CN103310456B - 基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法 - Google Patents

Abstract

本发明涉及一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，Gaussian-Hermite矩是shen于1997年提出一种用于描述图像特征方法。该方法目前主要应用到分类、目标检测，以及图像重建等图像领域，并且取得了较好的结果。2010年，Bo？Yang等人在原来Gaussian-Hermite矩的基础上，构造5阶18个Gaussian-Hermite矩，并且证明了这组矩具有旋转和平移不变性。因此，在研究Gaussian-Hermite矩的基础上，本发明利用其旋转和平移不变性，对图像的角点特征点构造Gaussian-Hermite矩特征描述子，采用特征向量之间的相似性度量实现图像的粗配准，最后，利用RANSCA算法剔除误匹配点对实现图像的精确配准。

Description

基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法

技术领域

本发明属于一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，具体涉及一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法。

背景技术

随着现代科学技术的迅猛发展，特别是航空/航天技术、影像技术、数据通讯技术的发展以及新型传感器的不断更新，遥感技术已经进入了一个能够动态、快速、准确提供多种对目标观测数据的全新阶段，使得人们获取遥感数据的能力不断提高，获取的数据信息量越来越丰富，类型越来越多样，例如高光谱图像，多光谱图像，多时相图像等。遥感图像中包含了丰富的目标物体信息，充分的利用这些信息，综合分析获得所需数据，以达到全面地了解目标特性的目的。然而，由于不同传感器获得的同一目标的遥感影像，存在着平移、旋转、缩放等一系列不同的变换，而并未进行空间上的对准，所以为了消除对应影像之间的几何误差就需要对两幅或者多幅遥感图像进行配准。

现有的图像配准方法大致分为两类：基于灰度的配准方法和基于特征的配准方法。基于灰度的配准方法主要包括灰度互相关方法和互信息方法。多时相/多模态遥感图像由于成像机理、视角、尺度、波段、时相等不同而导致配准图像之间往往存在较大的灰度、对比度、平移、旋转等差异，使得基于灰度的配准方法难以适用，因此多时相/多模态遥感图像配准更多的是采用基于特征的配准方法。其中，由于大多数图像很难保证提取出足够多的区域轮廓信息，且配准精度取决于特征提取的准确程度，从而限制了基于封闭区域图像配准的广泛应用。更多的特征配准方法是先提取出图像特征点，如角点、sift点等，然后结合特征点之间的相似关系或局部区域的灰度、梯度等信息来建立特征点之间对应关系，最终实现图像准确配准。基于Hu不变矩对噪声比较敏感，基于Zernike矩由于只取Zernike矩的幅值，缺乏考虑相位信息，从而丢失了图像中像素间的几何关系，SIFT算子则是一种基于梯度分布的局部不变描述算子，在对比度差异较大的多光谱或多传感器遥感图像中，梯度并不能够提供稳定的信息，从而限制SIFT算子的应用。文献“BoYang,GengxiangLietal.RotationandtranslationinvariantsofGaussian-Hermitemoments.PatternRecognitionlet.32(2011)1283-1398.”公开并构造5阶18个矩特征，并证明了这些Gaussian-Hermite矩具有平移和旋转不变性。如果将图像看作是二维密度分布函数，矩表征了图像的全局的分布特性，可以用于描述一幅图像的特征信息。图像的Gaussian-Hermite矩在图像处理和分析方面有重要的作用，已经被应用到图像识别、分割，分类等方面，并且取得了一定的成功，但并未应用到图像配准领域。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，克服现有技术方法不容易实现灰度或对比对差异较大的遥感图像配准，以及图像配准精度比较低的不足。

技术方案

一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，其特征在于步骤如下：

步骤1：对基准图像和待配准图像进行高斯平滑滤波；首先进行水平平滑滤波，再进行垂直平滑滤波；

步骤2：对平滑后的基准图像和待配准图像分别进行Harris角点检测，得到基准图像的标记矩阵和待配准图像的标记矩阵；

步骤3：利用一阶差分得到基准图像和待配准图像的像素幅值矩阵；利用不同的尺度因子得到基准图像和待配准图像的高斯差分图像；以源图像、高斯差分图像和像素幅值图像组成基准图像组和待配准图像组；

