简介：面向图像处理初学者、科研人员与工程开发者，这份MATLAB示例包聚焦图像互相关、最大互相关与相关图像配准，通过自动计算两幅图像在所有位移下的相似度，找出互相关函数的峰值位置，从而得到x/y方向的配准偏移量，让抽象的配准原理变为可观察、可调试的代码。压缩包体积仅335KB，共3个文件：一个可运行的.m主程序，两张用于测试的.png图像，结构非常精简，适合直接运行、逐行拆解并二次修改。示例出自“MATLAB图像配准实战”，既讲解了互相关与最大互相关的数学原理，也给出了从图像归一化、相似度评估到偏移量求解的完整流程；通过最大互相关峰的位置，即可判断目标图像相对模板图像需要平移的距离，同时也能直观理解相关峰越高、匹配效果越好的判断依据。已有343人学习下载。读者可借由此示例快速掌握基于互相关的图像配准思路，并将其迁移到医学影像分析、遥感图像对齐、多帧视频拼接等真实场景中，具有较强的实用参考价值。
1. 最大互相关定位配准偏移：比特征点更直接的图像对齐思路
在图像配准场景里，最常遇到的第一类需求是确定两幅图之间的平移量：同一场景换了个位置拍摄，或者把两张图叠在一起后发现边缘对不上。图像互相关就是一个不依赖特征点的办法——拿参考图上裁出来的一个小块做模板，在待配准图上逐像素滑动，计算最大互相关位置，这个位置就是配准偏移的答案。MATLABtxpz.zip 里的 ex_15_1.m 正是用 peppers.png 和 onion.png 演示这条完整链路，适合刚接触图像配准、想快速验证互相关方法的工程师。它解决的问题非常聚焦：怎么把“模板在哪”转化成“两张图差了多少像素”。
2. 互相关函数的数学机制与归一化选型：为什么峰值对应真实位移
2.1 互相关衡量相似度的方式
假设模板 T 的大小是 m×n，被搜索图像 I 的大小是 M×N，那么互相关函数可以写成：
C(u,v) = Σ_x Σ_y T(x,y) * I(x+u, y+v)
这里的 u、v 表示模板左上角在被搜索图像中的位置。对每个候选位置 (u,v)，把模板和图像重叠区域的像素逐点相乘并求和。如果模板局部与图像窗口内容完全一致，乘积和在对应位置会远高于其他位置；如果不一致，乘积和会明显偏低。因此 C(u,v) 本身就是一张“相似度图”，最大互相关所在的位置就是模板最可能出现的坐标。
这里要留意：C 的输出尺寸是 (M+m-1)×(N+n-1)，而不是 M×N。原因是互相关允许模板一部分落在图像外，边界区域按零填充参与计算，于是输出比原图大一圈。这个细节直接影响到后面坐标换算，许多人拿到的偏移量偏大或偏小，大多是因为忘了考虑输出尺寸。
2.2 为什么峰值位置可以作为配准偏移
设参考图 I 中模板左上角在 (x0, y0)，待配准图 J 是 I 整体平移了 (dx, dy) 得到的。那么模板在 J 中的左上角自然是 (x0+dx, y0+dy)。对 I 与 J 做互相关，峰值就会落在 (x0+dx, y0+dy) 附近。用峰值位置减去 (x0, y0)，得到的差值就是配准偏移 (dx, dy)。
这个推导有个前提：两幅图之间只有平移，没有旋转和缩放。互相关对旋转非常敏感，哪怕只转 3～5 度，峰值高度也会显著下降，再大一点就直接匹配到错误位置。所以在使用互相关做配准之前，先确认目标场景是纯平移；如果不是，后面那段“为什么不用相位相关”才是你需要的工具。
2.3 直接互相关、归一化互相关与相位相关怎么选
| 方法 | 抗亮度变化 | 抗噪声 | 计算量 | 典型场景 |
|---|---|---|---|---|
| xcorr2 直接互相关 | 弱 | 一般 | 低 | 灰度一致的合成图像、连续视频帧 |
| normxcorr2 归一化互相关 | 强 | 较好 | 高 | 自然图像、遥感影像、医学切片 |
| imregcorr 相位相关 | 很强 | 较好 | 低 | 光照剧烈变化、带旋转缩放的预配准 |
在 MATLAB 中，xcorr2 实现的是最原始的互相关，容易受整体灰度偏移影响；normxcorr2 在每个窗口内先减均值、再除以标准差，得到严格位于 [-1,1] 的相关系数，对增益和偏置变化不敏感；imregcorr 走的是频域相位路线，计算最快，但对非平移变换需要额外调参与预对齐。对一个以教学演示为主的工程样例来说，normxcorr2 是平衡精度和实现成本的最佳起点。
3. MATLAB 图像配准实现：xcorr2、normxcorr2 与 corr2 的正确用法
3.1 ex_15_1.m 的核心流程
类似 ex_15_1.m 的模板匹配代码，骨架通常很固定：先用 imread 读入 peppers.png 和 onion.png；接着用 rgb2gray 把彩色图变成单通道，再用 imcrop 从参考图上裁出模板；随后调用互相关函数生成 C；使用 max 和 ind2sub 找到峰值位置；最后把峰值索引换算成模板在被搜索图中的坐标，并转换为配准偏移。这套流程里最容易出错的是最后一步：索引换算是原图坐标还是互相关输出坐标，代码里混用就会得到完全错误的偏移量。
3.2 直接互相关 xcorr2：最快但最容易踩坐标坑
