異，從而達到增強圖像信息的效果。這是一種用顏色來突出地質、地理信息的方法，這種方法比單純用灰度差異突出地質、地理信息更加有效。
實現三維反差增強技術有兩個約束條件：其一，增強後的圖像同名點像元的灰度值在三個波段上的灰度值仍然保持原來大小的相對關系，也就是說原來灰度值小的增強以後還是小的，原來灰度值大的增強以後還是大的；其二，增強後的圖像同名點像元在三個波段上的灰度值之和保持不變，只是同名點像元在三個波段上的灰度值的差異擴大，使彩色合成後的色彩鮮艷、信息豐富並保持原來標准假彩色合成的特點。
為了擴大不同地質體的光譜信息的差異，還可採用波段特徵差異光譜加權方法，其演算法如下：
設R，G，B為經過三維反差增強後的紅、綠、藍三個彩色分量；R0，G0，B0為輸出圖像的三個分量；Gb，Bg為波段特徵差異；α，β為兩個常數。
1∶25萬遙感地質填圖方法和技術
將生成的三個新分量再進行彩色合成，擴大了地物間的色彩差異，減少了相關性。上述融合方法的最大優點是可以對隔合圖像的銳度、灰度、色彩等空間信息分離並進行動態跟蹤處理，直到獲取滿意的結果為止。
（二）不同解析度多光譜數據融合處理
在乾旱裸露地區，利用Landsat TM L7衛星影像製作影像圖，與L5不同，L7有一個全色波段 B8，它的空間解析度為15 m，為了提高圖像解譯的可識別性，在提高空間解析度的同時，又充分利用多光譜波段的波譜信息，將L7自身所有的30 m空間解析度的多光譜波段（彩圖1-6a）與15 m解析度的全色波段進行信息融合，可得到高解析度的彩色圖像（彩圖1-6b）。同時我們在植被覆蓋試驗區，利用高解析度 SPOT衛星圖像（彩圖1-6c）與TM圖像的多光譜波段進行融合（彩圖1-6d），進而提高遙感解譯的可靠性，得到 TM圖像和SPOT圖像的彩色模擬，它的原理是：
首先將兩種解析度的圖像進行配准，配准精度應在一個像元以內，我們在乾旱裸露試驗區進行的四景L7圖像配准，最大擬合誤差為0.85像元；SPOT圖像16景與TM圖像的配准誤差最大為0.95像元。L7自身配准時糾正函數選擇一次多項式，不同感測器圖像配准時選擇二次多項式。
然後選擇的三個波段（乾旱裸露試驗區：7，4，1；植被覆蓋試驗區：5，3，2作HIS變換得到三個分量，用高解析度的圖像替代I分量，在進行反變換，重新得到RGB圖像。這個模擬圖像既有高解析度圖像的較高空間解析度，又具有彩色圖像的光譜信息。
G. 長圖最多可以拼多少照片
長圖最多可以拼9張圖片，再多圖片也不清晰了，有的軟體還需要付費。LongScreen 是一款專注 iPhone 截屏的拼圖應用。它的特點是能輕松拼接橫向並列拼圖,並支持豎向快速拼接長圖,選擇好圖片點擊右上角合並就可以開始拼接了。
圖像拼接技術技術分類
圖像拼接技術主要包括兩個關鍵環節即圖像配准和圖像融合。對於圖像融合部分，由於其耗時不太大，且現有的幾種主要方法效果差別也不多，所以總體來說演算法上比較成熟。
而圖像配准部分是整個圖像拼接技術的核心部分，它直接關繫到圖像拼接演算法的成功率和運行速度，因此配准演算法的研究是多年來研究的重點。
目前的圖像配准演算法基本上可以分為兩類：基於頻域的方法（相位相關方法）和基於時域的方法。
相位相關法最早是由Kuglin和Hines在1975年提出的，並且證明在純二維平移的情形下，拼接精度可以達到1個像素，多用於航空照片和衛星遙感圖像的配准等領域。
該方法對拼接的圖像進行快速傅立葉變換，將兩幅待配准圖像變換到頻域，然後通過它們的互功率譜直接計算出兩幅圖像間的平移矢量，從而實現圖像的配准。由於其具有簡單而精確的特點，後來成為最有前途的圖像配准演算法之一。
但是相位相關方法一般需要比較大的重疊比例(通常要求配准圖像之間有50%的重疊比例)，如果重疊比例較小，則容易造成平移矢量的錯誤估計，從而較難實現圖像的配准。
H. 求教：怎樣實現圖像匹配啊，最好有MATLAB源程序，急用啊
您好!
