您好、欢迎来到现金彩票网!
当前位置:刘伯温预言 > 图像变换 >

怎么样实现坐标变换下的图像配准

发布时间:2019-09-02 20:49 来源:未知 编辑:admin

  基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理,而是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是实现简单,但应用范围较窄,不能直接用于校正图像的非线性形变,在最优变换的搜索过程中往往需要巨大的运算量。经过几十年的发展,人们提出了许多基于灰度信息的图像配准方法,大致可以分为三类:互相关法(也称模板匹配法)、序贯相似度检测匹配法、交互信息法。

  互相关法是最基本的基于灰度统计的图像配准的方法,通常被用于进行模板匹配和模式识别。它是一种匹配度量,通过计算模板图像和搜索窗口之间的互相关值,来确定匹配的程度,互相关值最大时的搜索窗口位置决定了模板图像在待配准图像中的位置。

  设A图像为参考图像或基准图像,表示为 ,B为要进行校正后与A配准的图像,表示为 ,在A图像中选择几块包含特征信息丰富的小区域 作模板 ,在 图像重叠部分选择一个 重叠区域作为模板的搜索区域 ,并使得 ,即 ,如图14-3所示。然后把每一个模板 放在与其对应的搜索区 中,通过两者的相对移动,在逐行逐列的每个位置上,计算 与其覆盖的搜索区 中那部分之间的相似性,产生出表明两者相似程度最大的函数值的位置 。设在待配准图像B搜索到的相似区域为 ,再以 为模板,再用同样的方法在参考图像中去搜索相似程度最大的函数值的区域 ,设定一个阈值Z,如果 ,则认为 和 重合,B图像中的位置 就是B图像与A图像 相匹配的位置;反之,则认为特征区域匹配不正确,即伪匹配。

  而定义式的左边各自代表模板子图像 和另一个图像中的参考点 处的子图像 的相似性测度。

  这三个公式中,前两个的极小值代表了可能的匹配位置,后一个公式的极大值代表了可能的匹配位置。其它的一些评测标准都是由这些基本的评测标准引申出来的。如相关系数和标准相关系数都是归一化标准相关系数的简化形式,从本质上都是相同的。

  序贯相似度检测匹配法[4](Sequential Similarity Detection Algorithms,SSDA)是由Barnea等人提出来的。SSDA方法的最主要的特点是处理速度快。该方法先选择一个简单的固定门限T,若在某点上计算两幅图像残差和的过程中,残差和大于该固定门限T,就认为当前点不是匹配点,从而终止当前的残差和的计算,转向别的点去计算残差和,最后认为残差和增长最慢的点就是匹配点。

  这种方法的基本思想是基于对误差的积累进行分析。所以对于大部分非匹配点来说,只需计算模板中的前几个像素点,而只有匹配点附近的点才需要计算整个模板。这样平均起来每一点的运算次数将远远小于实测图像的点数,从而达到减少整个匹配过程计算量的目的。

  在SSDA算法中,参考图像与待配准图像之间的相似度评测标准是通过函数 来度量的,公式如下:

  其中残差和 ,坐标 是从待配准图像中,随机抽取得到的非重复的点坐标序列。 越大,表示误差增长越慢,即两幅图像越相似。这种方法的关键是阈值T的选择,它不仅影响到算法的运算速度,同时还影响到算法的匹配精度。

  交互信息法[19]最初是Viola等人于1995年把交互信息引入到图像配准的领域的,它是基于信息理论的交互信息相似性准则。初衷是为了解决多模态医学图像的配准问题。

http://3dtvsource.com/tuxiangbianhuan/724.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有