(2)基准模板的最佳配准。给定模板，预先选定特征，与已知场景进行匹配。主要运用在遥感数据处理如标志性建筑物的定位，与模板进行比较。

(3)不同观测点获得的图像配准。主要应用：三维场景重构、目标运动跟踪等。

(4)同一场景不同时间的图像配准。实际运用中，允许存在小部分内容的差异，根据时间的变化，剔除噪声点的误差后，能有效地对比出几幅图像的变化差异，从而得出有效结论。在实际中常运用于医学病情分析、病灶检查、自然资源的监控等。

通过相似性度量找到相匹配的特征点对，由此得到图像空间坐标变换参数，最后进行图像配准。

目前，图像配准算法主要分为三大类[3]：基于灰度信息的配准方法、基于图像特征的配准方法和基于变换域的配准方法。具体的分类将在下一小节做详细介绍。其中第一种方法比较简单，但缺点是其计算量很大，对于大幅度旋转和光照差异的图像比较敏感，这就使得其在实际运用中受到了较大限制；第二种方法是图像配准中最常用的方法，目前已成为该领域一大热点。准确的特征提取为特征匹配的成功提供了保障，因此，寻求具有良好不变性和准确性的特征提取方法至关重要。

1.4  图像配准方法

图像配准可以分为相对配准方式和绝对配准方式两种。相对配准指的是在多图像中选择其中一张作为参考图像，将其它图像与之配准，它的坐标系统是不确定的。而绝对配准指的是定义一个确定的控制网格，将所有图像在网格中进行配准，完成它们在网格坐标系的统一。通过恰当的多项式来拟合图像间的平移、旋转和仿射变换关系，将图像配准函数映射关系转化为确定多项式的系数问题，最终转化为确定配准控制点问题。

1.4.1  基于灰度信息的图像配准方法

基于灰度信息的方法是最早发展起来的图像配准方法，它利用图像本身的灰度统计信息来衡量图像间的相似程度[6]，使用搜索算法来达到匹配图像的目的。通常不需要复杂的预处理，所以实现起来比较简单，但是应用范围较窄，不能直接用于矫正图像的非线性形变[6]。在发展的过程中，逐步形成以下三种分类：

(1)互相关法。它是最基本的灰度统计的图像配准方法，给出了图像和模板的相似程度，通常用于模板匹配。设模板图像为T,另一幅图像为I,其中模板T比图像I尺寸小,则两幅图像之间的互相关为[3]：

(1.2)

其中u,v分别是模板在另一图像上坐标轴方向的位移量。当模板在(u0,v0)位置时，互相关值在C(u0,v0)处出现峰值，则可根据峰值所在位置来判断匹配的位置。

(2)序贯相似度检测匹配法(SSDA)。这种方法比传统的交叉相关更易实现，由Barnea等人提出，其主要特点是处理速度快，算法流程图如下所示[8]：

  SSDA算法流程图

(3)交互信息法。Viola等人[6]于1995年把交互信息引入图像配准领域，初衷是想解决多模态医学图像的配准问题。它的提出用来比较两幅图像的统计依赖性，如果两幅图像达到匹配，则它们的互信息达到最大值。

1.4.2  基于特征信息的图像配准方法

基于特征的图像配准方法是一种比较常见的方法，这类方法通常包括三个阶段[6]：

①提取图像的特征集；

②寻找两幅图像之间的映射关系；

③建立空间域的几何变换，利用最小二乘建立一个多项式函数进行拟合。

 基于图像特征的配准方法基本步骤

常用的图像特征有[7]纹理特征、颜色特征、形状特征和空间关系特征，而基于特征的匹配算法常见的有点特征匹配、边缘特征匹配和区域特征匹配等。