實驗平台
X86 PC，Windows XP sp2, Matlab 7.1
資源的獲取
圖片資源來自http://vision.ece.ucsb.e/registration/satellite/testimag.html，其中每個壓縮包里存有兩副圖片，每副圖片以矩陣形式保存。
matlab工具的使用方法：查看幫助mage Processing Toolbox User's Guide——Image registration。
涉及配准方法簡介
該工具箱提供的配准方法均需手工選擇圖像間的匹配點對（control points pair），均屬於交互配准方法。其基本過程為：讀入圖像數據－>在兩副圖像上選擇足夠匹配點－>選擇配准演算法，計算變換參數－>變換圖像。
假設input image（輸入圖像）為欲進行配準的圖像，base image為配準是的參考圖像。以下是我參考matlab幫助給出了簡介。
1．線性正投影（linear conformal）：最簡單。平面映射成平面。
當輸入輸入圖像與參考圖像對比，只是存在全局的平移、旋轉、縮放或其三者組合的差別時（正方形仍對應正方形），選擇此配准方法。此方法至少需要2對匹配點。
2．仿射（affine）：將平行線轉換成平行線。
當輸入圖像形狀存在切變現象（正方形對應平行四邊形），選此法。至少需3對匹配點。
3．投影（projective）：將直線映射成直線。
如果輸入圖像呈現傾斜，翹起現象，選此法。至少需4對匹配點。
4．多項式（polynomial）：將直線映射成曲線。
如果輸入圖像出現不規則曲變，採用此法。Matlab中提供有2、3、4次冪的實現，分別至少需要6，10，10對匹配點。
5．分段線性（piecewise linear）
如果輸入圖像的各個局部之間的退化模式明顯不一樣，選此法。至少需要4對匹配點。
6．局部加權平均（local weighted mean）
與分段線性一致，但效果較之好。至少需要6對（推薦12對）匹配點。
實驗步驟
1．讀取圖像數據。
因為源圖像以矩陣形式存在一個二進制的文件里，用fread可將其讀取到變數矩陣中。將讀取文件編製成一個子函數(RTIread.m)，源代碼如下：
function imMatrix=RTIread(FILENAME,SIZE)
%RTIread Read the image matrix from binary "Registration Test Image" file.
% imMatrix=RTIread(FILENAME,SIZE) opens the file FILENAME, and reads the
% number of elements specified by SIZE.
%
% FILENAME is a string containing the name of the file to be opened.
% Valid entries for SIZE are:
% N read N elements into a column vector.
% inf read to the end of the file.
% [M,N] read elements to fill an M-by-N matrix, in column order.
% N can be inf, but M can't.
%
% It returns the image matrix.
fid=fopen(FILENAME,'r');
imMatrix=fread(fid,SIZE,'uint8=>uint8');
fclose(fid);
%image(imMatrix);
這里我們選取了兩張600×600的圖片，文件名為「casitas84」和「casitas86」。運行以下代碼讀取圖像矩陣：
% 1. Read the images into the MATLAB workspace.
base=RTIread('casitas84',[600,600]);
input=RTIread('casitas86',[600,600]);
2．選取匹配點（control points）。
根據預定的配准方法，選定足夠的匹配點對。運行下列代碼：
% 2.Specify control point pairs n the images and save.
cpselect(input,base); %please select 15 points for test.
出現GUI界面。
http://walkfarer.blog.e.cn/UploadFiles/2006-3/327845185.jpg
操作很簡單，只需注意選點要均勻布開，以增加其代表性。選定完畢，File-> Save Points to Workspace將數據保存到工作區中。Workspace立刻多出兩個N×2的數組（其中N為選定的匹配點對數），分別為input_points和base_points，如：
input_points =
119.5185 193.5926
168.9012 242.9753
105.9383 140.5062
459.0247 131.8642
313.3457 257.7901
292.3580 165.1975
276.3086 33.0988
283.7160 380.0123
76.3086 297.2963
135.5679 83.7160
360.2593 313.3457
94.8272 446.6790
70.1358 354.0864
181.2469 361.4938
381.2469 460.2593
252.8519 433.0988
3．利用十字相關法調整選定了的匹配點。
這步可選。運行代碼：
% 3.Fine-tune the control points using cross-correlation.
