排序，再将排序后的前k个匹配对作为参考图像的特征点 而(X，y)对应的目标匹配对，将i加1，重复上述步骤，直至获取参考图像的特征点Rm(x，y) 对应的目标匹配对，W获取集合B。
[0047] 其中，i初始时为1，集合B包括参考图像的特征点Ri(x，y)对应的目标匹配对至 参考图像的特征点Rm(x，y)对应的目标匹配对，k= 1，2, 3。
[0048] 步骤S104、将集合A和集合B的交集确定为第一粗匹配组。
[0049] 本实施例中，通过双向匹配构建第一粗匹配组，该样保证了只有满足双向匹配的 匹配对才可W构成第一粗匹配组的元素，提高了第一粗匹配对的准确性。
[0050] 图3为本发明第S实施例的基于级联结构的图像配准方法的流程图，在本发明第 一实施例或者第二实施例的技术方案的基础上，如图3所示，步骤S200,具体可W包括如下 步骤：
[0化1] 步骤S201、计算第一粗匹配组中的每个匹配对的相似度。
[0052] 步骤S202、分别将每个匹配对的相似度与预设置信度比较，将相似度小于预设置 信度的匹配对剔除。
[0053] 在本实施例中，由于不需要设置严格的参数，只需要剔除与约束条件相差较大的 点对。因此，在普通图像中，一般剔除相似度排名后30%的匹配化而对于光谱图像中，由于 含有更少的相似信息，一般剔除相似度排名后10%的匹配对。具体的，预设置信度是在第一 粗匹配组中根据上述的剔除率计算得到。
[0化4]本实施例中，通过剔除第一粗匹配组中相似度低于预设置信度的匹配对，从而获 得第二粗匹配组，因此，第二粗匹配组包含的匹配对的准确性更高。
[0055] 图4为本发明第四实施例的基于级联结构的图像配准方法的流程图，在本发明第 一实施例、第二实施例和第=实施例的的技术方案的基础上，如图4所示，步骤S300,具体 可W包括如下步骤：
[0化6] 步骤S3011、从第二粗匹配组中随机选取两个匹配对狂，Y)和狂'，Y')，根据上 述两个匹配对狂，Y)和狂'，Y')，在预设的灰度坐标系中，形成两条线段XX'与YY'。 [0057] 其中X和X'为参考图像的特征点，Y和Y'为输入图像的特征点。
[0化8] 具体的，若两个匹配对狂-Y)和狂'-Y')是正确的匹配对，那么线段XX'和 YY'上的颜色/灰度分布也应该是匹配的。
[0059] 步骤S3012、对线段XX '进行等间距采样，获得第一采样点集合 化,《2, Xg,. . . ,X。），并得到向重X=[X。Xg, Xg, . . . , X。]。
[0060] 其中，Xi为第一采样点集合中采样点Xi对应的灰度值。i= 1，2,. . .，n，n为第一 采样点集合的维度。
[0061] 步骤S3013、对线段YY'进行等间距采样，获得第二采样点集合 化，Yg,Ys,. . .，Y。)，并得到向量y=扔，72,y]，. . .，y。]。
[0062] 其中，y;为第二采样点集合中采样点Yi对应的灰度值。i= 1，2,. . .，n，n为第二 采样点集合的维度。
[0063] 步骤S3014、分别对向量X和向量y进行归一化处理，得到两个归一化的向量X和 J，并采用公式
[0064] d = \\x-mC1)
[00化]计算获取向量X和扩之间的距离d。
[0066] 步骤S3015、若距离d大于预设阔值，则将匹配对狂，Y)和狂'，Y')从第二粗匹 配组中剔除。
[0067] 步骤S3016、在剔除后的第二粗匹配组中重新选取两个匹配对，重复上述步骤，直 至剔除后的第二粗匹配组中任意两个匹配对对应的距离大于预设阔值。
[0068] 具体的，本实施例中，不设置严格的预设阔值，预设阔值是根据具体图像类型W 及图像配准的准确性来确定。对于普通图像，一般选择第一预设阔值为0. 5,也就是说，当 d〉0. 5时，认为两个匹配对狂-Y)和狂'-Y')是错误的，需要从第二粗匹配组中剔除。
[0069] 本实施例中剔除第二粗匹配中不满足灰度距离的匹配对，进一步的提高第S粗匹 配组中的匹配对的准确性。
[0070] 图5为本发明第五实施例的基于级联结构的图像配准方法的流程图，在本发明第 一实施例、第二实施例和第=实施例的技术方案的基础上，如图5所示，步骤S300,具体可 W包括如下步骤：
[0071] 步骤S3021、对第二粗匹配组中的参考图像的特征点根据横坐标和纵坐标分别从 小到大进行排序，将参考图像的特征点的横坐标依次重新定义为〇，1，…，mi，将参考图像的 特征点的纵坐标依次重新定位为0,1，…，nil，获取参考图像的特征点的新横坐标和新纵坐 标。
[007引其中，mi为第二粗匹配组中参考图像的特征点的数量。