步骤4：分别对基准图像组和待配准图像组中的图像，采用不同的尺度因子，构造角点的5阶18个矩特征，作为角点的特征描述；

步骤5：采用基于距离的相似性度量实现角点的粗配准，得到候选匹配点集；

步骤6：采用RANSCA算法剔除候选匹配点集中的误匹配对，利用最小二乘法得到仿射变换矩阵，具体步骤如下：

步骤a：在候选匹配点集P中任选由3对不共线的匹配点估算变换矩阵H；

步骤b：在剩余点对中选择第i对匹配点(P_i，P′_i)，若||P_i-T(P′_i)||＜ε，则将这对候选匹配点选为内点，重复这一步骤直到取完所有余下的候选匹配点对；所述ε＝0.0002；

步骤c：若步骤b得到的内点数大于某一阈值T_n，则进行下一步，否则返回步骤1；所述T_n＝k/2；

步骤d：选择内点对为精确匹配点对Q＝{(P_t，P′_t)|(X_t，Y_t)，(x_t，y_t)，t＝1，...，N}，N为精确匹配点对的个数；

步骤7：利用仿射变换矩阵将待配准图像，通过线性插值映射到基准空间得到最终配准结果。

所述水平平滑滤波时，基准图像的宽和高分别为L₁，H₁，待配准图像的宽和高分别为L₂，H₂，如果L₁小于L₂，则基准图像的水平平滑因子为σ₀，待配准图像的水平平滑因子为σ₀*L₂/L₁；反之待配准图像的水平平滑因子为σ₀，基准图像的水平平滑因子为σ₀*L₁/L₂。

所述步骤3中的不同的尺度因子为σ₀和1.6*σ₀。

所述步骤4中的不同的尺度因子为σ＝0.1,0.2,0.4,0.7,1.2。

所述基于距离的相似性度量为欧式距离的相似性度量。

有益效果

本发明提出的一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，Gaussian-Hermite矩是shen于1997年提出一种用于描述图像特征方法。该方法目前主要应用到分类、目标检测，以及图像重建等图像领域，并且取得了较好的结果。2010年，BoYang等人在原来Gaussian-Hermite矩的基础上，构造5阶18个Gaussian-Hermite矩，并且证明了这组矩具有旋转和平移不变性。因此，在研究Gaussian-Hermite矩的基础上，本发明利用其旋转和平移不变性，对图像的角点特征点构造Gaussian-Hermite矩特征描述子，采用特征向量之间的相似性度量实现图像的粗配准，最后，利用RANSCA算法剔除误匹配点对实现图像的精确配准。

本发明的有益效果是：矩在统计学中用于表征随机量的分布，在力学中用于表征物质的空间分布。如果将图像看作是二维密度分布，则矩可以描述图像的特征，并提取与统计学和力学中相似的特征。基于Gaussian-Hermite矩的多时相/多模态遥感图像配准利用Gaussian-Hermite矩特征的旋转和平移不变性，采用高阶矩作为Harris角点特征描述实现遥感图像配准，并且本发明对多时相/多模态遥感图像存在较大灰度、平移、旋转差异时，具有较强的适应性并且配准精度高，可以实现图像的精确配准，并且利用高阶矩可提高图像的配准精度。

附图说明

图1是本发明基于Gaussian-Hermite矩的多时相/多模态遥感图像配准的流程图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

步骤1：首先对基准图像和待配准图像进行高斯平滑。假设基准图像的宽和高分别为L₁，H₁，待配准图像的宽和高分别为L₂，H₂，如果L₁小于L₂，则基准图像的水平平滑因子为σ₀，待配准图像的水平平滑因子为σ₀*L₂/L₁；反之待配准图像的水平平滑因子为σ₀，基准图像的水平平滑因子为σ₀*L₁/L₂。同理可得，基准图像和待配准图像的垂直平滑因子。

步骤2：对平滑后的基准图像和待配准图像进行Harris角点检测。假设Hessian矩阵为M，迹和秩分别为Trace(M)和Det(M)，则角点响应为R＝Det(M)-k*(Trace(M))²，其中k一般取（0.04～0.06），本发明取0.06。只有角点响应大于阈值T时，判定为角点，本发明中T＝50000。通过Harris角点检测可以得到与被检测图像大小相同的标记矩阵，其中，角点位置标记为1，其余位置为0。