% 读入两张样例图 moving = imread('peppers.png'); fixed = imread('onion.png'); % 统一转灰度并转 double，避免 uint8 累加溢出 if size(moving, 3) == 3 moving = rgb2gray(moving); end if size(fixed, 3) == 3 fixed = rgb2gray(fixed); end moving = double(moving); fixed = double(fixed); % 从 fixed 上裁模板，rect=[x,y,w,h] template = imcrop(fixed, [80, 120, 128, 128]); % 注意：moving 在前，template 在后 C = xcorr2(moving, template); % 找最大互相关位置 [maxVal, maxIdx] = max(C(:)); [peakY, peakX] = ind2sub(size(C), maxIdx); % 换算模板左上角在 moving 中的坐标 matchY0 = peakY - size(template, 1) + 1; matchX0 = peakX - size(template, 2) + 1;这里最需要记住的是xcorr2(moving, template)的参数顺序。xcorr2(a,b)内部会把 b 做 180 度旋转再卷积，如果调换顺序，相当于把整张搜索图旋转后再匹配，得到的峰值位置在数学上对应的是“翻转后的匹配位置”，实际应用时经常出现符号相反或者偏移量莫名多出模板尺寸的情况。我一般会先写注释提醒自己，然后无论怎么改代码都保持这个顺序。ind2sub的作用是把C(:)中的线性索引还原成二维行列号。最后的换算公式是peak - size(template) + 1，不是peak - size(template)，少加 1 会让所有坐标整体偏移一个像素。
提示：
xcorr2的结果没有归一化，如果 moving 和 template 的整体亮度不同，峰值位置可能被高亮度区域拉偏。此时优先换用normxcorr2。
3.3 推荐用 normxcorr2 计算配准偏移
C = normxcorr2(template, moving); [maxVal, maxIdx] = max(C(:)); [peakY, peakX] = ind2sub(size(C), maxIdx); % 换算模板左上角在 moving 中的坐标 matchY = peakY - size(template, 1) + 1; matchX = peakX - size(template, 2) + 1;normxcorr2 的参数顺序与 xcorr2 不一样：第一个参数是模板，第二个参数是被搜索图。它内部已经对窗口做了去均值和归一化，所以输出范围在 [-1,1] 之间，maxVal 越接近 1 表示匹配越强。如果 maxVal 低于 0.5，不要急着拿结果当配准偏移，最好先回看模板是否真的存在于目标图中，或者换一块纹理更丰富的区域再试。如果确实不想自己写峰值搜索，也可以直接交给 imregtform 去迭代，但调试起来不如 normxcorr2 直观，教学场景下我更推荐把每一层结果打出来看。
3.4 corr2 只是相关系数，它算不出配准偏移
r = corr2(moving, template);corr2 对两幅图各自展平后计算一个皮尔逊相关系数，只给一个标量 r，没有任何位置信息。如果把 corr2 当成互相关来用，你需要自己写循环，在每个候选位移处裁窗口、算系数，效率比 normxcorr2 低一个数量级，而且精度没有优势。更常见的问题是有人以为 corr2 就是“最大互相关”里的那个相关函数，结果拿到一个 0.2 的数值后不知道下一步干什么。在 ex_15_1.m 这类演示中，corr2 只适合做配准完成后的相似度确认，不适合用来定位偏移。
4. peppers 与 onion 的配准偏移实战：从模板裁切到位移换算
4.1 读入样例图并定位模板在待配准图中的位置
把 onion.png 当作从参考图中裁下来的模板，peppers.png 当作待配准图，直接用整张模板去做互相关，得到模板左上角在待配准图中的坐标。
template = imread('onion.png'); moving = imread('peppers.png'); if size(moving, 3) == 3 moving = rgb2gray(moving); end if size(template, 3) == 3 template = rgb2gray(template); end template = double(template); moving = double(moving); C = normxcorr2(template, moving); [maxVal, maxIdx] = max(C(:)); [peakY, peakX] = ind2sub(size(C), maxIdx); % 模板左上角在 moving 中的坐标 matchY = peakY - size(template, 1) + 1; matchX = peakX - size(template, 2) + 1;这次不需要 imcrop，因为模板就是整张 onion.png。normxcorr2 接受尺寸不同的两幅输入，输出尺寸自动展开。matchY、matchX表示洋葱图案在 peppers 图中的位置，这个坐标本身就可以当作配准偏移的“绝对基准”。如果模板的参考原点不是 (1,1)，后续计算相对偏移时减去那个原点即可。
4.2 构造已知平移并恢复配准偏移
为了验证偏移计算是不是写对了，把上一节的 moving 整体平移一个已知量，再做一次匹配。两次匹配坐标之差就是配准偏移。
