imreg_dft 项目状态 imreg_dft已达到稳定状态。 这意味着，尽管您不会看到很多提交，但该项目并未结束，没有任何未解决的问题，人们也没有抱怨。 计划在2017年第3季度增加一些完善的功能。 在那之前，我将花时间在-如果您编写Shell脚本，则可能要检查一下。 概述 使用离散傅立叶变换进行图像配准。 给定两张图像， imreg_dft可以计算缩放比例，旋转的角度和所成像特征的位置。 有了您的要求，您可以在大约五分钟内开始对齐图像！ 查看 （出血边缘）或 （带有图像）上的文档。 如果您是教育过程中与阶段相关性相关的一部分（无论您是学生还是老师，都ird-show ），那么imreg_dft项目中的ird-show实用程序可以帮助您理解（或解释）相位相关过程是如何工作的。 如果您是研究人员，并且数据方法存在问题，则可以使用ird-show轻松找出导致问题的原因。 特征 图像预处

以曲率图作为三维点云数据的特征描述函数，并运用曲率图实现了三维点云数据的配准．对于含有噪声的点云数据，先根据每个点的邻域特性估算其曲率值，然后根据每个点及其周围邻域点的曲率值构造该点的曲率图．通过在多比例空间下曲率图的特征保持分析，可提取到最能反映该点云数据特征的特征点集．对于两两配准，这些特征点集被用于三维点云数据的粗略配准算法中，该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配，由匹配的特征点对进行坐标变换求解，完成了两三维点云的粗略配准，然后运用迭代最近点算法进行精确配准．最后将整个配准算法应用于真实的三维点云数据，结果表明该算法能有效抑制点云采样密度及噪声的影响，能够快速实现点云数据的精确配准．

基于改进Harris-SURF算子的遥感图像配准算法

图像配准是计算机视觉中诸多问题的基础，基于图像特征的配准方法仍然是该领域的研究热门。为了提高算法的效率，拥有更好的实用性，提出了一种基于FAST-DAISY的遥感图像配准方法。首先运用FAST算法提取特征点，提出分配主方向的方法，利用DAISY算法建立描述符，得到特征点集后，使用RANSAC（随机抽样一致性）算法剔除误匹配点对，最终估计仿射变换参数，利用二次线性插值法得到配准后的遥感图像。实验结果表明，算法对于平移、旋转、灰度差异、地物差异、位置差异、小尺度差异和噪声干扰的遥感图像有较好的配准效果，匹配时间通常介于SIFT与SURF-DAISY算法之间，算法在实用性上有较大优势。

demons---demons配准

矩阵理论,我们用其中的矩阵分析的方法在实际的工程的应用写成的一篇学术论文,仅供参考。

Speeded Up Robust Features（SURF，加速稳健特征），是一种稳健的局部特征点检测和描述算法。最初由Herbert Bay发表在2006年的欧洲计算机视觉国际会议（Europen Conference on Computer Vision，ECCV）上，并在2008年正式发表在Computer Vision and Image Understanding期刊上。

提出了一种基于局部特征描述的多模态视网膜图像配准方法，该方法采用圆环结构划分关键点周围区域，通过局部梯度方向直方图构造特征描述子，并对所提取的特征向量进行规范化。实验证明，该算法在多模态视网膜数据集上提高了配准的成功率，相比于经典算法提高了算法的速度和鲁棒性。

提出了一种基于最优Atlas图像搜索和局部加权B样条变换的全自动非刚性分层配准分割感兴趣区域（ROI）方法。实验结果表明, 所提算法配准的ROI准确度达到95.6%, 归一化互信息值为1.8432, 均方根误差为1.12%, 相关系数提高了18.33%。相比其他配准方法, 所提方案的配准精度及准确度明显提升, 对临床辅助诊断有重要意义。

压缩包中包含sift和surf的图像配准，先用sift或者surf特征提取，然后进行特征匹配，最后还用RANSAC进行误匹配剔除。sift是在Lowe官网源码上进行更改，surf直接使用MATLAB自带函数detectSURFFeatures()。