步骤3：利用一阶差分得到源图像（基准图像、待配准图像）梯度的模值矩阵，大小与所求梯度图像相同。利用不同的高斯平滑因子分别对源图像进行高斯滤波，得到高斯差分图像，其中平滑因子分别为σ₀和1.6*σ₀。到此，可以得到基准图像组和待配准图像组，每组图像包括：源图像，高斯差分图像，幅值图像；

步骤4：分别对基准图像组和待配准图像组中的图像，采用不同的尺度因子（本发明中取σ＝0.1,0.2,0.4,0.7,1.2），构造同一角点的5阶18个矩特征，作为角点的描述子。其中，定义的5阶18个Gaussian-Hermite矩特征Φ₁～Φ₁₈如式（1）～式（18）所示：

二阶矩：

Φ₁=M₂₀+M₀₂（1）

三阶矩：

Φ₂=(M₃₀+M₁₂)²+(M₂₁+M₀₃)²（2）

Φ₃=(M₂₀-M₀₂)[(M₃₀+M₁₂)²-(M₂₁+M₀₃)²]+4M₁₁(M₃₀+M₁₂)(M₂₁+M₀₃)（3）

Φ₄=M₁₁[(M₃₀+M₁₂)²-(M₂₁+M₀₃)²]-(M₂₀-M₀₂)(M₃₀+M₁₂)(M₂₁+M₀₃)（4）

Φ₅=(M₃₀-3M₁₂)(M₃₀+M₁₂)[(M₃₀+M₁₂)²-3(M₂₁+M₀₃)²]（5）

+(M₀₃-3M₂₁)(M₀₃+M₂₁)[(M₀₃+M₂₁)²-3(M₁₂+M₃₀)²]

Φ₆=(M₃₀-3M₁₂)(M₂₁+M₀₃)[(M₂₁+M₀₃)²-3(M₃₀+M₁₂)²]（6）

+(3M₂₁-M₀₃)(M₃₀+M₁₂)[(M₃₀+M₁₂)²-3(M₂₁+M₀₃)²]

四阶矩：

Φ₇=M₄₀+2M₂₂+M₀₄（7）

Φ₈=(M₄₀-M₀₄)[(M₃₀+M₁₂)²-(M₂₁+M₀₃)²]+4(M₃₁+M₁₃)(M₃₀+M₁₂)(M₂₁+M₀₃)（8）

Φ₉=(M₃₁+M₁₃)[(M₃₀+M₁₂)²-(M₂₁+M₀₃)²]-(M₄₀-M₀₄)(M₃₀+M₁₂)(M₂₁+M₀₃)（9）

Φ₁₀=(M₄₀-6M₂₂+M₄₀)[(M₃₀+M₁₂)⁴-6(M₃₀+M₁₂)²(M₂₁+M₀₃)²+(M₂₁+M₀₃)⁴]（10）

+16(M₃₁-M₁₃)(M₃₀+M₁₂)(M₂₁+M₀₃)[(M₃₀+M₁₂)²-(M₂₁+M₀₃)²]

Φ₁₁=(M₄₀-6M₂₂+M₄₀)(M₃₀+M₁₂)(M₂₁+M₀₃)[(M₂₁+M₀₃)²-(M₃₀+M₁₂)²]（11）

+(M₃₁-M₁₃)[(M₃₀+M₁₂)⁴-6(M₃₀+M₁₂)²(M₂₁+M₀₃)²+(M₂₁+M₀₃)⁴]

五阶矩：

Φ₁₂=(M₅₀+2M₃₂+M₁₄)²+(M₄₁+2M₂₃+M₀₅)²（12）

${\mathrm{\Φ}}_{13}=({\stackrel{\‾}{M}}_{50}+2{\stackrel{\‾}{M}}_{32}+{\stackrel{\‾}{M}}_{14})({\stackrel{\‾}{M}}_{30}+{\stackrel{\‾}{M}}_{12})+({\stackrel{\‾}{M}}_{41}+2{\stackrel{\‾}{M}}_{23}+{\stackrel{\‾}{M}}_{05})({\stackrel{\‾}{M}}_{21}+{\stackrel{\‾}{M}}_{03})---\left(13\right)$

