图像配准是对取自不同时间、不同传感器或者不同视角的同一场景的两幅图像或者多幅图像进行匹配的过程,随着计算机视觉技术的发展,图像匹配技术被广泛地应用在遥感图像、医学图像、三维重构、机器人视觉等诸多领域中。图像配准的方法大致分为两类:基于像素的图像配准方法和基于特征的图像配准方法。而基于特征的图像配准方法是目前图像配准最常用的方法,其最大的优点在于能够将对整个图像进行的各种分析转化为对图像特征(特征点、特征曲线等)的分析,从而大大减小了图像处理过程的运算量。经过多年的研究,基于特征的图像配准技术已经取得了一定的研究成果,其主要步骤包括:图像采集、特征提取、特征匹配、图像变换。本文内容以图像配准的四个步骤为主线,首先概括介绍图像配准技术的研究现状、特点及应用领域,从而展示了图像配准技术广阔的应用前景。接着根据不同的硬件采集设备介绍了图像采集的两种方式以及图像配准常用的数学模型。论文分析和总结了现有图像匹配的主要方法、性能以及存在的问题,主要研究了两个方面的内容:(1)本文通过研究边缘特征和点特征,着重介绍了SIFT(Scale Invariant Feature Transform)点的形成过程以及涉及的边缘提取技术,为了改善信噪比低的图像的边缘检测效果,提出了一种基于多尺度多结构元素的数学形态学与Canny算子相结合的边缘检测算法,得到的边缘比较清晰,图像的细节表现力和抗噪能力得到加强,为后续的特征提取、目标识别打下了良好的基础;(2)在经典的SIFT特征点的基础上,针对不同的视角拍摄、不同的光照和明暗变换、尤其包含考验匹配算法的相似结构多的情形的图片,提出了一种基于网络流的特征优化匹配算法-最小费用K流算法(MKP)。该算法综合利用了SIFT特征点的方向信息和梯度信息,采用本文改进的匹配度量函数衡量特征点之间的相似性来作为流网络上的费用,借助于最小费用最大流的算法求出特征点之间的最优匹配点对,根据弧上的匹配度量比值和双向检查约束的方法来剔除伪匹配对,得到两幅图像的优化匹配点对,匹配准确率比一些经典算法提高了14%,使得变换系数更加精确,图像配准效果增强。实验证明,MKP算法准确率高,鲁棒性强,具有较高的使用价值。