更新时间：2024-01-30 17:54
随着遥感对地观测技术（RS）、全球定位系统技术（GPS）和地理信息处理技术（GIS）的发展以及“3S”集成技术的进一步应用，图像匹配制导技术已成为当前“3S”技术应用研究的热点内容。
随着计算机技术的不断发展，特别是速度更快，价格更低的处理芯片问世，图像匹配速度大大提高，从而使其在飞行器导航与控制等实用性要求很高的领域也得到了广泛采用。随着现代高技术战争的发展，单一的惯性制导方式已不能满足精度的要求，常常采用惯性、GPS、地形匹配、光学景象匹配等制导方式相融合的组合导航方式。与传统的惯性导航、无线电导航等方式比较，图像匹配导航具有自主性强、制导精度高等优点，因此受到人们的高度重视。
图像匹配制导系统的功能是利用地物景象为惯导系统提供精确定位信息，修正其经过长时间飞行所积累的误差，引导飞行器到达预定的目标。该系统的工作原理是：实现利用侦察手段获取飞行器下方的地物景象（基准图像）并存于飞行器载计算机中，然后，当携带相应的传感器的飞行器飞过预定的位置范围时，便即使测量出当地的地物景象（实时图像）。将实时图像和基准图像在飞行器计算机中进行相关匹配比较，即可以确定出当前飞行器的准确位置，完成定位功能。
图像匹配制导基于图像匹配技术，又称景象匹配或者模板匹配，就是在一幅较大的图像（称为基准图像）上唯一地准确定位一幅较小图像。（称为实时图像或者模板图象）的计算过程处理，其中实时图像包含有基准图像的局部景象或景物。它既可以用于导弹制导中的导航定位和目标识别，也可以用会图像融合前的校准，是数字图像处理和计算机视觉领域中一个基础性研究课题。
从数字的角度来看，镜象匹配是两幅图像之间的空间坐标和相应灰度的匹配。假设 为景象区域A的成像， 中不仅包含景象区域A，而且还包含与区域A相连的其它镜像区域，则二者的关系可以表示为 式中，f是一个二维空间的坐标变换，而g是一个一维的灰度变换。
从上式看出，景象匹配问题就是一个要寻找最佳的灰度的空间坐标变换。在实际情况中，由于造成灰度差异的原因非常多，如成像时灰度分配差异，物体本身的属性变化（移动，生长变化等）等，因此有时灰度差异是无法完全去除的。相比较而言，图像之间的坐标匹配更加关键。在实际匹配过程中，图像之间并不能通过一个或多个坐标变换来达到坐标上的完全匹配。例如，不同时期的地标特征、植被、河流所造成的遥感图像可能是不同的，如森林的砍伐，河流的改道等。在这种情况下，无法用一个简单的变换模型来建立两幅图像之间的关系，也无法按照之前给出的算式来进行匹配计算，对于这种情况，常采用的方法是寻找图像中不变或变化很小的特征作为匹配的依据，只要这些特征之间能达到上式所描述的关系，就认为两幅图像之间达到了匹配，并不要求两幅图像在每一个像素上都一一对应。
在匹配进行前，首先要确定的是图像之间的变换关系，即图像之间变换的数学模型。数学模型的确定依赖于图像之间的差异类型，也就是依赖于造成图像差异的原因。图像之间的差异可分为相关差异和非相关差异。相关差异主要是几何上的差异，是由传感器的位置变化和传感器的噪声引起的，例如光照、天气、阴影等，这类差异是无法预先知道的，很难用某种数学模型来完全精确的描述，通常只能用相应的数学模型来近似模拟。
匹配算法基本要素
1.特征空间
特征空间是在图像中所抽取的用于景象匹配的图像信息，特征空间的选择决定了图像的哪些特征参与匹配，哪些特征被忽略。例如，当选取结构特征时，区域纹理特征将被忽略。所选择特征可以使图像上每个像素点的灰度值，可以是线交叉点，高曲率点等一些显著特征，也可以是矩中心量，中心等统计特征或高层结构描述与句法描述等高级特征。特征的选择非常重要，合理的选择特征空间既可以减少匹配算法的计算量，也可以降低成像畸变对匹配性能的影响，提高匹配算法对景象模式的适应能力。由于不同的特征使用了图像中的不同信息，因而具有不同的适用性，具体应用时须根据不同的图像和景象匹配要求来选择合适的特征。
2.相似性度量
相似性度量是衡量匹配图像特征之间的相似程度的量度，也可称为匹配准则，这个准则就是判断两幅图像是否达到匹配的标准，因而在图像匹配中要做的第一项工作就是选择合适的相似性度量。
3.搜索空间
景象匹配问题是一个参数的最优估计问题，待估计参数组成的空间即是搜索空间，也就是说，搜索空间是指所有可能的变换所组成的空间。由于搜索空间是用于校正图像的一类几何变换，因而成像畸变的类型和强度决定了搜索空间的组成和范围。图像的几何变换可以分为全局的、局部的和位移场形式的三类。其中，全局的变换通常基于矩阵代数理论，用一个参数矩阵来描述整个图像的变换。局部变换又被称为弹性映射，允许变换参数有位置依赖性，即不同的位置具有不同的变换参数模型，并且变换参数往往只是定义在某些特定的关键点上。位移场形式的变换又称为光流场变换法，是在某种规整化机制的约束下，利用一个连续的函数优化机制，计算出图像中每一点的独立位移量。
4.搜索算法
搜索算法又称搜索策略，其目的是在搜索空间中找到一个最优变换，使得两幅图像之间的相似性度量值达到最大值。虽然，在众多的匹配参数中遍历所有的参数肯定是不合适的，会导致极大的计算量，因此寻找最佳的搜索策略对于减少计算量有重要意义，搜索空间越复杂，选择合适的算法就越重要。常用的搜索算法有穷举搜索，层次性搜索，多尺度搜索，序惯判决，松弛算法，广义Hough变换，线性规划，树与图匹配，动态规划，启发式搜索等。每一种搜索算法都有其优点， 也都有其局限性。在多数情况下，搜索算法的选择是由其变换模型的特点和所采用的特征来决定的。
景象匹配算法的分类
基于区域（Area-based）的景象匹配算法
基于区域的景象匹配算法包括灰度相关算法，相位相关算法等。在这类算法中，图像的像素点阵直接参与景象的匹配运算。这类算法所采用的相似性度量有归一化互相关，互相关系数，相位相关等。由于这类算法参与匹配运算的是图像的像素点阵，并且在特征提取过程中不必像特征匹配算法那样舍弃大量信息，因此具有使用简便，对景象模式适应力比较强等优点，但不足之处是对成像畸变的适应能力较弱。
基于特征（Feature-based）的景象匹配算法
这类算法在景象匹配时需要首先提取图像中的特征，然后再建立两幅图像特征之间的匹配对应关系。这类算法的优点是对成像畸变的适应能力较强。当匹配图像之间存在难以矫正的畸变时，基于区域的匹配算法不能获得满意的匹配结果，而基于特征的匹配算法则可以通过特征空间和相似性度量的选择来减弱或消除成像畸变对匹配性能的影响。这种算法的缺点是在特征提取过程中会损失大量的图像信息，因此它对于图像类型的适应能力不如基于区域的匹配算法。