学习图像配准

目录

 

一，图像配准的定义

二，图像配准的基本步骤

三，图像配准大致方法

四，图像配准大致实现步骤

五，基于特征的算法总结

---

一，图像配准的定义

图像配准与相关是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像，例如图像会来自不同的采集设备，取自不同的时间，不同的拍摄视角等。具体地说，对于一组图像数据集中的两幅图像，通过寻找一种空间变换把一副浮动图像映射到另一幅参考图像，使得两图中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。

二，图像配准的基本步骤

目前还没有哪一种方法能够应对所有的配准情况，任何一种配准算法都必须考虑图像的成像原理、几何变形、噪声影响、配准精度等因素。从原理上讲，配准大致可以分为以下四个步骤：

1）特征提取 采用人工或者自动的方法检测图像中的不变特征，如：闭合区域、边缘、轮廓、角点等。特征提取算法需要满足以下三个条件 （a）显著性，所提取的特征应该是比较明显的，分布广泛的、易于提取的特征； （b）抗噪性，具有较强的噪声抑制能力且对成像条件的变化不敏感； （c）一致性，能准确地检测出两幅图像的共有特征； 2）特征匹配 通过特征描述算作及相似性度量来建立所提取的特征之间的对应关系。特征匹配常用到的区域灰度、特征向量空间分布和特征符号描述等信息。某些算法在进行特征匹配的同时也完成了变换模型参数的估计。 3）变换模型估计 指根据待配准图像与参考图像之间的几何畸变的情况，选择能最佳拟合两幅图像之间变化的几何变换模型，可以分为全局映射模型和局部映射模型。其中，全局映射模型利用所有控制点信息进行全局参数估计；局部映射模型利用图像局部的特征分别进行局部参数估计。常见的变换模型包括仿射变换、透视变换、多项式变换等，其中最常用的是仿射变换和多项式变换。 4）坐标变换与插值 将输入图像做对应的参数变换，使它与参考图像处于同一个坐标系下。由于图像变换后的坐标点不一定是整数，因此，需要考虑一定的插值处理操作。常用的插值方法包括：最近邻插值、双线性插值、双三次插值、B样条插值、高斯插值。

三，图像配准大致方法

四，图像配准大致实现步骤

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：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

序贯相似度检测匹配法：该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

交互信息法：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。             交互信息用来比较两幅图像的统计依赖性。首先将图像的灰度视作具有独立样本的空间均匀随机过程，      相关的随机场可以采用高斯—马尔科夫随机场模型建立，用统计特征及概率密度函数来描述图像的统计性质。交互信   息是两个随机变量A和B之间统计相关性的量度，或是一个变量包含另一个变量的信息量的量度

基于变换域的图像配准方法：最主要的变换域的图像配准方法是傅氏变换方法，它主要有以下一些优点：图像的平移、旋转、仿射等变换在傅氏变换域中都有相应的体现

基于特征的图像配准方法：常用到的图像特征有：特征点（包括角点、高曲率点等）直线段、边缘、轮廓、闭合区域、特征结构以及统计特征如矩不变量、重心等等。大致步骤是特征提取，特征匹配，变换模型估计，坐标变换

五，基于特征的算法总结

首先提取图像的特征，再生成特征描述子，最后根据描述子的相似程度对两幅图像的特征之间进行匹配。图像的特征主要可以分为点、线（边缘）、区域（面）等特征，也可以分为局部特征和全局特征。区域（面）特征提取比较麻烦，耗时，因此主要用点特征和边缘特征

1.适用性差，一种方法或一组参数只适用于某一特定模态甚至是特定的数据集上； 2.处理速度慢，由于传统的配准方法大都是采用迭代优化的方式搜寻最优参数的，这导致其处理速度相当慢，很难应用在实时化场景中； 3.配准的结果评估是一个没有金标准的难题 4.等。。。。。。。。。。。。。。。

 

 

下一篇将介绍基于深度学习的方法