【图像准配】用于多模态图像配准的 CCRE（Matlab实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

是一种用于多模态图像配准的方法，它结合了交叉相关（Cross-Correlation）和比率熵（Ratio Entropy）的概念。这种方法的基本思想是利用不同模态图像的共同信息来实现它们的精确对准。首先计算不同模态图像之间的交叉相关。交叉相关可以衡量两个信号或图像之间的相似性或匹配程度。在图像配准中，通过计算不同模态图像在不同平移或旋转情况下的交叉相关，可以找到它们的最佳对齐方式。比率熵是一种信息论中的度量，用于衡量信号的复杂性或不确定性。在CCRE中，比率熵被用来描述交叉相关图像的分布特性。通过比较不同模态图像的比率熵，可以找到它们之间的最佳匹配。将交叉相关和比率熵结合起来，通过优化算法（如基于梯度的优化算法或者局部搜索方法），寻找使得交叉相关最大化且比率熵最小化的最佳变换参数，从而实现多模态图像的精确配准。CCRE方法的优点包括对图像间的灰度不变性较强、对噪声的鲁棒性较好，适用于不同医学影像、遥感图像等领域的多模态图像配准问题。

📚2 运行结果

部分代码：

function test_ccre
% test for the function  f = ccre(I1,I2)
% to calculate the CCRE between two images
 img = imread('peppers.png');
 im2 = img(:,:,2); % green component of the RGB image
 im3 = img(:,:,3); % blue  component of the RGB image
 [h w] = size(im2);
 p2 = im2(h/2-50:h/2+50,w/2-50:w/2+50);         % a patch in the middle of im2
 f = [];
 for t = -50:50
     p3 = im2(h/2-50:h/2+50,t+w/2-50:t+w/2+50); % a patch around the middle of im3
     f = [ f ccre(p2,p3)];
 end
 figure,imshow(im2),title('the Green component of the RGB image');
 figure,imshow(im3),title('the Blue component of the RGB image');
 figure,plot(f),title('the CCRE value between two patchs from the left to right side');
 
 
function f = ccre(I1,I2)
% CCRE,which is more general than the Shannon Entropy,determines the Cross Cumulative Residual Entropy of two images.
%  References:
% [1]Wang, F. and B.C. Vemuri, Non-rigid multi-modal image registration
% using cross-cumulative residual entropy. International journal of computer vision, 2007
% [2]Hasan, M., M.R. Pickering and X. Jia, Robust Automatic Registration of
% Multimodal Satellite Images Using CCRE With Partial Volume Interpolation. 2012.
%
% Sorry for my poor English
% huxb@whu.edu.cn

[h,w] = size(I1); 
if  ne(h,size(I2,1))||ne(w,size(I2,2))
    error('the two images should be the same size ! ');
end

max1 = max(I1(:)); min1 = min(I1(:));
max2 = max(I2(:)); min2 = min(I2(:));
N1 = max1-min1+1;   N2 = max2-min2+1;
% Joint histogram
ht  = zeros(N1,N2);  
for x = 1:h    
    for y = 1:w
        ht( I1(x,y)-min1+1,I2(x,y)-min2 + 1) =  ht( I1(x,y)-min1+1,I2(x,y)-min2 + 1) + 1;
    end

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]张婧,全婷婷.基于局部高斯分布模型的图像配准方法[J].工程数学学报,2024,41(03):421-431.

[2]魏姿,李文凯,刘彦甫,等.基于奇异值分解的快速图像配准算法[J].网络安全技术与应用,2024(06):45-47.

🌈4 Matlab代码实现