CN103310453B - 一种基于子图像角点特征的快速图像配准方法 - Google Patents

Abstract

本发明提供一种基于子图像角点特征的快速图像配准方法，具体步骤包括：步骤一、选取参考子图和待配准子图;从参考图像中选取一子图作为参考子图，从待配准图像中选取一坐标空间与参考子图相同的子图作为待配准子图；步骤二、提取参考子图和待配准子图角点；步骤三、对参考子图和待配准子图上提取的角点进行特征描述，获得各角点的特征向量；步骤四，将待匹配子图和参考子图上角点的特征向量进行相似性度量和特征匹配，最终得到K个匹配点对；步骤五、基于K个匹配点对，采用最小二乘法计算待配准图像和参考图像之间的变换矩阵H，基于变换矩阵H将待配准图像配准到参考图像上。本发明可在满足图像匹配精度的同时大大提高图像的匹配速度。

Description

一种基于子图像角点特征的快速图像配准方法

技术领域

本发明属于图像配准技术领域，具体涉及一种基于子图像角点特征的快速图像配准方法。

背景技术

图像配准的应用非常广泛，如模式识别、自动导航、医学诊断、计算机视觉等领域。目前在图像的配准方面已开展了许多研究工作，提出了多种图像配准方法。目前大多数对图像配准的研究集中在特征提取，特征描述，相似性度量，多种配准方法的比较等，而较少关注配准的实时性。

常见的配准方法可以分为两类：基于特征的配准方法，如Harris角点法、SIFT法等；基于区域的配准方法，如互信息，FMT等。其中基于区域的配准方法不需要提取特征，适用于灰度信息大于结构信息的情况，且要求两幅图像的灰度函数必须相似或至少统计相关；从几何学的角度讲，它仅能处理平移和小角度旋转的情况，大角度旋转或尺度缩放必然意味着计算复杂度和时间复杂度的提高，因此适用范围较窄。而基于特征的配准方法可以配准两幅自然属性完全不同的图像，并适应两幅图像间复杂的几何和光学畸变，因此成为近年来研究的热点。但它的瓶颈是如何正确检测出对应的特征，并进行低复杂度、鲁棒的特征描述，以提高匹配搜索的效率。由于拍摄环境和景物分布的原因，使得拍摄得到的图像在对比度，结构清晰度，纹理特征等方面分布极不均匀。直接在大图上进行特征提取时(简称大图法)，在特征模糊区域提取的特征点反而可能成为正确匹配的干扰点，导致失配；另外，大量的特征点扩展了搜索空间的范围，导致搜索效率和实时性下降。

目前解决该问题的技术有：①“一种将互信息与模板匹配相结合的配准方法”，采用互信息为相似度准则进行图像的模板匹配，得到候选的匹配子图，通过待配准大图其余部分与模板和子图的空间关系，得到配准后的大图，分别计算按照各个候选子图配准情况下的待配准图的互信息，得到最大的互信息所对应的子图，确定最终的配准结果。但该方法在对灰度差不大的图像进行配准时，容易出现失配现象，而且配准时间比较长。②基于小波变换的图像配准方法，利用小波系数选取有效子图，并利用小波变换将图像分成若干层次，利用互相关系数作为相似性测度，最后通过迭代求精算法实现图像的配准。但该方法涉及相关系数计算、小波系数子图选取及迭代求精等耗时较多的步骤，使得算法复杂度高，实现难度大，实时性差。

发明内容

鉴于此，本发明在改进基于特征配准方法的基础上提出一种基于子图像角点特征的快速配准方法，旨在满足配准精度的前提下提高配准的鲁棒性和实时性。

为了解决上述技术问题，本发明是这样实现的：

一种基于子图像角点特征的快速图像配准方法，具体步骤包括：

步骤一、选取参考子图和待配准子图；

从参考图像中选取一子图作为参考子图，从待配准图像中选取一坐标空间与参考子图相同的子图作为待配准子图；

步骤二、提取参考子图和待配准子图的角点；

步骤三、对参考子图和待配准子图上提取的角点进行特征描述，获得各角点的特征向量；

步骤四、将待匹配子图和参考子图上角点的特征向量进行相似性度量和特征匹配，最终得到K个匹配点对；

该步骤的具体过程为：

1)针对每一所提取的角点p_i，寻找与p_i邻近的p个点构成p_i的距离邻域，i＝1，2…N，N为两幅子图上所提取角点的总个数；

2)依次计算待配准子图中每一角点特征向量到参考子图中所有角点特征向量的马氏距离，将马氏距离小于设定阈值d_Mth1的两角点定义为匹配点对，多个匹配点对构成匹配队列；