[0073] 在本实施例中，W第二粗匹配对中剩余5个匹配对为例，假设参考图像中的点分 别为A(3，l)，B巧，3)，C(l，5)，D(2,7)和E(4,9)，分别对A-E横纵坐标进行排序，排序后可 知，A的纵坐标最小，将A的纵坐标重新定义为0,B的纵坐标其次小，重新定义为1，依次类 推，同理，C的横坐标最小，将C的横坐标重新定义为0,D的横坐标其次小，将D的横坐标 重新定义为1，依次类推。因此，重新定义坐标系统后的参考图像中的点的新坐标分别为： A(2,0)、B(4,1)、C(0, 2)、D(1，扣和E(3,4)。
[0074] 步骤S3022、对第二粗匹配组中的输入图像的特征点根据横坐标和纵坐标分别从 小到大进行排序，将输入图像的特征点的横坐标依次重新定位为0,1，…，ni，将输入图像的 特征点的纵坐标依次重新定位为0,1，…，ni;获取参考图像的特征点的新横坐标和新纵坐 标。
[0075] 其中，ni为第二粗匹配组中输入的特征点的数量。
[0076] 具体的，步骤3022中对输入图像中的坐标点重新定义坐标的方法与步骤3021的 方法类似，在此不再寶述。
[0077] 步骤S3023、遍历第二粗匹配组中的匹配对，若匹配对中的参考图像特征点对应的 特征点的新横坐标与输入图像特征点对应的新横坐标之差或者匹配对中参考图像特征点 对应的新纵坐标与输入图像特征点对应的新纵坐标之差大于预设阔值时，则将匹配对从第 二粗匹配组中剔除。
[007引具体的，假设第二粗匹配中，假设存在一组匹配对（R-巧，其中R的新坐标为 (X。yi)，S的新坐标为（X2,y2)，当（R-。为正确的匹配对时，新横坐标差虹=IXi-X21和新 纵坐标差dy=lyi-ysl都应在一定范围内，因此，当新横坐标差dx大于预设阔值或者新纵 坐标差dy大于预设阔值，认为匹配对（R-巧是错误的，需要从第二粗匹配组中剔除。
[0079] 另外，第二预设阔值应该由第二粗匹配中的匹配对数目决定，在本实施例中，不需 要设置严格的预设阔值，一般情况下，预设阔值等于第二粗匹配中的匹配对数目的一半。
[0080] 本实施例中通过为参考图像和输入图像重定义坐标系统，获取第二粗匹配组中的 匹配对的新坐标，当第二粗匹配组中的匹配对的新横坐标差或者新纵坐标差大于第二预设 阔值时，则认定匹配对错误，使得到的第S粗匹配组中的匹配对的准确性更高。
[0081] 图6为本发明第六实施例的基于级联结构的图像配准方法的流程图，在本发明第 一实施例、第二实施例、第=实施例、第四实施例和第五实施例的技术方案的基础上，如图6 所示，步骤S400,具体可W包括如下步骤：
[0082] 步骤S401、从第S粗匹配组中随机选取四个不共线的匹配对。
[0083] 步骤S402、根据选取的四个匹配对计算参考图像和输入图像之间的透视变换矩阵 H。
[0084] 在本实施例中，透视变换矩阵H满足，
[0085]
[0086] 其中，H为3*3的矩阵，且ti33=l。
[0087] 假设存在一组匹配对（R-巧，其中R为参考图像中的点，坐标为（Xi，yi)，S为输入 图像中的点，坐标为（X2, 72)，则（R-巧存在如下对应关系：
[008引
[0089] 由上述公式可知，利用步骤S401中的四个不共线的匹配对即可计算得到透视变 换矩阵H。
[0090] 步骤S403、计算第S粗匹配组中符合透视变换矩阵H的匹配对数目。
[0091] 其中，匹配对的数目中包括之前随机选取的四个不共线的匹配对。
[0092] 步骤S404、重新选取四个不共线的匹配对，重复上述步骤，直至获得目标匹配对数 目。
[009引其中，目标匹配对数目大于第S预设阔值。
[0094] 具体的，第立预设阔值Ni满足N 1= 0. 8*Nm，其中Nm为第立粗匹配组中的总匹配对 数目。
[0095] 可选地，步骤S404结束的条件还可W为重复的次数达到一定的值馬，其中，一般情 况下，馬取值为200。
[0096] 步骤S405、将目标匹配对数目对应的透视变换矩阵作为对应的变换矩阵。
[0097] 本实施例中，利用RANSAC算法从匹配对准确性更高的第S粗匹配组中进一步地 剔除错误的匹配对，并得到两幅图像之间的透视变换矩阵，满足RANSAC算法对粗匹配对的 准确性的要求，使得匹配结果更加准确，保证输出图像的分辨率和清晰度。
[009引本发明还提供一种基于级联结构的图像配准装置，图7为本发明第走实施例的基 于级联结构的图像配准装置的结构示意图；如图7所示，本实施例的基于级联结构的图像 配准装置，包括：匹配模块710、第一剔除模块720、第二剔除模块730、处理模块740和获取 模块750。
[0099] 其中，匹配模块710,用于对参考图像的特征点和输入图像的特征点进行双向匹配 处理，获取第一粗匹配组。
[0100] 第一剔除模块720,用于根据