CN104616280B

CN104616280B - 基于最大稳定极值区域和相位一致性的图像配准方法

Info

Publication number: CN104616280B
Application number: CN201410696329.6A
Authority: CN
Inventors: 张强; 相朋; 王亚彬; 王龙
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2014-11-26
Filing date: 2014-11-26
Publication date: 2017-07-28
Anticipated expiration: 2034-11-26
Also published as: CN104616280A

Abstract

本发明公开了一种基于最大稳定极值区域和相位一致性的图像配准方法，主要解决现有技术提取的特征点重复率低和运算复杂度高的缺陷。其实现步骤为：1、输入存在仿射变换的两幅图像并分别进行最大稳定极值区域检测和匹配；2、拟合两幅图像的匹配区域，并扩大和归一化处理；3、对归一化后的两个区域作带通分解；4、检测基于相位一致性最大矩的特征点，建立检测到的特征点概率分布；5.估计两个点集间的精确仿射变换矩阵；6、根据归一化后的两个区域估计两幅图像间的变换矩阵；7、计算两幅图像间的精确仿射变换矩阵并完成图像配准。本发明能提取出具有较高重复率和正确匹配率的特征点，提高了计算效率，可用于图像融合，图像拼接与三维重建。

Description

基于最大稳定极值区域和相位一致性的图像配准方法

技术领域

本发明属于图像处理技术领域，具体涉及一种仿射变换图像配准方法，可应用于图像融合，图像拼接与三维重建等领域。

背景技术

在图像融合，图像拼接与三维重建等领域，需要先对同一场景的多幅视图进行配准处理。一般情况下，可以采用基于特征的图像配准方法进行图像配准，这主要是考虑到一些图像特征对于图像的尺度和旋转具有不变性，并且只用特征信息寻找图像间的几何关系具有计算效率高的优点。但是，当两幅图像间存在较大的仿射变换时，在它们中往往很难提取到具有较高重复率或者位置精确的特征，从而导致配准精度不够甚至无法实现配准的问题。

目前，基于特征的图像配准方法中常用的特征信息有尺度不变特征SIFT，最大稳定极值区域MSER特征和完全仿射不变特征ASIFT，例如Lowe D，“Distinctive imagefeatures from scale-invariant keypoints.”International Journal of ComputerVision,vol.60,no.2,pp.91—110.Matas J,Chum O,et al.，“Robust wide-baselinestereo from maximally stable extremal regions.”Image and Vision Computing,vol.22,no.10,pp.761-767.及Morel J M,Yu G，“ASIFT:A new framework for fullyaffine invariant image comparison.”SIAM Journal on Imaging Sciences,vol.2,no.2,pp.438-469.这三篇文献公开的技术均为特征提取及匹配方法，进而可以利用匹配的特征来计算图像间的几何变换参数实现图像配准。其中，基于尺度不变特征SIFT的图像配准方法能够配准尺度较大的图像，并且获得较好的配准效果。但是，当图像间存在较大的仿射变换时，基于尺度不变特征SIFT的特征检测方法往往很少能够获得数目足够且正确率高的匹配点对，因此基于尺度不变特征SIFT的图像配准方法不能配准具有较大仿射变换的图像。基于最大稳定极值区域MSER的图像配准方法，采用最大稳定极值区域MSER的质心作为特征点进行匹配，进而估计图像间的仿射变换参数，由于最大稳定极值区域MSER具有较高的仿射变换不变性，因此能够实现存在较大仿射变换的图像配准，但是由于成像传感器及成像环境的不同，采用的质心往往不能精确反映特征的位置，从而导致配准精度不高。完全仿射不变特征ASIFT算法首先对原图像进行人为模拟的仿射空间采样，获得多幅视图；然后利用尺度不变特征SIFT方法对获得的多幅视图进行特征提取及特征匹配，这样能够获得比尺度不变特征SIFT方法更多的匹配点数，因此基于完全仿射不变特征ASIFT特征的图像配准方法可以配准存在较大仿射变换的图像。该方法存在的不足是，由于该方法对图像在仿射空间上进行模拟，形成各个视角的图像，消耗了大量的内存，同时在提取出大量的正确匹配点时也引进了大量的误匹配点，而要获得较高的图像配准精度，就需要比较复杂的优化过程对误匹配点进行删除，这无疑又增加了计算复杂度。

