1、“.....经过精配准后，如图右侧的局部放大窗口所示，部分地物已实现较高精度的配准，相比粗配准，地物边缘均致性连接，道路未出现交错现象。在进行横体计算步骤如下对于参考图像，以特征点为中心取宽度为的模板区域，并计算特征向量。对于待配准图像则以相应的特征点为中心取搜索区域模板，模板宽度为，然后以每个像素为中心取个区块，并计算区块内的特征向量，以此得到逐像素的特征向量表示，如图所示，可看作是个逐像素的特征向量立方体。由于搜索区域模板已经过逐像素的特征向量表示，在待配准图像上搜索同名点时，如图所示，只需以搜索点为中心取宽度为的模板区域，然后按照定的间隔对特征向量立方体进行采样即可。采样间隔由区块大小和区块之间的重叠度决定式，如图所示将采样后的所有向量连接起来即构成最终的特征向量。实得较好的效果，但由于采用混合模型，相比于单模型的算法计算量会更大，从而降低配准效率......”。

2、“.....若是在山比较多的区域，光学与图像的几何结构特征差异会比较大，则会影响配准效果，因此本文算法更适用于几何结构特征差异较小的区域。对此问题将在接下来的研究工作中进行解决，以进步提高配准效率和扩大适用场景范围。参考文献郭唯娜，柯长青，范宇宾基于干涉数据的东帕米尔高原冰川变化地球信息科学学报，叶沅鑫，郝思媛，曹云刚基于几何结构属性的光学和影像自动配准红外与毫米波学报，姜文聪，张继贤，程春泉，等与基于区域图像配准方法探究由粗到精的自动配准算法测绘学论文表可知，在经过粗精结合的配准后，本文算法能得到较高的配准精度和正确匹配率，实验图像配准精度达到了亚像素。相比于本文算法，的配准精度要更高些，但所消耗的时间更多，主要是由于是计算图像的相位致性强度和特征方向来替代梯度幅值和方向，计算量比较大，故消耗时间更多......”。

3、“.....相比于其他算法也具有定的优势。表光学与图像配准结果评估和比较结论与讨论针对光学与图像因非线性强度差异大，且图像存在斑点噪声干扰导致配准难度大的问题，提出了种由粗到精的配准算法，先由对光学与配准后，如图右侧的局部放大窗口所示，部分地物已实现较高精度的配准，相比粗配准，地物边缘均致性连接，道路未出现交错现象。快速计算策略由于特征是采用模板匹配同名点，在参考图像上确定特征点后，需要在待配准图像上定区域内搜索同名点。而搜索区域内需要逐像素构造特征，正因为是逐像素构造特征，其模板重叠度非常高，每次构造特征，模板内的区块都需要重新计算，这将耗费大量时间。为减少计算量，本文采用种特征快速计算策略图，具体计算步骤如下对于参考图像，以特征点为中心取宽度为的模板区域，并计算特征向量。对于待配准图像则以相应的特征点为中心取搜索区域内的点和角点的灰度值......”。

4、“.....则剔除该角点。图为同场景下的光学与图像，可见检测出大量重复角点。实验分析实验参数设臵实验前需对本文算法中的参数进行设臵。在中，尺度参数初始值，中，滤波窗口，尺度空间层数，常数，在基于的构造中，模板窗口。由于特征的匹配效果与区块内的元胞数的多少并无明显的变化，为减少计算量，取元胞数，元胞宽度，区块重叠度，搜索区域宽度。图快速计算策略图像配准实验为验证本文算法能够配准不同场景下存在明显诸多差异的光学与图像，图像配准实验以两对在进行横向滤波和纵向滤波后，横向梯度，纵向梯度，梯度幅值，和梯度方向，的计算如下由于光学图像与图像之间存在较大的非线性强度差异，为防止出现梯度反转现象，需要将计算出的梯度方向限制在之间。图构造多尺度梯度幅值空间图滤波窗口特征点检测在参考图像和待配准图像中检测出大量重复特征点是特征匹配的重要前提，而角点作为图像的重要特征......”。

5、“.....为检测出各个尺度下的角点，在前文计算出不同尺度下的横向梯度和纵向梯度后，首先在每个尺度下计算响应值，并选取阈值判定候选角点，最后进行非极大值抑制典的算法基础上进行了改进，也同样具有尺度旋转平移不变性，其算法主要包括构造尺度空间特征点检测特征点描述个步骤，其主要改进是采用指数加权平均比值算子代替传统的差分来计算图像梯度幅值和方向。相比于差分计算梯度，对于噪声和非线性强度变化具有更好的鲁棒性，因此能够在光学和图像中检测出更多的重复特征点，且对于同名点能够构造更为致的描述向量，从而增加同名点的匹配率，故本文选择对光学与图像进行粗配准。构造尺度空间图为采用随尺度参数增大的处理窗口对图像进行滤波来构造尺度空间，用于特征点检测和描的特征构造特征匹配梯度方向直方图，能表示目标的局部几何结构特征，已经成功地应用到了目标识别，影像分类和影像检索等领域......”。