3)在匹配队列中，剔除不在对应距离领域的匹配点对，得到K个匹配点对；

步骤五、基于K个匹配点对，采用最小二乘法计算待配准图像和参考图像之间的变换矩阵H，利用所述变换矩阵H将待配准图像配准到参考图像上。

进一步地，本发明所述参考子图为参考图像上对比度强、结构特征明显的一幅子图。

进一步地，本发明所述参考子图的选取过程为：

首先将参考图像分割成n个大小相同的子图，其次计算每个子图的熵和平均梯度，然后选出熵和平均梯度之和最大的子图作为参考子图。

进一步地，本发明提取参考子图和待配准子图角点的方法相同，具体过程为：

首先，基于Harris角点检测方法，检测出子图角点；其次，采取邻域非极大抑制和总量抑制的方法对初始检测出的角点进行筛选，提取出前N个角点；然后，去除位于子图边界区域上的角点，从而提取到所需的角点。

进一步地，本发明所述子图边界区域为距离边界宽度为4*σ的矩形区域，其中σ为高斯平滑因子。

进一步地，本发明较佳的利用角点的12维梯度向量来表示角点的特征描述矩阵。

进一步地，本发明在计算马氏距离d_M(i，j)的过程中，利用正交矩阵P和对角矩阵D来表示协方差矩阵C的逆矩阵C^-1，将马氏距离的计算转换成欧式距离d_F的计算；

$d_M(i,j)=\sqrt{{(X_i^1-X_j^2)}^t{C}^{-1}(X_i^1-X_j^2)}$

$=\sqrt{{(X_i^1-X_j^2)}^t{P}^t\sqrt{D}\·\sqrt{D}P(X_i^1-X_j^2)}$

$=d_E(\sqrt{D}{\mathrm{PX}}_i^1,\sqrt{D}P{X}_j^2)$

其中，表示待配准子图上第i个角点的特征向量，表示参考子图上第j个角点的特征向量。

有益效果：

第一、本发明通过在待配准大图和参考大图上提取子图，并通过阈值设置提取出高匹配度的匹配点对，从而使得本发明可以快速、准确待配准和参考图之间的匹配。

第二、本发明是在待配准大图和参考大图上选取对比度和结构清晰的子图，然后按照基于特征的配准方法进行后续处理，即提取特征点和匹配搜索等计算复杂度高的操作直接在子图而不是大图上进行，提高了对应特征点检测的准确性，更快更准估计出变换矩阵，最终提高了配准的精度和实时性。

第三、选择基于改进的Harris角点检测方法，其检测的是角点局部范围内灰度和梯度变化剧烈的极大点。针对提取角点个数较多、匹配计算复杂度过大、速度慢的问题，本发明采取邻域非极大抑制和总量抑制的方法对初始检测出的角点进行筛选，并除去R中边界4*σ(σ为高斯平滑因子)内的所有点，目的是使保留的角点尽量在整幅图像的中央位置，避免因旋转、平移、缩放等使部分角点移出，提高提取角点的重复率。

第四、本发明对每个角点像素进行导向滤波，给出沿梯度方向的全导数；为应对因仿射变换引起的灰度差异，除去一阶导数，以12维梯度向量为角点的特征向量。相比较，基于SIFT的方法，其描述子是128维，改进的PCA-SIFT是36维。本发明在算法的复杂性和计算量上有较大减少。