发明内容

本发明的目的在于改善了上述已有技术的缺点，提出一种基于最大稳定极值区域和相位一致性的仿射变换图像配准方法，以获得更好的仿射变换图像配准效果，并降低运算复杂度，提高计算效率。

为实现上述目的，本发明的技术方案是：通过基于最大稳定极值区域MSER特征的粗匹配获得两幅输入图像的部分拟合区域；采用仿射区域归一化方法克服仿射畸变带来的图像结构的改变；利用Gabor带通滤波器对归一化区域进行带通分解，进而在每个子带图像中进行基于相位一致性最大矩的特征点检测；采用概率分布的方法对检测的特征点集合进行精确配准，并计算两幅输入图像间的仿射变换矩阵。其具体步骤包括如下：

(1)分别输入存在仿射变换的两幅图像A和B，其中A为参考图像，B为待配准图像；

(2)对参考图像A和待配准图像B进行最大稳定极值区域MSER检测及匹配；

(3)对参考图像A和待配准图像B相匹配的最大稳定极值区域分别进行拟合，并得到参考图像A扩大后的椭圆拟合区域和待配准图像B扩大后的椭圆拟合区域；

(4)对上述两个椭圆拟合区域归一化：

4a)分别计算参考图像A和待配准图像B中待归一化的点：

其中，z_A和z_B分别表示参考图像A和待配准图像B中待归一化的点，M_A和M_B分别表示参考图像A和待配准图像B中所有最大稳定极值区域MSER的质心的二阶矩矩阵，H_A和H_B分别表示二阶矩矩阵M_A和M_B奇异值分解得到的实对称酉矩阵，x′_A和x′_B分别表示图像A和B中扩大后的椭圆区域的点，μ_A和μ_B分别表示参考图像A和待配准图像B中所有最大极值区域MSER的质心的均值；

4b)用参考图像A中所有待归一化点z_A构成参考图像的归一化区域P，用待配准图像B所有待归一化点z_B构成待配准图像的归一化区域Q；

(5)分别对参考图像A的归一化区域P和待配准图像B的归一化区域Q进行基于Gabor滤波器的带通分解，获得这两幅图像包含不同频率成分的子带图像；

(6)对上述两幅图像的子带图像进行基于相位一致性最大矩的特征点检测，并对检测到的特征点进行基于概率分布的点集配准，得到点集间的变换矩阵T₁；

(7)根据参考图像的归一化区域P和待配准图像的归一化区域Q，估计参考图像A与待配准图像B之间的变换矩阵T_c1，T_c2；

(8)根据点集间的变换矩阵T₁和参考图像A与待配准图像B之间的变换矩阵T_c1，T_c2计算参考图像A与待配准图像B之间的仿射变换矩阵T：

T＝T_c1 ^-1T₁T_c2；

(9)按照仿射变换矩阵T对待配准图像B进行变换，再对变换得到的图像进行双线性插值，完成图像配准。

本发明与现有的技术相比具有以下优点：

第一，本发明由于对输入的参考图像和待配准图像进行了基于最大稳定极值区域MSER的配准，并在获得的椭圆拟合区域中进行基于Gabor滤波器的带通分解和相位一致性最大矩特征点检测，改善了现有技术对存在较大仿射变换的图像进行特征提取的过程中，难以获得较高特征点重复率和正确匹配率的缺陷，使得本发明设计在上述情况下提取到的特征点，具有更高的特征点重复率和正确匹配率。

第二，本发明由于采用了基于概率分布的点集配准策略，改善了现有技术在特征点的匹配过程中要为特征点建立高维描述符的缺陷，使得本发明与现有技术相比占用更少的存储空间，并且具有更高的计算效率。

附图说明

图1为本发明的实现流程图；

图2为本发明对大尺度变化图像的配准仿真效果图；

图3为本发明对存在较大仿射变换图像的配准仿真效果图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照附图1，本发明的具体步骤如下：