${\mathrm{\Φ}}_{14}=({\stackrel{\‾}{M}}_{41}+2{\stackrel{\‾}{M}}_{23}+{\stackrel{\‾}{M}}_{05})({\stackrel{\‾}{M}}_{30}+{\stackrel{\‾}{M}}_{12})-({\stackrel{\‾}{M}}_{50}+2{\stackrel{\‾}{M}}_{32}+{\stackrel{\‾}{M}}_{14})({\stackrel{\‾}{M}}_{21}+{\stackrel{\‾}{M}}_{03})---\left(14\right)$

Φ₁₅=(M₅₀-2M₃₂-3M₁₄)[(M₃₀+M₁₂)³-3(M₃₀+M₁₂)(M₂₁+M₀₃)²]（15）

-(3M₄₁+2M₂₃-M₀₅)[(M₂₁+M₀₃)³-3(M₂₁+M₀₃)(M₃₀+M₁₂)²]

Φ₁₆=(M₅₀-2M₃₂-3M₁₄)[(M₂₁+M₀₃)³-3(M₂₁+M₀₃)(M₃₀+M₁₂)²]（16）

+(3M₄₁+2M₂₃-M₀₅)[(M₃₀+M₁₂)³-3(M₃₀+M₁₂)(M₂₁+M₀₃)²]

$\begin{array}{c}{\mathrm{\Φ}}_{17}=(M_{50}-10M_{32}+5M_{14})[{(M_{30}+M_{12})}^5-10{(M_{30}+M_{12})}^3{(M_{21}+M_{03})}^2+5(M_{30}+M_{12}){(M_{21}+{\stackrel{\‾}{M}}_{03})}^4]\\ +(5M_{41}-10M_{23}+M_{05})[{(M_{21}+M_{03})}^5-10{(M_{30}+M_{12})}^2{(M_{21}+M_{03})}^3+5(M_{21}+M_{03}){(M_{30}+M_{12})}^4]\end{array},---\left(17\right)$

Φ₁₈=(M₀₅-10M₂₃+5M₄₁)[(M₃₀+M₁₂)⁵-10(M₃₀+M₁₂)³(M₂₁+M₀₃)²+5(M₃₀+M₁₂)(M₂₁+M₀₃)⁴]（18）

-(5M₁₄-10M₃₂+M₅₀)[(M₂₁+M₀₃)⁵-10(M₃₀+M₁₂)²(M₂₁+M₀₃)³+5(M₂₁+M₀₃)(M₃₀+M₁₂)⁴]

其中，(p+q)阶Gaussian-Hermite矩M_pq定义如式（19）：

$M_{\mathrm{pq}}=\frac{4}{{(K-1)}^2}\underset{i=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{K-1}{\mathrm{\Σ}}}I(i,j){\stackrel{\mathrm{\Λ}}{H}}_p(i,K;\mathrm{\σ}){\stackrel{\mathrm{\Λ}}{H}}_q(j,K;\mathrm{\σ})---\left(19\right)$

上式中，I(i,j)是大小为K*K的图像，i，j分别表示图像的坐标位置，即[0≤i,j≤K-1]，对其归一化得到[-1≤x,y≤1]。x，y和i，j的对应关系如式（20）：

$\left\{\begin{array}{c}x=(2i-K+1)/K-1\\ y=(2j-K+1)/K-1\end{array}---\left(20\right)\right.$

(i,K;σ)和(j,K;σ)定义如（21）：

$\left\{\begin{array}{c}{\stackrel{\mathrm{\Λ}}{H}}_p(i,K;\mathrm{\σ})={[2^{p}p!\sqrt{\mathrm{\π}}\mathrm{\σ}]}^{-\frac{1}{2}}\exp (-x^2/2{\mathrm{\σ}}^2)H_p(x/\mathrm{\σ})\\ {\stackrel{\mathrm{\Λ}}{H}}_q(j,K;\mathrm{\σ})={[2^{q}q!\sqrt{\mathrm{\π}}\mathrm{\σ}]}^{-\frac{1}{2}}\exp (-y^2/2{\mathrm{\σ}}^2)H_q(y/\mathrm{\σ})\end{array}---\left(21\right)\right.$

上式中，exp(-x²)代表高斯包络，exp(-x²/2σ²)则表示采样后的高斯包络。H_p(x/σ)表示对x方向自变量进行采样，H_p(x)是用式（22）、式（23）来递归定义：

