由于传感器机理的不同,红外图像和可见光图像所反映的场景信息之间的差异也较大,融合这两类图像的信息有助于更好地做出决策。但是,对于同一场景,不同传感器捕获图像的大小、视角、视场等各不相同,因此在对图像进行融合之前,先要对图像进行几何配准。然而,红外和可见光图像上相对应部分的灰度信息关系复杂,经常发生对比度反转现象,因此,采用一般的配准方法难以实现这两类图像之间的精确配准。为了提高红外和可见光图像的配准精度,本文提出了一种基于视觉显著特征的图像配准方法,该方法由一种视觉显著(Visual Salient,VS)特征检测子和一种特征描述子重组(Descriptor-Rearranging,DR)策略组成。VS特征检测子是基于改进的Itti视觉注意模型,同时利用了红外和可见光图像上的亮度和方向信息来提取图像上的点特征。首先,通过线性滤波获得输入图像的亮度尺度空间和多个方向尺度空间;然后,采用中央-周边差操作获得早期视觉特征图,并将处在同一尺度的不用方向的早期视觉特征图进行合并,形成一个早期方向特征尺度空间;之后,采用迭代特征竞争方法增强特征图中的强显著区域,去除弱显著区域,生成显著图;最后,提取显著区域的局部极值点作为特征点。由于VS特征检测子在去除弱显著区域这一步时所采用的迭代特征显著竞争方法比较耗时,因此本文提出了一种快速视觉特征(Fast Visual Salient,FVS)检测子。FVS特征检测子用简单的平均阈值方法来替代迭代竞争方法,使得整个特征提取速度更快。为了实现红外和可见光图像的配准,在获得图像上的显著特征点后,需要对特征点进行描述,然而由于红外和可见光图像之间经常会出现对比度反转现象,直接对特征进行简单的描述后实现配准难度较大,因此本文提出了一种DR策略来解决这两类图像之间配准的难题。DR策略可以仅仅通过计算红外图像上的特征描述子就能获得其灰度反转图像上的特征描述子,这两种特征描述子最后合并在一起作为红外图像上的视觉显著特征的描述子。获得描述子后寻找图像之间的正确匹配对,再通过正确匹配对计算图像之间的变换参数,最后实现红外和可见光图像配准。为了评估本文提出算法的性能,本文采用Mikolajczyk等人建立的标准数据集合和三组不同的红外和可见光图像对对各个算法进行评估,SIFT特征检测子被用来与各个算法进行多方面的比较:如各特征检测子之间的重复率、算法复杂度的比较;各特征检测子与DR策略组合所获得的配准结果在配准精度、运算时间、正确匹配数、噪声稳定性等方面的比较。实验结果显示VS特征检测子和FVS特征检测子的重复率在大多数情况下均高于SIFT特征检测子。VS特征检测子与DR配准策略的组合有很好的匹配效果,能够取得精确的配准效果,但是其采用的迭代竞争算法的计算复杂度较高,导致其整体运行耗时较长。FVS特征检测子和DR配准策略组合方法的配准效率高,其在取得较好的配准结果的同时所用时间最短。