Image registration is a viable task in the field of computer vision with many applications. When images are captured under different spectrum conditions, a challenge is imposed on the task of registration. Researchers carefully handcraft a local module insensitive to illumination changes across cross-spectral image pairs to tackle this challenge. We, in this paper, develop an optimized feature-based approach Single Instance Phase Congruency Feature Extractor (SIPCFE) to tackle the problem of natural cross-spectral image registration. SIPCFE uses the phase information of an image pair to quickly identify and describe reliable keypoints that are insensitive to illumination. It then employs a sequence of outlier removal processes to find the matching feature points accurately and the Direct Linear Transformation to estimate the geometric transformation to align the image pair. We extensively study the proposed approach for every module in the system to give more insights into the challenges. We benchmark our proposed method and other state-of-the-art feature-based methods developed for cross-spectral imagery on three datasets with various settings and image contents. The comprehensive analysis of cross-spectral registration results of natural images demonstrates that SIPCFE achieves up to 47.24%, 14.29%, and 12.45% accuracy improvement on the first, second, and third dataset, respectively, over the second best registration method in the benchmark.

中文翻译：

---

使用SIPCFE对自然图像进行跨光谱配准

在许多应用程序中，图像配准是计算机视觉领域中一项可行的任务。当在不同的光谱条件下捕获图像时，对注册任务提出了挑战。研究人员精心制作了一个对跨光谱图像对的光照变化不敏感的本地模块，以应对这一挑战。在本文中，我们开发了一种基于特征的优化方法，即单实例相一致特征提取器（SIPCFE），以解决自然的跨光谱图像配准问题。SIPCFE使用图像对的相位信息来快速识别和描述对照明不敏感的可靠关键点。然后，它采用一系列离群值去除过程来精确地找到匹配的特征点，并使用直接线性变换来估计几何变换以对齐图像对。我们针对系统中的每个模块广泛研究了建议的方法，以对挑战提出更多见解。我们在三个具有不同设置和图像内容的数据集上对我们提出的方法和为跨光谱图像开发的其他基于最新特征的方法进行了基准测试。对自然图像的互谱配准结果的综合分析表明，与基准测试中次佳的配准方法相比，SIPCFE分别在第一，第二和第三数据集上分别实现了47.24％，14.29％和12.45％的精度提高。 。我们针对系统中的每个模块广泛研究了建议的方法，以对挑战提出更多见解。我们在三个具有不同设置和图像内容的数据集上对我们提出的方法和为跨光谱图像开发的其他基于最新特征的方法进行了基准测试。对自然图像的互谱配准结果的综合分析表明，与基准测试中次佳的配准方法相比，SIPCFE分别在第一，第二和第三数据集上分别实现了47.24％，14.29％和12.45％的精度提高。 。我们针对系统中的每个模块广泛研究了建议的方法，以对挑战提出更多见解。我们在三个具有不同设置和图像内容的数据集上对我们提出的方法和为跨光谱图像开发的其他基于最新特征的方法进行了基准测试。对自然图像的互谱配准结果的综合分析表明，与基准测试中次佳的配准方法相比，SIPCFE分别在第一，第二和第三数据集上分别实现了47.24％，14.29％和12.45％的精度提高。 。