第五、本发明将马氏距离的求解转换成简单的欧式距离的计算，在硬件实现时可避免冗余的求逆运算，降低对内存的空间要求，提高算法的实时性。

附图说明

图1为子图法配准流程示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

首先假设图像间畸变模型为仿射变换，其数学表示如下：

$\left[\begin{array}{c}{x_i}^{\′}\\ {y_i}^{\′}\end{array}\right]=s\left[\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]*\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]+\left[\begin{array}{c}{t}_x\\ t_y\end{array}\right]=\left[\begin{array}{cc}{a}_1& a_2\\ a_3& a_4\end{array}\right]*\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]+\left[\begin{array}{c}{t}_x\\ t_y\end{array}\right]---\left(1\right)$

其中，s为尺度因子，θ为旋转角，t_x为x方向平移量，t_y为y方向平移量，(x_i′，y_i′)为畸变后图像上的点，(x_i，y_i)为畸变前图像上的点。

如图1所示，基于子图特征的图像配准方法，具体步骤为：

步骤一、选取参考子图和待配准子图，即从参考图像中选取一子图作为参考子图，从待配准图像中选取一坐标空间与参考子图相同的子图作为待配准子图。

本发明较佳地采用以下方式对两幅子图进行提取：

首先在待配准图像和参考图像(待配准图像为参考图像发生畸变之后的图像)上相同坐标空间选取对比度强、结构特征明显、大小相同的图像作为待配准子图和参考子图。

子图的选取采用熵和梯度模相结合的方法：

先将参考图像分割成n(一般取n≥4)个大小相同的子图，再计算每个子图的熵和平均梯度，并选出熵和平均梯度之和最大的子图作为有效参考子图，然后在待配准图像相同坐标空间选取一子图作为有效待配准子图。

熵可作为图像局部区域信息的度量，通常定义为

$E=-\underset{i=1}{\overset{L}{\mathrm{\Σ}}}P\left(\mathrm{bi}\right)\ln P\left(\mathrm{bi}\right)$

其中，L—子图的像素级数，P(bi)—第i级像素亮度值的概率。

平均梯度反映了图像的清晰程度，同时还反映出图像中微小细节反差和纹理变换特征，其公式为：

$\▿\stackrel{\‾}{G}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[\mathrm{\Δxf}{(i,j)}^2+\mathrm{\Δyf}{(i,j)}^2]}^{1/2}$

其中，Δxf(i，j)和Δyf(i，j)分别表示像素(i，j)在x方向和y方向上的一阶差分，在此公式中M和N分别表示子图像的行数和列数。

根据上述公式计算图像中每个子图的熵和平均梯度，并取熵和平均梯度之和最大的作为有效配准子图。

后面的配准步骤除最后一步外，其余的都是在子图上进行。

步骤二、提取参考子图和待配准子图的角点。

下面对本发明利用到的、现有角点提取技术进行说明：

Harris角点检测算法只涉及图像的一阶导数，先定义矩阵M：

$M=G\&CircleTimes;\left[\begin{array}{cc}{I_x}^2& I_x{I}_y\\ I_x{I}_y& {I_y}^2\end{array}\right]=\left[\begin{array}{cc}<{I_x}^2>& <I_x{I}_y>\\ <I_x{I}_y>& <{I_y}^2>\end{array}\right]$

其中I_x为图像I的x方向的梯度；I_y为图像I的y方向的梯度；G为高斯模板；<·>表示高斯模板与函数卷积： $<I_x^2>=G\&CircleTimes;I_x^2,$ $<I_y^2>=G\&CircleTimes;I_y^2,<I_x{I}_y>=G\&CircleTimes;I_x{I}_y,$ 表示卷积。采用Nobel提出的角点响应函数CRF定义：

$\mathrm{CRF}=\frac{\mathrm{trace}\left(M\right)}{\det \left(M\right)}=\frac{<I_x^2>+<I_y^2>}{<I_x^2>\&CenterDot;<I_y^2>-{<I_x{I}_y>}^2}---\left(16\right)$

