图像配准是将参考图像和待配准图像进行几何对齐的过程,被广泛应用于图像和视频处理领域。然而,图像配准问题仍具有很大的挑战性,因为不同类型的图像,往往包含着不同的信息,如红外图像和可见光图像。通过综合两个互补的传感器(如红外和可见光)的图像信息,能很好的获取同一场景的更多信息。因此,该方法被广泛应用于视频监控、跟踪系统、医学成像等领域。目前,大部分的红外与可见光图像配准算法都是基于经典的SIFT或SURF算法,或是对它们进行细微改进,该类型方法在近红外与可见光配准中都取得了较满意的结果,然而,在处理那些光谱波段相隔较远的图像时,就需要进一步的改进该类型算法。事实上,最近的研究表明,当图像光谱波段偏离可见光波段较远,应用传统的SIFT或SURF描述符进行配准时都会失效。远红外图像的灰度值与目标温度相关,而可见光图像的灰度值与目标表面的光的反射相关。因此,远红外和可见光图像之间的灰度呈非线性关系,很难从远红外与可见光图像之间直接找到匹配对应关系。此外,远红外图像看起来更平滑,缺少细节和纹理,因此大部分基于像素梯度的描述符需要进一步改进,否则它们就容易失效。自相似性描述子是描述图像局部区域内部几何形状的描述子,其能在目标灰度出现较大差异,目标出现轻微变形的情况下实现图像间的特征匹配,本文算法就是通过提取SURF特征点的自相似性描述子来实现远红外图像和可见光图像的亚像素精度配准。在本文算法中,先进行了远红外图像预处理,实现单幅红外图像的超分辨率放大;然后分别提取同一分辨率的远红外和可见光图像的SURF特征点;并构造SURF特征点的自相似性描述子;采用近似最近邻搜索算法结合双向匹配约束完成描述子的匹配;通过RANSAC算法和最小二乘法计算空间变换参数;完成亚像素精度的配准。并测试了定位误差,匹配误差,配准误差三个指标,验证了本文算法配准时的精度;同时测试了在红外图像预处理阶段,不同放大方法对配准误差的影响。实验表明,本文的方案是可行的。