图像配准技术是计算机视觉的一项基础任务,其应用领域包括医学图形处理,遥感图像处理,图像融合,图像搜索,机器视觉,虚拟现实,目标识别,环境监测,图像拼接,安全监控以及地理信息系统等。图像配准的本质就是通过计算图像之间的重合部分,来估计整幅图像之间的空间变换关系,而根据应用场景的不同对这种变换关系采取不同的应用策略。图像配准技术根据其应用特点可以分为像素级配准与特征级配准,像素级配准技术由于误差矩阵抗噪性较差,且计算复杂度高,一般应用于医学等特殊领域。基于特征的图像配准技术随着SIFT和SURF算法的提出避免了上述像素级配准的缺点,使基于特征的配准技术成为研究的热点。基于特征的图像配准技术一般可分为三个步骤：关键点检测；描述子构造；描述子匹配。其中,关键点给出了构建图像局部特征的位置信息,描述子利用关键点的位置信息构建的描述子向量赋予了关键点鉴别信息。因此,提取稳定的关键点与构造高鉴别性的描述子是图像配准技术的研究重点。本文主要研究了基于非线性尺度空间的关键点提取和二值化描述子构造。具有一定鉴别性的结构特征就称之为关键点。关键点的检测是构造图像特征描述子的一个重要步骤,其鉴别性的强弱以及鲁棒性的好坏很大程度上决定了图像配准的准确度的高低。针对高斯尺度空间在滤除噪声的同时也对图像的结构等纹理信息造成较大的破坏,在高尺度下检测的图像特征急剧减少,使图像特征的尺度性能与鉴别性降低的情况,提出了构建非线性尺度空间的角点检测算法。非线性滤波器在滤除图像噪声的同时,能够较好的保留图像边缘和轮廓等特征,因此,采用角点检测算法而非极值点检测算法,从而能够得到较为精确的关键点。这也就给描述子的构造提供了较为精确的位置信息,增加描述子的鲁棒性。针对关键点局部二值化描述子的构建算法,为了能够得到具有尺度,旋转和视角变换等特征且鉴别性较好的描述子,首先对关键点的邻域进行主方向估计,主方向估计采用长程和短程采样点的比率作为主方向的计算数据,而后对采样对进行方向归一化得到旋转不变的描述子,再根据设置的采样模式与阈值,可以得到一个含有512个二进制位的描述子向量。最后本文给出了由图像配准技术得到的转换矩阵在图像拼接和目标检测的应用示例。这两个示例展示了由图像配准技术得到的转换矩阵在计算视觉处理领域的实际应用。