近年来,随着计算机视觉技术的快速发展,图像配准作为最基本性的问题,已逐渐成为图像处理领域中的热门研究技术。该技术融合了图像预处理、特征提取、相似度度量、灰度插值等相关知识,最终目标是实现从不同传感器、不同时间和不同视角下获取的图像的最佳配准。目前,图像配准技术已应用于很多领域,如:图像数据融合、图像差异检测、三维图像建模、模式识别等。目前,在众多图像配准方法中,基于特征的图像配准是应用价值较高的方法之一。此方法首先从图像中提取共同特征作为配准基元,以用来建立对应关系;然后求解变换模型参数,并对图像进行变换;最后,对配准后图像的非整数像素点进行灰度插值,完成最终的配准。算法的准确性、稳定性和时效性将直接影响最终结果的质量。近年来,尽管许多学者对其进行了研究,也取得了较大的突破,但是,根据实际应用考虑,仍有一些尚未解决的实际问题:如何在算法精确度和计算效率之间找到平衡点,使其能适应图像的实时性;能否提取出利用率高的图像特征,便于后续进行特征匹配。通过对图像配准方法中特征提取和相似度度量方法优缺点进行深入分析和总结,在综合前人的研究基础上,本文针对部分问题提出了改进思路,具体工作如下:1)特征提取方面,提出基于模板边缘的自适应Harris角点检测算法。针对传统角点检测算法需要对整幅图像进行灰度操作的问题,本文在进行角点检测之前,先通过局部区域的思想提取潜在角点区域,可以有效地提高后续角点检测算法的效率。针对Harris角点检测算法提取的角点存在伪角点和阈值人为设定的问题,对阈值的设定改进为根据潜在角点区域的灰度变化而变化,并提出了圆形模板边缘模型,利用此模型对提取的角点进行二次检测,剔除伪角点和聚簇角点。实验结果表明,本文改进后的算法能有效过滤掉伪角点,检测出具有明显属性的角点,提高角点提取的正确率。同时,对实验所用时间进行了对比,计算效率比传统Harris算法有较大的提高。2)相似度度量方面,提出基于SIFT和改进RANSAC的图像配准方法。先利用前面提出的角点改进算法对图像进行角点提取,并利用SIFT算法中的Descriptor Extractor对提取的角点进行主方向确定和特征描述,得到多维特征向量。然后,利用特征点特征向量的欧几里德距离作为相似性判定度量标准,完成特征点对的粗匹配。粗匹配后得到的特征点对中存在错误点对。大部分学者都会选用RANSAC算法对其进行剔除。本文针对RANSAC算法在选取子集时需要随机选取以及估算参数时需要进一步细化处理的问题,使用改进的带概率顺序比测试的(SPRT)的R-RANSAC算法剔除误匹配点对,并根据提纯后的匹配点对计算两幅图像的几何变换参数,对图像进行反变换和灰度插值,完成图像配准。用随机选取的复杂度中等的图像进行仿真实验,结果表明,改进后的算法能在保证配准精度的前提下,具有更快的匹配速度;并对RANSAC算法和R-RANSAC算法进行了时间对比,后者的计算效率明显高于前者。