图像配准是图像处理和模式识别中一种非常基本的图像处理技术,在人类生活的很多领域都有急切的需求和广泛的应用,比如医学图像处理、计算机视觉、远程感知技术等。随着应用范围的日益广泛,对配准技术的精确性、有效性和鲁棒性有着更加迫切的要求。在图像配准技术中,由于基于特征的图像配准方法可以有效并且快速地处理不同类型图像的配准,在图像严重几何变形的情况下也能对其进行处理,这种方法在机器学习和视觉系统中更为常用。特征匹配作为图像配准系统中最重要的部分,一直以来都是研究的重心。本文重点研究基于特征点的特征匹配技术,旨在实现特征的精确和有效匹配。本文的主要研究工作如下:1.研究了两种主要的角点检测算法的基本原理,在不同的图像状况下,对Harris和Susan角点检测算法在精准性和鲁棒性上进行比较和分析。实验结果表明,Harris在计算速度、图像亮度和尺度变化时,性能优于Susan算法;但是,Susan算法在定位精度、图像旋转和加入噪声污染时性能更占优势。2.针对迭代最近邻特征匹配算法(ICP)容易陷入局域最优的问题,采用差分进化方法对其进行改进。通过对引入新的能量函数和特征点表示方式,旨在寻求特征点匹配的近似全局最优。本文将基于ICP的差分进化(DE)算法在非结构化的变换点集和在自然图像中提取的点集上进行测试。实验结果表明,相对于ICP算法,本文所采用算法在特征匹配性能上更加优异。3.针对匹配过程中产生的误匹配点,本文在加权图变换匹配(WGTM)算法的基础上,提出了针对不同问题的两种改进策略:同时对感知图像和参考图像中的特征点生成的图进行加权;对局内点实行保留策略。改进后的两种方法分别在三类变换状况的图像上进行测试。实验表明,改进后的方法可以实现更加精确和有效的误匹配点消除,在准确率和查全率上,得到了更好的效果。