针对电气设备同一场景的红外与可见光图像间一致特征难以提取和匹配的问题，提出了一种基于斜率一致性的配准方法。首先通过数学形态学方法分别提取红外与可见光图像的边缘，得到粗边缘图像；然后通过SURF算法提取两幅边缘图像的特征点，根据正确的匹配点对之间斜率一致性的先验知识，进行特征点匹配；最后通过最小二乘法求得仿射变换模型参数并实现两幅图像的配准。实验结果表明，该方法有效提高了匹配点对的正确率，能够对电气设备红外和可见光图像实现高精度的配准。

malab的红外与可见光图像配准完整代码

此功能将执行恶魔配准，这是一种快速非刚性流体，如两个 2D 或 3D 图像之间的配准。 还支持不同 (MRI) 模态之间的配准，通过转换一个图像模态使其看起来像第二个图像的模态的功能。 Thirion 1998的论文描述了恶魔的注册，Cachier 1999和He Wang 2005对其进行了扩展。 基本算法：在每个像素上，使用强度差异和梯度信息定义速度（运动）。 该速度场由高斯平滑，并反复用于变换运动图像，并配准到静态图像。 （文件 basic_demon_example.m 中易于理解的代码示例） 我们没有使用“demonregistration”函数的基本方程，而是将其重写为由极限内存 BFGS 优化器以迭代和多分辨率方式使用，还支持扩散正则化。 （另见 Tom Vercauteren 等人。“非参数微分形态图像...”） 将一种模态转换为另一幅图像的假模态是通过使用两个图

（MATLAB版代码）红外与可见光图像配准算法

本文简单阐述了下传统图像配准方法后着重介绍了基于深度学习的图像配准方法。

基于图形处理器单元（GPU）提出了一种帧间差分与模板匹配相结合的运动目标检测算法。在CUDA-SIFT（基于统一计算设备架构的尺度不变特征变换）算法提取图像匹配特征点的基础上，优化随机采样一致性算法（RANSAC）剔除图像中由于目标运动部分产生的误匹配点，运用背景补偿的方法将静态背景下的帧间差分目标检测算法应用于动态情况，实现了动态背景下的运动目标检测，通过提取目标特征与后续多帧图像进行特征匹配的方法最终实现自动目标检测。实验表明该方法对运动目标较小、有噪声、有部分遮挡的图像序列具有良好的目标检测效果。

这个主要是一些图像配准的实例，为后续的图像融合做准备。

意大利Etna火山InSAR实测的SLC数据，即两幅天线的SAR复图像，mat格式，可以用MATLAB直接读取后进行图像配准、相位滤波、解缠绕等步骤

综述报告

图像配准算法，对做配准和拼接的可能有一定的帮助