步骤1，输入图像：分别输入存在仿射变换的两幅图像，一幅作为参考图像A，另一幅作为待配准图像B。

步骤2，对参考图像A和待配准图像B进行最大稳定极值区域MSER检测及匹配。

2a)对参考图像A和待配准图像B分别进行最大稳定极值区域MSER检测，得到多个具有仿射不变性的不规则极值区域；

2b)将多个具有仿射不变性的不规则极值区域一一对应起来，获得初始的最大稳定极值区域MSER匹配对。

步骤3，对参考图像A和待配准图像B相匹配的最大稳定极值区域分别进行拟合，得到参考图像A扩大后的椭圆拟合区域和待配准图像B扩大后的椭圆拟合区域。

本实例采用但不限于利用基于最大稳定极值区域MSER的匹配算法对所述的的两幅图像的匹配区域进行拟合，其步骤如下：

3a)分别检测参考图像A和待配准图像B的最大稳定极值区域MSER的质心；

3b)根据所述两幅图像中得到的最大稳定极值区域MSER的质心，按照下式计算这两幅图像拟合区域的点：

(x_A-μ_A)^TU_A ^-1(x_A-μ_A)＝(x_A-μ_A)^TM_A(x_A-μ_A)＝1

(x_B-μ_B)^TU_B ^-1(x_B-μ_B)＝(x_B-μ_B)^TM_B(x_B-μ_B)＝1

其中，x_A和x_B分别表示参考图像A和待配准图像B中拟合区域的点，μ_A和μ_B分别表示参考图像A和待配准图像B中所有最大稳定极值区域MSER的质心的均值，T表示转置，U_A和U_B分别表示参考图像A和待配准图像B中所有最大稳定极值区域MSER的质心的方差，M_A和M_B分别表示参考图像A和待配准图像B中所有最大稳定极值区域MSER的质心的二阶矩矩阵；

3c)在参考图像A和待配准图像B中，分别用获得的各自拟合区域点构成各自的初始椭圆拟合区域；

3d)按照下式计算参考图像A中初始椭圆拟合区域的最大容许扩大比例：

其中，k_A表示参考图像A中包含初始拟合区域的椭圆长短轴的最大容许扩大倍数，r_A和c_A分别表示参考图像A的行数和列数，u_a和v_a分别表示参考图像A中所有最大稳定极值区域MSER的质心的均值坐标，x_a和y_a分别表示参考图像A中拟合区域点的行坐标和列坐标；

3e)按照下式计算待配准图像B中初始椭圆拟合区域的最大容许扩大比例：

其中，k_B表示待配准图像B中包含初始拟合区域的椭圆长短轴的最大容许扩大倍数，r_B和c_B分别表示待配准图像B的行数和列数，u_b和v_b分别表示待配准图像B中所有匹配最大极值区域的质心的均值坐标，x_b和y_b分别表示待配准图像B中拟合区域点行坐标和列坐标；

3f)比较参考图像A中初始椭圆拟合区域的最大容许扩大比例k_A和待配准图像B中初始椭圆拟合区域的扩大比例k_B，将两者中数值较小的作为初始椭圆拟合区域的扩大比例k，即k＝min(k_A,k_B)；

3g)根据扩大比例k计算参考图像A和待配准图像B中扩大后的椭圆区域点：

(x′_A-μ_A)^TM_A(x′_A-μ_A)＝k²

(x′_B-μ_B)^TM_B(x′_B-μ_B)＝k²

其中，x′_A和x′_B分别表示参考图像A和待配准图像B中扩大后的椭圆区域的点，μ_A和μ_B分别表示参考图像A和待配准图像B中所有匹配最大稳定极值区域的质心的均值，M_A和M_B分别表示参考图像A和待配准图像B中所有匹配最大稳定极值区域的质心的二阶矩矩阵；

3h)分别用参考图像A扩大后的椭圆区域的点x′_A和待配准图像B扩大后的椭圆区域的点x′_B，构成这两幅图像的椭圆拟合区域，即参考图像A的椭圆拟合区域和待配准图像B的椭圆拟合区域。