其中，det为矩阵的行列式；trace为矩阵的迹；CRF的局部极大值点即为角点。

针对现有方法提出的角点个数较多，导致的匹配计算复杂度过大、速度慢的问题，本发明采取邻域非极大抑制和总量抑制的方法对初始检测出的角点进行筛选，即通过设置CRF的阈值和排序的方法取前topN个角点组成最后的角点集R；然后除去R中子图像边界4*σ(σ为高斯平滑因子)内的所有点，目的是使保留的角点尽量在整幅图像的中央位置，避免因旋转、平移、缩放等使部分角点移出，提高提取角点的重复率。

步骤三、对参考子图和待配准子图上提取的角点进行特征描述，获得各角点的特征向量；

该步骤的具体过程为：

本发明中利用每一角点的12维梯度向量来作为角点的特征向量，由于其为12维数据，因此可大大提高本发明的配准速度。具体原理说明如下：

Young(1987)进行的神经生理实验表明，人类视网膜和大脑皮层感受域剖面可以用高斯导数来模拟。因此本发明对求得的每一个角点，求它的4阶高斯偏导数

G＝[G_x，G_y，G_xx，G_xy，G_yy，G_xxx，G_xxy，G_xyy，G_yyy，G_xxxx，G_xxxy，G_xxyy，G_xyyy，G_yyyy]。

其中G₁＝[G_x，G_y]，根据G1求

$\cos \left(\mathrm{\&theta;}\right)=\frac{G_x}{\left|G_1\right|}$

$\sin \left(\mathrm{\&theta;}\right)=\frac{G_y}{\left|G_1\right|}$

旋转矩阵：

$L=\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]$

G₂＝[G_xx，G_xy，G_yy]

G2的对称张量：g₂＝[G_xx，G_xy，G_xy，G_yy]

张量转换矩阵：

$M_2=\left[\begin{array}{cccc}{\cos }^2\mathrm{\&theta;}& \cos \mathrm{\&theta;}\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\sin \mathrm{\&theta;}& {\sin }^2\mathrm{\&theta;}\\ -\cos \mathrm{\&theta;}\sin \mathrm{\&theta;}& -{\sin }^2\mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}& \cos \mathrm{\&theta;}\sin \mathrm{\&theta;}\\ {\sin }^2\mathrm{\&theta;}& -\cos \mathrm{\&theta;}\sin \mathrm{\&theta;}& -\cos \mathrm{\&theta;}\sin \mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\end{array}\right]$

D(1∶3)-M₂*g₂(矩阵乘)

G₃＝[G_xxx，G_xxy，G_xyy，G_yyy]

G3的对称张量：g₃＝[G_xxx，G_xxy，G_xxy，G_xyy，G_xxy，G_xyy，G_xyy，G_yyy]

张量转换矩阵：

$M_3=\left[\begin{array}{cccccccc}{\cos }^3\mathrm{\&theta;}& -{\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& -{\sin }^3\mathrm{\&theta;}\\ -{\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& -\cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& -\cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& {\sin }^3\mathrm{\&theta;}& -{\cos }^3\mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}\\ \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& -{\sin }^3\mathrm{\&theta;}& -{\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& -\cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& -{\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& {\cos }^3\mathrm{\&theta;}& -{\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}\\ -{\sin }^3\mathrm{\&theta;}& \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}{\sin }^2\mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& {\cos }^2\mathrm{\&theta;}\sin \mathrm{\&theta;}& {\cos }^3\mathrm{\&theta;}\end{array}\right]$

D(4:7)-M₃*g₃

依次类推，得到D(8:12)，将D(1:12)作为角点的描述符。相比较，基于SIFT的方法其描述子是128维，改进的PCA-SIFT方法其描述子是36维。本发明的描述子是12维的，因此在算法的复杂性和计算量上有较大减少。

步骤四：将待配准子图和参考子图上角点的特征向量进行相似性度量和特征匹配，得到K个匹配点对；

1)针对每一所提取的角点p_i，寻找与p_i邻近的p个点构成p_i的距离邻域，i＝1，2…N，N为两幅子图上所提取角点的总个数；进行完步骤1)之后，在两幅子图像上共各形成了N个距离邻域。

