影像几何校正

影像几何校正：（image-image)

参考实例：

在4.1 节中曾指出恢复投影变形的关键就是要找到原始图像与失真（变形）图像之间的关系s(xo, Yo)和t(xo. Yo) ， 一旦变换关系s 和t 已知，就可以根据式4-]1和式4-2 将原图像J{xo, Yo)中的每一点映射到失真图像g(xlyl) 中，从而通过我们熟悉的拷贝对应像素的方式获得f 中像素点的取值。然而在实践中， s(xo, Yo)和t(功， Yo)井非易事。首先一些较为复杂的几何失真是很难通过几个解析式来描述，即我们很难对这样的失真过程建模。此外，即便是已经找到了用千描述几何失真的合理模型，如何确定该模型的参数将是又一个棘手的问题。
对于本节将要讨论的投影变形，我们已经有了合适的解析式来描述，即通过下面的双线性方程来建模：

式4-9 和式4-10 中总共有8 个参数， C1, C2, …，C8. 。如果能够找到4 对儿对应点（基准点），就能够建立8 个方程，解出c1 到c8 这8 个参数，从而确定映射关系s(x0,y0)和t(x0， y0) 。为此，
我们必须至少知道4 个原图像中的点在投影失真的图像中被映射到的对应位置。有多种不同的技术用千建立基准点对儿， 一些图像生成系统存在物理的人为缺陷，如金属点，镶嵌在图像传感器上。这就产生了一个已知的点集，在获取的图像中这些点的位置是容易得到的。再比如说对千图4.21 中的汽车牌照图像，在其二值化图像中用霍夫变换（参见第9 章）检测出四边形的边框线，根据边框线的交点确定四边形的4 个顶点作为基准点将是
一个不错的选择。在基准影像选择四个点：

从而可以解出前4 个变换参数：
⇒ c1~c4
类似的可以解出后四个变换参数：
⇒ c5~c8

参考书籍：数字图像处理与机器视觉

function re = image2image(image1,image2)
[selectedMovingPoints,selectedFixedPoints] = cpselect(image2,image1,'Wait',true);
X0=selectedFixedPoints(1:4,2);
Y0=selectedFixedPoints(1:4,1);
X1=selectedMovingPoints(1:4,2);
Y1=selectedMovingPoints(1:4,1);
a=ones(4,1);
X1=[X1 Y1 X1.*Y1 a];
Y1=X1;
C1=X1\X0;
C2=Y1\Y0;
[minx1,maxx1,miny1,maxy1]=findedge(image2,C1,C2);%计算图像边界大小
[m1,n1]=size(image1);
[m2,n2]=size(image2);
Minx=min([minx1,0]);
Miny=min([miny1,0]);
Maxx=max([maxx1,m1]);
Maxy=max([maxy1,n1]);
%求整个图像大小
    M=Maxx-Minx;
    N=Maxy-Miny;
re=ones(M,N)*255;
re(2-Minx:m1-Minx+1,2-Miny:n1-Miny+1)=image1(:,:);
for x=1:m2
    for y=1:n2
        X=[x y x.*y 1]*C1;X=ceil(X);
        Y=[x y x.*y 1]*C2;Y=ceil(Y);
     if (image2(x,y)~=0&&isinf(image2(x,y))==0)
        re(X-Minx+1,Y-Miny+1)=image2(x,y);
    end
    end
end
end
function [minx,maxx,miny,maxy]=findedge(image,C1,C2)
minx=0;miny=0;maxx=0;maxy=0;
[m,n]=size(image);
for x=1:m
    for y=1:n
        X=[x y x.*y 1]*C1;X=round(X);
        Y=[x y x.*y 1]*C2;Y=round(Y);
        if X<minx
            minx=X;
        elseif X>maxx
            maxx=X;
        end
        if Y<miny
            miny=Y;
        elseif  Y>maxy
            maxy=Y; 
        end
    end
end

end

运行测试截图：
基准影像：

变形影像：

选点过程：

结果：

总结记录：前期出错在于把获取坐标搞反了，一直做出来的校正影像都有很大问题。
（后续进行提高精度，完善代码）