步骤4，对上述两个椭圆拟合区域归一化：

4a)按照下式分别计算参考图像A中待归一化的点z_A和待配准图像B中待归一化的点z_B：

其中，M_A和M_B分别表示参考图像A和待配准图像B中所有匹配最大稳定极值区域MSER的质心的二阶矩矩阵，H_A和H_B分别表示二阶矩矩阵M_A和M_B奇异值分解得到的实对称酉矩阵，x′_A和x′_B分别表示参考图像A和待配准图像B中扩大后的椭圆区域的点，μ_A和μ_B分别表示参考图像A和待配准图像B中所有匹配最大稳定极值区域MSER的质心的均值；

4b)用参考图像A中所有待归一化点z_A构成参考图像的归一化区域P，用待配准图像B中所有待归一化点z_B构成待配准图像的归一化区域Q。

步骤5，分别对参考图像A的归一化区域P和待配准图像B的归一化区域Q进行基于Gabor滤波器的带通分解，获得这两幅图像包含不同频率成分的子带图像。

对图像归一化区域的进行带通分解的滤波器有：Gaussian-Laplace带通滤波器，DOG滤波器等。本实例采用Gabor滤波器分别对参考图像A的归一化区域M和待配准图像B的归一化区域N进行带通分解，其步骤如下：

5a)设计具有5个带通滤波器的Gabor带通滤波器组G(u,v,λ)：

其中，u和v表示带通滤波器的频域坐标，K表示每个带通滤波器的方向数，K的取值为6，θ_i表示带通滤波器的朝向，i＝-6,-5,-4,...,4,5,6，λ是带通滤波器的尺度因子，每个带通滤波器的λ取值不同，即第一个带通滤波器值的为第二个带通滤波器值的为2，第三个带通滤波器值的为第四个带通滤波器值的为4，第五个带通滤波器值的为

5b)利用上述设计的带通滤波器组，按照下式对从参考图像A和待配准图像B中获得的归一化区域进行带通分解：

其中，I_A(x,y)和I_B(x,y)分别表示从参考图像A和待配准图像B中获得的归一化区域，F[·]表示傅里叶变换，F^-1[·]表示傅里叶逆变换，表示对应于参考图像A的子带图像，表示对应于待配准图像B的子带图像。

步骤6，对上述两幅图像的子带图像进行基于相位一致性最大矩的特征点检测。

对图像的子带图像进行特征点检测的方法有：尺度不变特征SIFT方法，完全仿射不变特征ASIFT方法等。本实例采用基于相位一致性最大矩的特征点检测方法对上述两幅图像的自带图像进行特征点检测，其步骤如下：

6a)分别对参考图像A的各个子带图像，进行基于相位一致性最大矩的特征点检测，再从包含特征点数目最多的子带图像中选择特征点并将其作为参考图像A的特征点检测结果；

6b)按照下式将参考图像A中检测到的特征点构成一个点集：

X＝[x₁ x₂ … x_n … x_N] 100≤N≤500，

其中，X表示参考图像A中检测到的特征点构成的点集，x_n表示参考图像A中检测到的第n个特征点，n＝1,2,...,N，N表示参考图像A中检测到的特征点的数目；

6c)分别对待配准图像B的各个子带图像，进行基于相位一致性最大矩的特征点检测，再从包含特征点数目最多的子带图像中选择特征点作为待配准图像B的特征点检测结果；

6d)按照下式用待配准图像B中检测到的特征点构成一个点集：

Y＝[y₁ y₂ … y_m … y_M] 100≤M≤500

其中，Y表示待配准图像B中检测到的特征点构成的点集，y_m表示待配准图像B中检测到的第m个特征点，m＝1,2,...,M，M表示待配准图像B中检测到的特征点的数目。

步骤7，对上述检测到的特征点进行基于概率分布的点集配准，得到点集间的变换矩阵T₁。

对检测得到的特征点进行点集配准的方法有：尺度不变特征SIFT方法，完全仿射不变特征ASIFT方法等。本实例采用基于基于概率分布的点集配准方法对上述检测到的特征点进行点集配准，其步骤如下：

