图像配准与深度学习方法

最新推荐文章于 2024-08-02 09:02:09 发布

anhan9016

最新推荐文章于 2024-08-02 09:02:09 发布

阅读量5.7k

点赞数 2

文章标签：人工智能 python

原文链接：http://www.cnblogs.com/xinzhihao/p/11276999.html

版权

图像配准是计算机视觉的重要步骤，涉及关键点检测、特征匹配和图像变换。传统方法包括SIFT、SURF等，而深度学习方法则通过特征提取和Homography学习，如Supervised和Unsupervised Deep Homography Estimation，实现更高效和准确的配准。无监督学习方法在不需要人工标签的情况下也能取得良好效果。

摘要由CSDN通过智能技术生成

图像配准：从SIFT到深度学习

什么是图像配准

传统的基于特征的方法

关键点检测和特征描述

特征匹配

图像变换

深度学习方法

特征提取

Homography学习

监督学习

无监督学习

其他方法

强化学习

复杂的转换

图像配准（Image Registration）是计算机视觉中的基本步骤。在本文中，我们首先介绍基于OpenCV的方法，然后介绍深度学习的方法。

什么是图像配准

图像配准就是找到一幅图像像素到另一幅图像像素间的空间映射关系。这些图像可以是不同时间（多时间配准），不同传感器在不同地方拍摄（多模式配准）。这些图像之间的空间关系可以是刚性（rigid）^1（平移和旋转），仿射（affine）^2（例如剪切），单应性^3（homographies）或复杂的大变形模型（complex large deformations models）。

新知图谱, 图像配准：从SIFT到深度学习

图像配准具有广泛的应用，适用于同一个场景中有多张图像需要进行匹配或叠加。在医学图像领域以及卫星图像分析和光流（optical flow）方面非常普遍。

新知图谱, 图像配准：从SIFT到深度学习

CT扫描和MRI配准

在本文中，我们将介绍图像配准的几种不同方法。

传统的基于特征的方法

自21世纪初以来，图像配准主要使用基于特征的方法。这些方法有三个步骤：关键点检测和特征描述，特征匹配，图像变换。简单的说，我们选择两个图像中的感兴趣点，将参考图像（reference image）与感测图像（sensed image）中的等价感兴趣点进行关联，然后变换感测图像使两个图像对齐。

新知图谱, 图像配准：从SIFT到深度学习

基于特征的方法

关键点检测和特征描述

关键点就是感兴趣点，它表示图像中重要或独特的内容（边角，边缘等）。每个关键点由描述符表示，关键点基本特征的特征向量。描述符应该对图像变换（定位，缩放，亮度等）具有鲁棒性。许多算法使用关键点检测和特征描述：

SIFT^4（Scale-invariant feature transform）是用于关键点检测的原始算法，但它不能免费用于商业用途。SIFT特征描述符对于均匀缩放，方向，亮度变化和对仿射失真不变的部分不会发生变化。
SURF^5（Speeded Up Robust Features）是一个受SIFT启发的探测器和描述符。它的优点是非常快。它同样是有专利的。
ORB^6（Oriented FAST and Rotated BRIEF）是一种快速的二进制描述符，它基于 FAST^7（Features from Accelerated Segment Test）关键点检测和 BRIEF^8࿰