H_p(x)＝(-1)_pexp(x²)(d^p/dx^p)exp(-x²)（22）

H_p+1(x)＝2x·H_p(x)-2p.H_p-1(x)forp≥1（23）

在上述的5阶18个矩的基础上，构造旋转不变矩和平移不变矩分别如式（24），式（25）：

${\stackrel{\‾}{M}}_{\mathrm{pq}}={\left(\sqrt{2^{p+q}p!q!\mathrm{\π}}\mathrm{\σ}\right)}^{-1}{M}_{\mathrm{pq}}---\left(24\right)$

${\stackrel{\‾}{N}}_{\mathrm{pq}}={\left(\sqrt{2^{p+q}p!q!\mathrm{\π}}\mathrm{\σ}\right)}^{-1}{N}_{\mathrm{pq}}---\left(25\right)$

其中，N_pq定义如式（26）：

$N_{\mathrm{pq}}=\frac{4}{{(K-1)}^2}\underset{i=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{K-1}{\mathrm{\Σ}}}I(i,j){\stackrel{\‾}{H}}_p(i,k;\mathrm{\σ}){\stackrel{\‾}{H}}_q(j,K;\mathrm{\σ})---\left(26\right)$

式中，(i,K;σ)和(j,K;σ)定义如式（27）：

$\left\{\begin{array}{c}{\stackrel{\‾}{H}}_p(i,K;\mathrm{\σ})={{[2}^{p}p!\sqrt{\mathrm{\π}}\mathrm{\σ}]}^{-\frac{1}{2}}\exp (-{(x-\stackrel{\‾}{x})}^2/{2\mathrm{\σ}}^2)H_p((x-\stackrel{\‾}{x})/\mathrm{\σ})\\ {\stackrel{\‾}{H}}_q(j,K;\mathrm{\σ})={[2^{q}q!\sqrt{\mathrm{\π}}\mathrm{\σ}]}^{-\frac{1}{2}}\exp (-{(y-\stackrel{\‾}{y})}^2/{2\mathrm{\σ}}^2)H_q((y-\stackrel{\‾}{y})/\mathrm{\σ})\end{array}\right.----\left(27\right)$

和表示归一化后，图像I(i,j)的中心，定义如下：

$\left\{\begin{array}{c}\stackrel{\‾}{x}=({2i}_0-K+1)/K-1\\ \stackrel{\‾}{y}=({2j}_0-K+1)/K-1\end{array}---\left(28\right)\right.$

其中，i₀和j₀表示图像I(i,j)的中心。

步骤5：基准图像和待配准图像角点的Gaussian-Hermite矩描述子分别标记为V_t和V_s。采用欧式距离作为特征向量之间的相似性度量来确定初始匹配的点对。对应的欧式距离定义如下：

$:d(V_s,V_t)=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}{(v_{\mathrm{sj}}-{v_{\mathrm{tj}}}^{\left(k\right)})}^2---\left(29\right)$

其中，T表示Gaussian-Hermite矩描述子的维数，k表示基准图像的索引值。

根据待配准图像上Gaussian-Hermite矩描述子，遍历基准图像上的每个Gaussian-Hermite矩描述子，如果最小距离和次小距离的比值小于给定的阈值T（T的建议值0.4～0.7，本发明T=0.6），就选定为初始的匹配点对，由此构成候选匹配点集PP＝{(P_t，P′_t)|(X_t，Y_t)，(x_t，y_t)，t＝1，...，m}，m表示候选匹配点的对数。

精配准采用如下的仿射变换模型T，基准图像点(X,Y)与其在待配准图像中对应的点(x,y)符合以下关系：

$\left[\begin{array}{c}X\\ Y\\ 1\end{array}\right]=H\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]---\left(30\right)$

变换矩阵 $H=\left[\begin{array}{ccc}{a}_0& a_1& a_2\\ a_3& a_4& a_5\\ 0& 0& 1\end{array}\right]$ 。a₀～a₅表示6个待求参数。

步骤6：采用RANSNC算法进行剔除错误匹配点，具体步骤如下：

1)在候选匹配点集PP中任选由3对不共线的匹配点估算变换矩阵H；

2)在余下点对中选择第i对匹配点(P_i，P′_i)，若||P_i-T(P′_i)||＜ε，则将这对候选匹配点定义为内点，重复这一步骤直到取完所有余下的候选匹配点对；