7a)把待配准图像检测点集Y中的所有点作为高斯混合模型GMM的图心；

7b)根据参考图像检测点集X中的任意一点x_n与待配准图像检测点集Y中的点的对应关系，生成条件概率密度函数：

其中，σ表示高斯混合模型中单个高斯函数的标准差，M表示待配准图像检测点集Y中元素的个数；

7c)根据参考图像检测点集X中的所有点与待配准图像检测点集Y中的所有点的对应关系，生成对数似然估计函数：

7d)利用期望最大化EM算法，计算出使对数似然估计函数l(σ，T₁)取得极值时的T₁矩阵。

步骤8，根据参考图像的归一化区域M和待配准图像的归一化区域N，估计参考图像A与待配准图像B之间的变换矩阵T_c1，T_c2。

其中，M_A和M_B分别表示参考图像A和待配准图像B中所有匹配最大稳定极值区域的质心的二阶矩矩阵，H_A和H_B分别表示二阶矩矩阵M_A和M_B奇异值分解得到的实对称酉矩阵，μ_A和μ_B分别表示参考图像A和待配准图像B中所有匹配最大极值区域的质心的均值，θ表示待配准图像B相对于参考图像A的旋转角度。

步骤9，根据点集间的变换矩阵T₁和参考图像A与待配准图像B之间的变换矩阵T_c1，T_c2，计算参考图像A与待配准图像B之间的仿射变换矩阵T：

T＝T_c1 ^-1T₁T_c2；

步骤10，按照仿射变换矩阵T对待配准图像B进行变换，再对变换得到的图像进行双线性插值，完成图像配准。

本发明的效果可以通过以下仿真进一步说明：

1.仿真条件：所有仿真实验都是在Windows XP操作***下采用Matlab R2009a软件实现。

2.仿真内容：

仿真1

将本发明对一组大尺度变化图像进行配准的实验结果与现有基于尺度不变特征SIFT对该组图像的实验结果进行比较，结果如图2。

其中：

图2(a)为输入的参考图像，

图2(b)为输入的待配准图像，

图2(c)为用基于尺度不变特征SIFT的图像配准方法对两幅输入图像进行配准的结果，

图2(d)为对基于尺度不变特征SIFT的图像配准结果的局部显示，

图2(e)为采用本发明对两幅输入图像进行配准的结果，

图2(f)为对本发明的图像配准结果的局部显示。

从图2可以看出，采用基于尺度不变特征SIFT的图像配准方法得到的配准结果对应的局部区域存在明显的配准误差，而采用本发明获得的配准结果对应的局部区域的配准误差较小。

统计基于尺度不变特征SIFT的图像配准方法和本发明的图像配准方法在特征点总匹配点数、正确匹配点数、正确匹配率及特征点重复率四种客观评价指标，如表1所示。

表1 基于SIFT方法与本发明方法对四种算法评价指标的结果对比

算法	总匹配点数	正确匹配点数	正确匹配率	特征点重复率
					基于SIFT方法	156	123	0.7885	0.1692
本发明方法	340	350	0.9714	0.4920

从表1中数据可以看出，本发明所提出的图像配准方法，在配准具有较大尺度变换的图像时，其四种客观评价指标都要优于基于尺度不变特征SIFT的图像配准方法。

仿真2

用本发明和现有基于最大稳定极值区域MSER的图像配准方法以及基于完全仿射不变特征ASIFT的图像配准方法对一组存在较大仿射变换图像进行配准比较，结果如图3。

其中：

图3(a)为输入的参考图像，

图3(b)为输入的待配准图像，

图3(c)为采用基于最大稳定极值区域MSER的图像配准方法对两幅输入图像配准的结果，

图3(d)为采用基于完全仿射不变特征ASIFT的图像配准方法对两幅输入图像配准的结果，

图3(e)为采用本发明方法对两幅输入图像配准的结果，

从图3可以看出，采用基于最大稳定极值区域MSER的图像配准方法得到的配准结果，基于完全仿射不变特征ASIFT的图像配准方法得到的配准结果图以及采用本发明方法得到的配准结果均具有良好的视觉效果。

为了进一步比较各个算法的性能，给出了对上述三种方法统计获得的四种客观评价指标：特征点总匹配点数、正确匹配点数、正确匹配率及特征点重复率，如表2所示。

表2 基于MSER、ASIFT方法及本发明对四种客观评价指标的结果对比

算法	总匹配点数	正确匹配点数	正确匹配率	特征点重复率
					基于MSER方法	106	90	0.8491	0.1466
基于ASIFT方法	1420	1375	0.9683	0.0448
					本发明方法	137	137	1.0	0.7874