2)依次计算待配准子图中每一角点特征向量到参考子图中所有角点特征向量的马氏距离，将马氏距离小于设定阈值d_Mth1的两角点定义为匹配点对，多个匹配点对构成匹配队列1。

3)在匹配队列中1中，剔除不在对应距离领域的匹配点对，得到K个匹配点对；

具体过程为：依次找出匹配点对各自的距离邻域no和nm，并两两组成匹配点对矩阵M(p*p个元素)；在M中，利用匹配队列1，找出距离领域nm与距离领域no中能够匹配得上的角点，并统计nm中满足匹配关系的角点个数m，若m≥p(p为预设参数)，则定义距离邻域no和nm为对应的距离领域，并定义距离邻域no和nm上的匹配点对为最终的匹配点对，否则剔除不在对应距离领域的匹配点对(即从匹配队列1中删除距离邻域no和nm上的匹配点对)，依次类推，得匹配队列2；最后在匹配队列2中取前K个匹配点对，得到的K个匹配点对，总体来说是相似性较高的匹配点对，本发明较佳保留K＝4对匹配点对，这样可以在保证匹配精度的同时，提高匹配速度。

本发明利用马氏距离的仿射不变性进行角点不变特征相似性度量。

马氏距离的求解为现有技术，现对其进行简单说明：对于由n个点构成的样本空间(这里是特征空间)(t表示转置，m表示维数)，其中任意一样本点到另一个样本空间 $X^2=\{{(x_{11}^2,\&CenterDot;\&CenterDot;\&CenterDot;x_{1m}^2)}^t,\&CenterDot;\&CenterDot;\&CenterDot;,{(x_{\mathrm{nm}}^2,\&CenterDot;\&CenterDot;\&CenterDot;x_{\mathrm{nm}}^2)}^t$ 中任一样本点 $X_j^2={(x_{j1}^2,\&CenterDot;\&CenterDot;\&CenterDot;x_{\mathrm{jm}}^2)}^t$ 的马氏距离为：

$d_M(i,j)=\sqrt{{(X_i^1-X_j^2)}^t{C}^{-1}(X_i^1-X_j^2)}$

其中，C表示协方差矩阵；C^-1表示C的逆矩阵。

假定和分别为待配准子图和参考子图间的一组匹配点对的特征向量，这里是12维不变特征向量。

因为协方差矩阵是一个实对称正定矩阵，本发明对马氏距离进行如下分解：C^-1＝P^tDP，这里P是正交矩阵，D是对角矩阵，则：

$\begin{array}{c}{d}_M(i,j)=\sqrt{{(X_i^1-X_j^2)}^t{P}^t\sqrt{D}\&CenterDot;\sqrt{D}P(X_i^1-X_j^2)}\\ =d_E(\sqrt{D}P{X}_i^1,\sqrt{D}P{X}_j^2)\end{array}---\left(18\right)$

根据上式计算出两角点和对应的马氏距离，此方法将马氏距离d_M转换为简单的欧式距离d_E的计算，在硬件实现时可避免冗余的求逆运算，降低对内存的空间要求，提高算法的实时性。

与传统的搜索匹配策略的方法不同，这种结合距离邻域和阈值的算法，实现了“由粗到精”的二级匹配过程，使得搜索空间和计算量随topN阈值的变化动态缩小，使得匹配率更高。

步骤五、在确定了待配准子图和参考子图中角点之间的匹配关系后，基于K个匹配点对，采用最小二乘算法，直接计算变换待配准图像和参考图像之间的变换矩阵H，之后基于变换矩阵H，采用双线性插值法对待配准图像进行重建。

例如：设(x_i，y_i)和(x_i′，y_i′)(i＝1，2，3，4)分别是待配准图像A和模板图像B上最终的匹配点集A和B；利用最小二乘法估算仿射变换参数的方法是：

