论文部分内容阅读
在红外与可见光图像配准过程中,同一场景下红外图像对比度低,对应的空间分辨率低,整体尺度较大;而可见光图像成像效果好,对应的空间分辨率高,整体尺度较小,两种不同源图像的特征差异较大,导致配准算法复杂且精度不高。本文利用尺度空间理论对多分辨率的红外与可见光图像配准算法进行研究,提出利用红外与可见光图像的多尺度特征点及边缘作为配准的特征,利用特征尺度确定用于相似度匹配的子图像大小,使用LTS-Hausdorff距离判断子图像的相似性。单尺度下图像的特征点及边缘提取算法只能获取一个尺度下的图像特征,对不同尺度的红外与可见光图像进行特征匹配时鲁棒性较差,利用尺度空间理论及多尺度下图像的特征能更加全面的对图像进行描述。本文在利用多尺度特征获取到匹配对后,再利用随机一致性检测对匹配对进行提纯并获取空间变换的参数,然后使用该参数对红外与可见光图像进行配准与融合。研究结果表明,相比SIFT算法,本文方法效果更好,对红外与可见光图像能较好地配准。为了解决匹配时直接利用CPU串行计算实现算法耗费时间较长的问题,本文使用CUDA架构的GPU实现了配准算法中比较耗时的中值滤波、特征点提取及生成尺度空间的部分。通过将输入图像进行分块,充分利用GPU多线程并行计算的优势,加速了算法的实现过程,有效提高了配准的速度,研究结果表明在GPU上执行算法比在CPU上执行算法加速比达到了数十至上百倍。