图像配准简单概述

一、前言

        图像配准作为图像算法中的基础模块，有着长久的发展历史和源源不断的最新成果，它的常见作用在于，将有输入图像像素，映射到参考图像上，使得图像公共区域内容信息可以在空间上一一对应起来，提升如后多帧融合，图像拼接等算法效果。

二、配准图像分类

        根据应用场景不同，配准算法需要处理的输入图像上会存在很大区别，在算法设计实现和配准难度上也有很大差异。

        常见像素级配准图像通常有：

        1、相同摄像头，相同角度拍摄的多帧图像：图像内容基本一致，通常主要是由于手抖之类因素导致的图像偏差。

        2、相同摄像头，不同角度拍摄的多帧图像：图像内容差异较大，公共区域面积相对较小，并且可能存在图像缩放差异。

        3、不同摄像头，相同角度拍摄的多帧图像：图像内容基本一致，但是由于来自不同硬件设备，除了手抖等问题外，还存在硬件本身差异导致的分辨率，画幅，景深，缩放等问题。

        4、不同摄像头，不同角度拍摄的多帧图像:除了硬件差异带来的分辨率，画幅，景深，缩放等问题之外，还存在图像内容差异较大，公共区域面积较小等难点。

        但是实际对于配准来说，真要细分的话，常见的差异难点其实还有很多类别，比如场景中存在运动物体，比如场景中存在大量无纹理或者重复纹理区域等。

三、配准算法分类

        常见的配准算法有很多，并且还在源源不断的有着更多，不同小伙伴对这些算法的分类方式也同样有很多，比如根据实现原理分类，比如根据应用场景分类。我个人喜欢根据配准数据来对图像进行分类。

        根据配准数据来说，大方向上大致可以分为2类：全局和局域配准。

        全局来说大部分是求解单应性矩阵，局域基本都是各类流场。

        进一步细分的话，全局还可以分为：平移、平移+旋转、平移+旋转+缩放等；局域配准也可以分为：稀疏流和稠密流等。

        通常项目上来说，这些全局和局域的配准算法并不是互斥的，很多项目上都会先全局对图像做基本配准，然后再继续做局域配准，来进一步提高配准效果。

四、总结

        实际项目上，根据输入图像情况，可以看情况选择满足项目需求的配准算法，尽量在效果和性能上权衡，比如对第一类配准图像来说，使用全局配准，甚至极端情况下，只考虑平移，可能都够用，但是对于第三或者第四类配准图像来来说，基本得需要用到局域流场了。

        这里只是做了个大概分类情况，配准相关更详细的综述可以参考：

白小鱼：图像配准综述

【Image Registration】图像配准综述 等文章。