input_points_corr = cpcorr(input_points,base_points,input,base); %optimism the points
input_points_corr為優化後在輸入圖片的對應匹配點。
4．計算變換公式的參數。
利用cp2tform，選定變換類型（即配准方法），計算變換參數。以下只需選定一種即可。
% 4.Specify the type of transformation to be used and infer its parameters
% (1) not Fine-tune points
Tlinear = cp2tform(input_points,base_points,'linear conformal');
Taffine = cp2tform(input_points,base_points,'affine');
Tprojective = cp2tform(input_points,base_points,'projective');
Tpolynomial2 = cp2tform(input_points,base_points,'polynomial',2);
Tpolynomial3 = cp2tform(input_points,base_points,'polynomial',3);
Tpolynomial4 = cp2tform(input_points,base_points,'polynomial',4);
Tpiecewise = cp2tform(input_points,base_points,'piecewise linear');
Tlwm = cp2tform(input_points,base_points,'lwm');
% (2)Fine-tune points
fTlinear = cp2tform(input_points_corr,base_points,'linear conformal');
fTaffine = cp2tform(input_points_corr,base_points,'affine');
fTprojective = cp2tform(input_points_corr,base_points,'projective');
fTpolynomial2 = cp2tform(input_points_corr,base_points,'polynomial',2);
fTpolynomial3 = cp2tform(input_points_corr,base_points,'polynomial',3);
fTpolynomial4 = cp2tform(input_points_corr,base_points,'polynomial',4);
fTpiecewise = cp2tform(input_points_corr,base_points,'piecewise linear');
fTlwm = cp2tform(input_points_corr,base_points,'lwm');
諸如Tlinear的變數為一個稱為TFORM的數據結構，尚沒做仔細研究：
Tlinear =
ndims_in: 2
ndims_out: 2
forward_fcn: @fwd_affine
inverse_fcn: @inv_affine
tdata: [1x1 struct]
5．變換圖像。
% 5.Transform the unregistered image to bring it into alignment.
title('image registration polynomial method');
subplot(2,2,1);
imshow(base);
title('Base image');
subplot(2,2,2);
imshow(input);
title('Input image');
subplot(2,2,3);
imshow(imtransform(input,Tpolynomial2));
title('registered image');
subplot(2,2,4);
imshow(imtransform(input,fTpolynomial2));
title('registered image(fine-tune points)');
結果如下：
http://walkfarer.blog.e.cn/UploadFiles/2006-3/327783689.jpg
總結
1．image和imshow區別。前者視base，input此類二維圖片矩陣為索引圖像，在系統的index庫中選取顏色。
2．選擇適當的方法來建立轉換參數，並非演算法越復雜越好，應參考成像因素（退化因素）。
3．尚沒有看出十字相關法的好處。
4. 利用cpselect選擇匹配點，cpselect可以返回一個GUI句柄。欲實現如下功能：當打開cpselect GUI 時，m文件程序暫停運行，關閉之後繼續執行。因為對GUI編程不懂， 使用了waitfor,pause函數都沒法實現。嘗試中……
I. 請大神解釋一下在醫學圖像配准中，什麼叫做局部優化演算法，什麼叫做全局優化演算法
