根据图像配准所利用的图像信息，可以将图像配准分为基于图像灰度信息的配准方法和基于图像特征的配准方法。其中基于图像灰度信息的配准方法又可以再分为基于空域和基于频域的配准方法，基于空域的配准方法直接处理图像的像素，基于频域的配准方法将图像经过频域变换转换到频域中再做处理，两种方法各有优劣，互为补充。基于图像灰度信息的配准方法发展比较早，这类方法的思想比较直观，操作步骤也比较简单，是比较常用的图像配准方法。它假设源图像和待配准图像上的重叠区域具有相同或者相似的灰度信息，并且用灰度信息来定义相似性度量函数，然后通过一定的搜索和匹配策略，找到一组最优或近似最优的几何变换参数。一般来说，由于这种思想建立在图像灰度信息的基础上，所以在图像之间存在旋转和缩放以及非线性变换的情况下，这种思想有很大的局限性。基于图像特征的配准方法是近年来学界研究的热点，它的核心思想是根据不同的图像内容数据，选择合适的图像特征来匹配。由于图像的特征是建立在图像像素灰度信息和位置信息之上的进一步抽象，所以这种思想具有更广阔的应用空间。它的优势主要体现在以下几个方面：
（1）计算量小。它充分利用了图像内容的先验知识，所以比起基于灰度信息的配准方法漫无目标的运算查找，它可以节省很多无用的大规模运算。
（2）鲁棒性好。对于基于灰度的方法来说，一旦配准图像之间有较大的几何形变这种算法就无能为力了，而对于基于特征的配准方法，由于它只需要图像局部的特征，只要能够提取足够多的特征数量，理论上是可以完成配准的。
（3）对噪声不敏感。当两幅配准图像之间有较大的噪声干扰时，基于灰度的方法可能会出现无法配准或者误匹配的情况，而基于特征的方法能够在预处理阶段滤除噪声的干扰，使结果更加准确。
图像配准是一个复杂的过程，往往包含了多个处理步骤，而且各个步骤之间有很强的关联性，总的说来，对于基于灰度的配准方法来说，步骤比较简单，都是直接将灰度信息作为输入进行相似性运算，而基于特征的图像配准方法比较复杂，按照图像配准的流程一般可以分为获取输入图像、图像预处理、特征检测、特征匹配、变换模型估计、图像重采样和变换等，具体如图7.5所示。
（1）获取输入源图像和待配准图像。计算机一般通过电子摄像机来获取数字图像，这些图像由一系列点或者图形像素组成，对应每个位置上的目标物理信息（灰度、色彩）作为一系列数字存储在计算机内。作为配准的双方，两幅图像必须有部分内容是重叠的，或者说两幅图像的拍摄目标是一致的。
（2）图像预处理。因为配准的两幅图像采集条件的差异，比如采集的光线不同、随机噪声、不同视角等等，导致两幅图像不能直接拿来做配准处理，所以在配准之前必须要经过一系列的预处理操作，突出配准有用的信息。一般来说，预处理方法分为空间域处理方法和频域处理方法，空间域处理方法处理的对象是像素的灰度值，常见的有平滑处理、直方图修正、灰度变换增强、图像锐化等。频域处理方法将图像从空间域通过某种变化手段转换到频域，在频域对图像做一系列滤波处理，然后再将图像从频域反转换到空域，从而使图像转化为我们预想的样子。
图7.5 基于特征图像配准基本步骤
（3）特征检测。常用的特征一般有边缘特征，区域特征以及点特征。对于不同的特征一般用不同的检测方法，特征检测没有普适的方法，往往根据具体应用来决定。一种好的特征一般具有以下性质：(www.xing528.com)
①可重复性。同一个物体在不同场景或者视角下，两幅图像中对应的特征越多越好。
②独特性。检测到的特征要呈现多样性。这样才能有利于区分和匹配。
③局部性。局部性指的是特征应该在一定范围内，这样能减少被遮挡和覆盖的可能性，并且有利于用简单的模型来描述两幅图像之间的几何形变。
④数量性。检测到的特征一定要足够多，特征数量越多，分布越广，配准越可靠。
⑤准确性。特征能够被精确定位，这样才能有更多的实用价值。
⑥高效性。检测的时间越短越好，以便用于实时性的应用。
（4）特征匹配。检测出的特征必须用一个好的特征描述子来刻画，它是一种图像局部结构的定量化数据描述，反映了特征附近局部图像的纹理和形状。理想的特征描述子具备高的鲁棒性，独特性和匹配速度，鲁棒性是算法指在各种噪声干扰和不同形变条件下仍能稳定的工作，得出正确的结果，独特性是指不同的描述子能准确地捕获和反映两幅图像之间的结构变化，匹配速度当然是越快越好，这样算法能有更广阔的应用空间。
（5）变换模型估计。图像变换模型是指根据待配准图像与参考图像之间检测出来的特征描述子，用算法计算两幅图像之间几何变换的最佳拟合。
（6）图像重采样和变换。这个步骤是图像配准的后续步骤，用来将两幅图像拼接或者融合，实现具体的应用。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