A*H＝B

$A=\left[\begin{array}{cccccc}{x}_1& y_1& 0& 0& 1& 0\\ x_2& y_2& 0& 0& 1& 0\\ x_3& y_3& 0& 0& 1& 0\\ x_4& y_4& 0& 0& 1& 0\\ 0& 0& x_1& y_1& 0& 1\\ 0& 0& x_2& y_2& 0& 1\\ 0& 0& x_3& y_3& 0& 1\\ 0& 0& x_4& y_4& 0& 1\end{array}\right]$

B＝[x₁′；x₂′；x₃′；x₄′；y₁′；y₂′；y₃′y₄′；]

因此，H＝pinv(A)*B

可见，本发明通过合理地选取子图，并在特征提取，不变特征描述，相似性度量等方面改进基于特征的配准方法，并将这些方法应用于提取的有效子图，从而更快更准地进行图像的配准。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于子图像角点特征的快速图像配准方法，其特征在于，具体步骤包括：

步骤一、选取参考子图和待配准子图；

从参考图像中选取一子图作为参考子图，从待配准图像中选取一坐标空间与参考子图相同的子图作为待配准子图；

步骤二、提取参考子图和待配准子图的角点；

步骤三、对参考子图和待配准子图上提取的角点进行特征描述，获得各角点的特征向量；

步骤四、将待匹配子图和参考子图上角点的特征向量进行相似性度量和特征匹配，最终得到K个匹配点对；

该步骤的具体过程为：

1)针对每一所提取的角点p_i，寻找与p_i邻近的p个点构成p_i的距离邻域，i＝1，2…N，N为两幅子图上所提取角点的总个数；

2)依次计算待配准子图中每一角点特征向量到参考子图中所有角点特征向量的马氏距离，将马氏距离小于设定阈值d_Mth1的两角点定义为匹配点对，多个匹配点对构成匹配队列1；

3)在匹配队列1中，剔除不在对应距离领域的匹配点对，得到K个匹配点对；

步骤五、基于K个匹配点对，采用最小二乘法计算待配准图像和参考图像之间的变换矩阵H，利用所述变换矩阵H将待配准图像配准到参考图像上；

所述参考子图的选取过程为：

首先将参考图像分割成n个大小相同的子图，其次计算每个子图的熵和平均梯度，然后选出熵和平均梯度之和最大的子图作为参考子图。

2.根据权利要求1所述基于子图像角点特征的快速图像配准方法，其特征在于，所述n≥4。

3.根据权利要求1所述基于子图像角点特征的快速图像配准方法，其特征在于，提取参考子图和待配准子图角点的方法相同，具体过程为：

首先，基于Harris角点检测方法，检测出子图角点；其次，采取邻域非极大抑制和总量抑制的方法对初始检测出的角点进行筛选，提取出前N个角点；然后，去除位于子图边界区域上的角点，从而提取到所需的角点。

4.根据权利要求3所述基于子图像角点特征的快速图像配准方法，其特征在于，所述子图边界区域为距离边界宽度为σ的矩形区域，其中σ为高斯平滑因子。

5.根据权利要求1所述基于子图像角点特征的快速图像配准方法，其特征在于，所述特征向量为角点的12维梯度向量。

6.根据权利要求1所述基于子图像角点特征的快速图像配准方法，其特征在于，马氏距离d_M(i,j)在计算的过程中，利用正交矩阵P和对角矩阵D来表示协方差矩阵C的逆矩阵C^-1，将马氏距离的计算转换成欧式距离d_E的计算；

$\begin{array}{c}{d}_M(i,j)=\sqrt{{(X_i^1-X_j^2)}^t{C}^{-1}(X_i^1-X_j^2)}\\ =\sqrt{{(X_i^1-X_j^2)}^t{P}^t\sqrt{D}\&CenterDot;\sqrt{D}P(X_i^1-X_j^2)}\\ =d_E(\sqrt{D}{\mathrm{PX}}_i^1,\sqrt{D}{\mathrm{PX}}_j^2)\end{array}$

其中，表示待配准子图上第i个角点的特征向量，表示参考子图上第j个角点的特征向量。

7.根据权利要求1所述基于子图像角点特征的快速图像配准方法，其特征在于，所述匹配点对的个数K＝4。