演算法GA把問題的解表示成「染色體」，在演算法中也即是以二進制編碼的串。並且，在執行遺傳演算法之前，給出一群「染色體」，也即是假設解。然後，把這些假設解置於問題的「環境」中，並按適者生存的原則，從中選擇出較適應環境的「染色體」進行復制，再通過交叉，變異過程產生更適應環境的新一代「染色體」群。這樣，一代一代地進化，最後就會收斂到最適應環境的一個「染色體」上，它就是問題的最優解。
一、遺傳演算法的目的
典型的遺傳演算法CGA(Canonical Genetic Algorithm)通常用於解決下面這一類的靜態最優化問題：
考慮對於一群長度為L的二進制編碼bi，i＝1，2，…，n；有
bi∈{0,1}L (3-84)
給定目標函數f，有f(bi)，並且
0<f(bi)<∞
同時
f(bi)≠f(bi+1)
求滿足下式
max{f(bi)|bi∈{0,1}L} (3-85)
的bi。
很明顯，遺傳演算法是一種最優化方法，它通過進化和遺傳機理，從給出的原始解群中，不斷進化產生新的解，最後收斂到一個特定的串bi處，即求出最優解。
二、遺傳演算法的基本原理
長度為L的n個二進制串bi(i＝1，2，…，n)組成了遺傳演算法的初解群，也稱為初始群體。在每個串中，每個二進制位就是個體染色體的基因。根據進化術語，對群體執行的操作有三種：
1．選擇(Selection)
這是從群體中選擇出較適應環境的個體。這些選中的個體用於繁殖下一代。故有時也稱這一操作為再生(Reproction)。由於在選擇用於繁殖下一代的個體時，是根據個體對環境的適應度而決定其繁殖量的，故而有時也稱為非均勻再生(differential reproction)。
2．交叉(Crossover)
這是在選中用於繁殖下一代的個體中，對兩個不同的個體的相同位置的基因進行交換，從而產生新的個體。
3．變異(Mutation)
這是在選中的個體中，對個體中的某些基因執行異向轉化。在串bi中，如果某位基因為1，產生變異時就是把它變成0；反亦反之。
遺傳演算法的原理可以簡要給出如下：
choose an intial population
determine the fitness of each indivial
perform selection
repeat
perform crossover
perform mutation
determine the fitness of each indivial
perform selection
until some stopping criterion applies
這里所指的某種結束准則一般是指個體的適應度達到給定的閥值；或者個體的適應度的變化率為零。
三、遺傳演算法的步驟和意義
1．初始化
選擇一個群體，即選擇一個串或個體的集合bi，i=1，2，...n。這個初始的群體也就是問題假設解的集合。一般取n＝30-160。
通常以隨機方法產生串或個體的集合bi,i＝1，2，...n。問題的最優解將通過這些初始假設解進化而求出。
2．選擇
根據適者生存原則選擇下一代的個體。在選擇時，以適應度為選擇原則。適應度准則體現了適者生存，不適應者淘汰的自然法則。
給出目標函數f，則f(bi)稱為個體bi的適應度。以
(3-86)
為選中bi為下一代個體的次數。
顯然．從式(3—86)可知：
(1)適應度較高的個體，繁殖下一代的數目較多。
(2)適應度較小的個體，繁殖下一代的數目較少；甚至被淘汰。
這樣，就產生了對環境適應能力較強的後代。對於問題求解角度來講，就是選擇出和最優解較接近的中間解。
3．交叉
對於選中用於繁殖下一代的個體，隨機地選擇兩個個體的相同位置，按交叉概率P。在選中的位置實行交換。這個過程反映了隨機信息交換；目的在於產生新的基因組合，也即產生新的個體。交叉時，可實行單點交叉或多點交叉。
例如有個體
S1=100101
S2=010111
選擇它們的左邊3位進行交叉操作，則有
S1=010101
S2=100111
一般而言，交叉幌宰P。取值為0.25—0.75。
4．變異
根據生物遺傳中基因變異的原理，以變異概率Pm對某些個體的某些位執行變異。在變異時，對執行變異的串的對應位求反，即把1變為0，把0變為1。變異概率Pm與生物變異極小的情況一致，所以，Pm的取值較小，一般取0.01-0.2。
例如有個體S＝101011。
對其的第1，4位置的基因進行變異，則有
S'=001111
單靠變異不能在求解中得到好處。但是，它能保證演算法過程不會產生無法進化的單一群體。因為在所有的個體一樣時，交叉是無法產生新的個體的，這時只能靠變異產生新的個體。也就是說，變異增加了全局優化的特質。
5．全局最優收斂(Convergence to the global optimum)
當最優個體的適應度達到給定的閥值，或者最優個體的適應度和群體適應度不再上升時，則演算法的迭代過程收斂、演算法結束。否則，用經過選擇、交叉、變異所得到的新一代群體取代上一代群體，並返回到第2步即選擇操作處繼續循環執行。
圖3—7中表示了遺傳演算法的執行過程。
J. sift是怎麼解決兩幅圖配准問題
基於SIFT的圖像配准程序 SIFT特徵匹配演算法是目前國內外特徵點匹配研究領域的熱點與難點,其匹配能力較強,可以處理兩幅圖像之間發生平移、旋轉、仿射變換情況下的匹配問題,甚至在某種程度上對任意角度拍攝的圖像也具備較為穩定的特徵匹配能力-SIFT