6、“.....而对于非线性强度变化和斑点噪声具有较好的抵抗能力，因此采用来计算图像梯度并构造能够更好地表示目标的局部几何结构特征。的构造过程如图所示，具体步骤如下在图像中取模板窗口，计算模板内的梯度幅值和梯度方向将模板划分为若干个区块，且相邻区块具有定的重叠度将每个区块划分为到边缘逐渐减小，其在离散域的计算公式如下式中，和，分别为在尺度参数下图像的，处像素的横向和纵向的滤波值为矩形窗口的高和宽，本文中取，其大小与尺度参数成正比关系分别为的偏移值，为尺度空间层数，随着的增大应满足，为常量，控制尺度参数的增加。基于区域图像配准方法探究由粗到精的自动配准算法测绘学论文。在构造完参考图像和待配准图像的特征点描述子后，需要进行特征匹配。本文采用最近距离比值，的方法对特征点进行初匹配，初匹配完成后使用基于归化准精度较差......”。

7、“.....故本文先使用对图像进行粗配准以消除较大的旋转尺度平移差异，然后在此基础上，采用基于算法的特征对图像进行模板匹配，以获得更高的配准精度。经过多组光学与图像配准实验，验证了本文算法的有效性。算法是针对于图像配准所提出的算法，在经典的算法基础上进行了改进，也同样具有尺度旋转平移不变性，其算法主要包括构造尺度空间特征点检测特征点描述个步骤，其主要改进是采用指数加权平均比值算子代替传统的差分来计算图像梯度幅值和方基于区域图像配准方法探究由粗到精的自动配准算法测绘学论文子的构建，以使特征匹配具有尺度不变性。是通过逐像素为中心计算其邻域指数加权平均比值来计算梯度的，其矩形窗口可以看成是由个正交维滤波器组成的维可分离滤波器。如图所示，滤波窗口内的滤波加权值从中心到边缘逐渐减小，其在离散域的计算公式如下式中，和，分别为在尺度参数下图像的......”。

8、“.....本文中取，其大小与尺度参数成正比关系分别为的偏移值，为尺度空间层数，随着的增大应满足，为常量，控制尺度参数的增加。基于区域图像配准方法探究由粗到精的自动配准算法测绘学论文模型，提出种由粗到精的光学与图像配准算法。采用了改进的算法来计算图像梯度，而算法对于非线性强度变化和斑点噪声具有鲁棒性，故可适用于光学与图像间的配准，但其配准精度较差，而基于图像几何结构的特征模板匹配则具有较高的配准精度。故本文先使用对图像进行粗配准以消除较大的旋转尺度平移差异，然后在此基础上，采用基于算法的特征对图像进行模板匹配，以获得更高的配准精度。经过多组光学与图像配准实验，验证了本文算法的有效性。算法是针对于图像配准所提出的算法，在。多尺度响应值计算如下式中为标准差为的高斯核为卷积符号为尺度下，处的响应值为求矩阵行列式为求矩阵的迹为常数。在计算出多尺度响应值后，需要选取阈值来挑选候选角点......”。

9、“.....为尺度下最大响应值，挑选响应值大于阈值的点作为候选角点，然后以候选角点为中心选取邻域进行非极大值抑制。由于光学遥感与不同的成像原理，在图像中独立的高亮点在光学图像中不能检测为特征点，所以在图像中为了防止部分独立的高亮点误检测为角点，取角点邻域，比较邻域内的点和角个元胞，每个元胞包含个像素，在每个元胞里统计个方向的梯度幅值方向直方图，其统计过程与前文描述子构造时相同，每个元胞内的描述向量需要进行归化，最终个区块内生成维的描述向量，下标为区块的编号将模板内所有区块的描述向量连接起来，生成最终的描述向量。虽然目前已有了大量的光学与图像配准算法，但大多都是基于单算法，往往无法实现理想效果，因此混合模型的方法开始进入人们的视野，该方法大大提高了异源图像配准精度。在此考虑下，本文结合基于特征的和基于区域的算法的优点组合为种混心坐标系的特征匹配方法，来剔除误匹配......”。