从表2中数据可以看出，本发明与基于最大极值区域MSER的方法相比，能够获得更多的匹配点数；本发明与基于完全仿射不变特征ASIFT的方法进行比较，虽然基于完全仿射不变特征ASIFT的方法在正确匹配点对数目方面高于本发明方法，但基于完全仿射不变特征ASIFT的方法的特征点重复率是极低的，这导致了大量存储空间的浪费和较高的计算复杂度。因此，本发明方法不仅能获得较高的正确特征匹配率和特征点重复率，而且在提高运算效率方面也有一定的优势。

Claims

1.一种基于最大稳定极值区域和相位一致性的图像配准方法，包括如下步骤：

(4)对上述两个椭圆拟合区域归一化：

4a)分别计算参考图像A和待配准图像B中待归一化的点：

z_{A} = \frac{1}{{(m i n [| \det (M_{A}) |, | \det (M_{B}) |])}^{1 / 4}} {H_{A}}^{- 1} M_{A}^{1 / 2} (x_{A}^{'} - μ_{A})

z_{B} = \frac{1}{{(m i n [| \det (M_{A}) |, | \det (M_{B}) |])}^{1 / 4}} {H_{B}}^{- 1} M_{B}^{1 / 2} (x_{B}^{'} - μ_{B})

T＝T_c1 ^-1T₁T_c2；

2.根据权利要求1所述的基于最大稳定极值区域和相位一致性的图像配准方法，其中步骤(2)所述的对参考图像A和待配准图像B进行最大稳定极值区域MSER检测及匹配，按如下步骤进行：

3.根据权利要求1所述的基于最大稳定极值区域和相位一致性的图像配准方法，其中步骤(3)所述的对参考图像A和待配准图像B相匹配的最大稳定极值区域分别进行拟合，按如下步骤进行：

(x_A-μ_A)^TU_A ^-1(x_A-μ_A)＝(x_A-μ_A)^TM_A(x_A-μ_A)＝1

(x_B-μ_B)^TU_B ^-1(x_B-μ_B)＝(x_B-μ_B)^TM_B(x_B-μ_B)＝1

3c)在参考图像A和待配准图像B中，分别用获得的各自拟合区域点构成初始椭圆拟合区域；

k_{A} = m i n [\frac{r_{A} - u_{a}}{m a x (x_{a}) - u_{a}}, \frac{c_{A} - v_{a}}{m a x (y_{a}) - v_{a}}, \frac{u_{a} - 1}{u_{a} - m i n (x_{a})}, \frac{v_{a} - 1}{v_{a} - m i n (y_{a})}],

k_{B} = m i n [\frac{r_{B} - u_{b}}{m a x (x_{b}) - u_{b}}, \frac{c_{B} - v_{b}}{m a x (y_{b}) - v_{b}}, \frac{u_{b} - 1}{u_{b} - m i n (x_{b})}, \frac{v_{b} - 1}{v_{b} - m i n (y_{b})}]

其中，k_B表示待配准图像B中包含初始拟合区域的椭圆长短轴的最大容许扩大倍数，r_B和c_B分别表示待配准图像B的行数和列数，u_b和v_b分别表示待配准图像B中所有匹配最大稳定极值区域的质心的均值坐标，x_b和y_b分别表示待配准图像B中拟合区域点行坐标和列坐标；

3f)将参考图像A中初始椭圆拟合区域的最大容许扩大比例k_A和待配准图像B中初始椭圆拟合区域的扩大比例k_B中较小的作为初始椭圆拟合区域的扩大比例k，k＝min(k_A,k_B)；