% 真实平移量 deltaY = 37; deltaX = -25; % 将 peppers 整体平移 moving2 = imtranslate(moving, [deltaX, deltaY], 'FillValues', 0); C2 = normxcorr2(template, moving2); [maxVal2, maxIdx2] = max(C2(:)); [peakY2, peakX2] = ind2sub(size(C2), maxIdx2); matchY2 = peakY2 - size(template, 1) + 1; matchX2 = peakX2 - size(template, 2) + 1; % 两次匹配坐标差就是配准偏移 estimatedDeltaY = matchY2 - matchY; estimatedDeltaX = matchX2 - matchX;imtranslate 的 translation 参数是[x方向移动量, y方向移动量]，x 向右为正，y 向下为正。由于 moving2 由 moving 平移而来，模板在两幅图中的位置也会跟着平移，所以estimatedDeltaY、estimatedDeltaX应当分别等于 37 和 -25。如果实测偏出 1～2 个像素，通常来自 imtranslate 的插值或模板内容过于平坦，而不是算法本身错误。
4.3 模板尺寸与预处理参数对精度的影响
| 参数 | 常用取值 | 影响 |
|---|---|---|
| 模板尺寸 | 64×64 到 256×256 | 过小噪声敏感，过大计算量大 |
| 灰度范围 | double 0～255 或归一化到 0～1 | 防止 uint8 溢出，提升稳定性 |
| 归一化互相关 | normxcorr2 自动完成 | 抵抗亮度突变 |
| 搜索区域 | imcrop 限定 ROI | 降低误匹配，加快计算 |
| 预滤波 | imgaussfilt(I, 1.5) | 抑制高频噪声，使峰值更集中 |
模板的尺寸会影响最大互相关峰值的锐利程度。纹理丰富的区域适合用稍小的模板，比如 64×64，因为细节多、区分度高；平坦区域则要把模板放大到 128×128 以上，让方差更稳定。搜索前可以先用 imshow 手工看两块图的亮度差，如果明显不一致，优先保证模板和搜索图像在同一个灰度尺度上；normxcorr2 能解决一部分亮度问题，但解决不了传感器成像差异带来的非线性失真。
5. 配准结果验证与峰值失配排查：亚像素偏移也能补出来
5.1 用 imshowpair 和 imwarp 验证配准是否成功
% 重新读入原始 peppers 作为参考图 fixed = imread('peppers.png'); if size(fixed, 3) == 3 fixed = rgb2gray(fixed); end fixed = double(fixed); % 注意配准是反向移动：moving2 相对 fixed 偏移了 estimatedDelta tform = affine2d([1 0 0; 0 1 0; -estimatedDeltaX -estimatedDeltaY 1]); registered = imwarp(moving2, tform, 'OutputView', imref2d(size(fixed))); imshowpair(fixed, registered, 'falsecolor');affine2d 的矩阵第三行才是平移量，顺序是[dx, dy, 1]，与 imtranslate 的参数方向一致。这里要加负号，因为 estimatedDelta 表示 moving2 相对 fixed 的偏移，配准是反过来把 moving2 移回 fixed。imshowpair 的 falsecolor 模式会把两图差异显示成红绿边缘；如果配准准确，叠加区域呈灰白色，不再有彩色描边。
5.2 最大互相关峰值不明显时的 5 个排查方向
- 检查 maxVal。normxcorr2 的结果大于 0.7 才算可靠，小于 0.5 时要先怀疑模板本身不在目标图中。
- 检查 xcorr2 的参数顺序。如果仍在使用 xcorr2，把 moving 和 template 的位置互换对比一下，偏移量通常会出现符号或尺度差异。
- 检查是否夹杂旋转缩放。互相关只能处理纯平移，旋转超过 3 度建议改用 imregcorr 或特征点匹配。
- 检查模板是否贴边。模板紧贴图像边缘时，零填充区域会占很大比重，峰值会被边界假相关性压低，最好把模板往图像中心挪。
- 检查数据类型。uint8 在累加时容易溢出，统一转 double 后再算互相关。
5.3 用抛物线拟合补出亚像素配准偏移
离散互相关的峰值只落在整数像素上，但真实偏移未必是整数。一个常见做法是取峰值左右相邻点做抛物线拟合：
if peakX > 1 && peakX < size(C, 2) ax = C(peakY, peakX-1:peakX+1); denom = ax(1) - 2*ax(2) + ax(3); if abs(denom) < eps subX = 0; else subX = (ax(1) - ax(3)) / (2 * denom); end else subX = 0; end % 最终亚像素坐标 finalX = peakX + subX - size(template, 2) + 1;ax 里存的是峰值左、中、右三个点。抛物线极值位置的计算公式是“(左-右)/(2*(左-2*中+右))”，当分母接近 0 时说明峰值不够尖锐，亚像素拟合没有意义，直接返回 0。实际使用中，subX 的绝对值超过 0.5 意味着离散峰值可能选错了位置，这时候应该回头检查模板内容而不是继续拟合。用同样的方式处理行方向后，最终配准偏移就取finalY - matchY和finalX - matchX的亚像素版本。
本文还有配套的精品资源，点击获取