3)若步骤2得到的内点数大于某一阈值T_n，则进行下一步，否则返回步骤1；

4)选择内点对为精确匹配点对。

实验中，设置ε＝0.0002，T_n＝k/2，可得到精确匹配点集Q＝{(P_t，P′_t)|(X_t，Y_t)，(x_t，y_t)，t＝1，...，N}，N为精确匹配点对的个数。

步骤7：由得到的精确匹配点集PK，利用最小二乘法得到待配准图像和基准图像之间的最佳变换矩阵H，再利用反向插值得到精确配准的图像。

本发明通过在Harris角点提取的基础上，对不同图像空间，不同尺度条件下，构造角点的Gaussian-Hermite特征描述子，从而实现图像配准。在仿真和多时相/多模态遥感图像上的实验结果表明，本发明对多时相/多模态遥感图像存在较大灰度、平移、旋转差异时，具有较强的适应性并且配准精度高。

Claims (5)

1.一种基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，其特征在于步骤如下：

步骤1：对基准图像和待配准图像进行高斯平滑滤波；首先进行水平平滑滤波，再进行垂直平滑滤波；

步骤2：对平滑后的基准图像和待配准图像分别进行Harris角点检测，得到基准图像的标记矩阵和待配准图像的标记矩阵；

步骤3：利用一阶差分得到基准图像和待配准图像的像素幅值图像；利用不同的尺度因子得到基准图像和待配准图像的高斯差分图像；以基准图像、高斯差分图像和像素幅值图像组成基准图像组，以待配准图像、高斯差分图像和像素幅值图像组成待配准图像组；

步骤4：分别对基准图像组和待配准图像组中的图像，采用不同的尺度因子，构造角点的5阶18个Gaussian-Hermite矩特征，作为角点的特征描述；

步骤5：采用基于距离的相似性度量实现角点的粗配准，得到候选匹配点集；

步骤6：采用RANSCA算法剔除候选匹配点集中的误匹配对，利用最小二乘法得到仿射变换矩阵，具体步骤如下：

步骤a：在候选匹配点集P中任选由3对不共线的匹配点估算变换矩阵H；

步骤b：在剩余点对中选择第i对匹配点(P_i,P_i')，P_i表示基准图像中的点(X,Y)，P_i'表示待配准图像中的点(x,y)，T(·)表示基准图像与待配准图像之间的变换，即 $T\left(P_i^{\′}\right)=H\left[\begin{array}{c}X\\ Y\\ 1\end{array}\right],$ 若||P_i-T(P_i′)||＜ε，则将这对候选匹配点选为内点，重复这一步骤直到取完所有余下的候选匹配点对；所述ε＝0.0002；

步骤c：若步骤b得到的内点数大于某一阈值T_n，则进行下一步，否则返回步骤1；所述T_n＝k/2，k为初始匹配点对个数，即步骤5中候选匹配点对个数；

步骤d：选择内点对为精确匹配点对Q＝{(P_t,P_t')/(X_t,Y_t),(x_t,y_t),t＝1,…,N}，N为精确匹配点对的个数，(X_t,Y_t)表示基准图像中的点的坐标，(x_t,y_t)表示待配准图像中的点的坐标；

步骤7：利用仿射变换矩阵将待配准图像，通过线性插值映射到基准空间得到最终配准结果。

2.根据权利要求1所述基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，其特征在于：所述水平平滑滤波时，基准图像的宽和高分别为L₁，H₁，待配准图像的宽和高分别为L₂，H₂，如果L₁小于L₂，则基准图像的水平平滑因子为σ₀，待配准图像的水平平滑因子为σ₀*L₂/L₁；反之待配准图像的水平平滑因子为σ₀，基准图像的水平平滑因子为σ₀*L₁/L₂。

3.根据权利要求1所述基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，其特征在于：所述步骤3中的不同的尺度因子为σ₀和1.6*σ₀。

4.根据权利要求1所述基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，其特征在于：所述步骤4中的不同的尺度因子为σ＝0.1,0.2,0.4,0.7,1.2。

5.根据权利要求1所述基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法，其特征在于：所述基于距离的相似性度量为欧式距离的相似性度量。