3g)根据扩大比例k计算参考图像A和待配准图像B中扩大后椭圆区域的点：

(x′_A-μ_A)^TM_A(x′_A-μ_A)＝k²

(x′_B-μ_B)^TM_B(x′_B-μ_B)＝k²

3h)分别用参考图像A扩大后的椭圆区域的点x′_A和待配准图像B扩大后的椭圆区域的点x′_B构成这两幅图像的椭圆拟合区域。

4.根据权利要求1所述的基于最大稳定极值区域和相位一致性的图像配准方法，其中步骤(5)所述的分别对参考图像A和待配准图像B中获得的归一化区域进行基于Gabor滤波器的带通分解，按如下步骤进行：

5a)设计具有5个带通滤波器的Gabor带通滤波器组G(u,v,λ)：

G (u, v, λ) = \frac{π}{K} Σ_{i = - K}^{K} e^{- 2 π^{2} λ^{2} ({(u - \frac{{cosθ}_{i}}{2 λ})}^{2} + {(v - \frac{{sinθ}_{i}}{2 λ})}^{2})},

5b)利用设计的带通滤波器组，按照下式对从参考图像A和待配准图像B中获得的归一化区域进行带通分解：

I_{A}^{λ} (x, y) = F^{- 1} [G (u, v, λ) \times F [I_{A} (x, y)]]

I_{B}^{λ} (x, y) = F^{- 1} [G (u, v, λ) \times F [I_{B} (x, y)]]

5.根据权利要求1所述的基于最大稳定极值区域和相位一致性的图像配准方法，其中步骤(6)所述的对上述两幅图像的子带图像进行基于相位一致性最大矩的特征点检测，按如下步骤进行：

6a)分别对参考图像A的各个子带图像，进行基于相位一致性最大矩的特征点检测，从包含特征点数目最多的子带图像中选择特征点并将其作为参考图像A的特征点检测结果；

6b)按照下式将参考图像A中检测到的特征点构成一个点集：

X＝[x₁ x₂ …x_n… x_N]100≤N≤500

6c)分别对待配准图像B的各个子带图像，进行基于相位一致性最大矩的特征点检测，从包含特征点数目最多的子带图像中选择特征点并将其作为待配准图像B的特征点检测结果；

6d)按照下式将待配准图像B中检测到的特征点构成一个点集：

Y＝[y₁ y₂ …y_m… y_M]100≤M≤500

6.根据权利要求1所述的基于最大稳定极值区域和相位一致性的图像配准方法，其中步骤(6)所述的对检测到的特征点进行基于概率分布的点集配准，得到点集间的变换矩阵T₁，按如下步骤进行：

6e)把待配准图像检测点集Y中的所有点作为高斯混合模型GMM的图心；

6f)根据参考图像检测点集X中的任意一点x_n与待配准图像检测点集Y中的点的对应关系，生成条件概率密度函数：

P (x_{n} | σ, T_{1}) = \frac{1}{M {(2 {πσ}^{2})}^{3 / 2}} Σ_{m = 1}^{M} e^{(- \frac{| | x_{n} - T_{1} y_{m} | |^{2}}{2 σ^{2}})},

6g)根据参考图像检测点集X中的所有点与待配准图像检测点集Y中的所有点的对应关系，生成对数似然估计函数：

l (σ, T_{1}) = l o g Π_{n = 1}^{N} P (x_{n} | σ, T_{1});

6h)利用期望最大化EM算法，计算出使对数似然估计函数l(σ，T₁)取得极值时的T₁矩阵。

7.根据权利要求1所述的基于最大稳定极值区域和相位一致性的图像配准方法，其中步骤(7)所述的估计参考图像A和待配准图像B之间的变换矩阵T_c1，T_c2，按照下式计算：

T_{c 1} = [\begin{matrix} M_{A}^{1 / 2} H_{B} & - μ_{A} \\ 0 & 1 \end{matrix}], T_{c 2} = [\begin{matrix} {RM}_{B}^{1 / 2} H_{B} & - μ_{B} \\ 0 & 1 \end{matrix}]

其中，M_A和M_B分别表示参考图像A和待配准图像B中所有匹配最大稳定极值区域的质心的二阶矩矩阵，H_A和H_B分别表示二阶矩矩阵M_A和M_B奇异值分解得到的实对称酉矩阵，μ_A和μ_B分别表示参考图像A和待配准图像B中所有匹配最大稳定极值区域的质心的均值，θ表示待配准图像B相对于参考图像A的旋转角度。