魏 新， 马丽华， 李云霞， 徐志燕， 李大为

(空军工程大学信息与导航学院，西安 710077)

0 引言

目前，红外检测技术广泛应用于电气设备和电路板卡的故障检测。图像配准技术［1］是红外图像处理中最关键的技术之一，配准的结果直接影响到故障的检测与定位。图像配准可分为基于灰度的图像配准［2］和基于特征的图像配准［3］。基于灰度的图像配准一般要求图像的相关性强，而且计算量大，很难达到实时性的需求;基于特征的图像配准计算量小、运算速度快，且具有较强的鲁棒性，成为图像配准研究的主要方向。

常用的特征提取算法有 Harris［4］，SUSAN［5］，SIFT［6］(Scale Invariant Features Transform)和 SUFT［7］(Speeded－Up Robust Features)等。SIFT算子最早由Lowe David G提出，是建立在DoG(Difference of Gaussian)尺度空间理论基础上的一种算法。该算法采取邻域方向性信息联合的思想，从空间域和尺度域两个方面对图像进行特征分析，对检测到的关键点用128维的特征向量表征，具有尺度不变性和较强的鲁棒性。由文献［8］的对比分析知，SIFT算法性能优于Harris、SUSAN等角点算法，但SIFT算子比较耗时，不能满足实时性的要求。因此，Bay等人提出了一种基于快速鲁棒特征的SUFT算法，它在特征点检测的准确性、鲁棒性以及实时性方面较其他算法［9－11］有很大优势。

本文利用SUFT算法进行特征点检测，采取粗匹配与精匹配［12］结合的匹配策略选取特征点对，设计了一种快速、有效、高精度的红外图像配准算法。

1 特征点提取

1.1 尺度空间特征点检测

SUFT特征点检测是基于Hessian矩阵进行的，给定图像 I(x，y)中一点 s=［x，y］，则在尺度 σ 的Hessian矩阵为

式中，Lxx(x，σ)为图像 I(x，y)和高斯函数 G(x，y，σ)在x方向上的二阶导数在x的卷积。……