图像配准算法大总结

博客总结:点击打开链接

一、图像配准定义
   图像配准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,不同的拍摄视角等等,有时也需要用到针对不同对象的图像配准问题。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幅图像映射到另一幅图像,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。 该技术在计算机视觉、医学图像处理以及材料力学等领域都具有广泛的应用。根据具体应用的不同,有的侧重于通过变换结果融合两幅图像,有的侧重于研究变换本身以获得对象的一些力学属性。20世纪以来医学成像技术经历了从静态到动态,从形态到功能,从平面到立体的飞速发展。将各种图像结合起来,在同一图像上显示各自的信息,为临床医学诊断提供多数据多信息的图像,这成为极具应用价值的技术,而准确高效的图像配准则又是关键和难点。
二、图像配准方法分类
  图像配准的方法大致分为三类:
  一类是基于灰度和模板的,这类方法直接采用相关运算等方式计算相关值来寻求最佳匹配位置,模板匹配(Blocking Matching)是根据已知模板图像到另一幅图像中寻找与模板图像相似的子图像。基于灰度的匹配算法也称作相关匹配算法,用空间二维滑动模板进行匹配,不同匹配算法主要体现在相关准则的选择方面。
         常用的算法:
                    
平均绝对差算法(MAD)
绝对误差和算法(SAD)
误差平方和算法(SSD)
平均误差平方和算法(MSD)
归一化积相关算法(NCC)
序贯相似性检测算法(SSDA)
hadamard变换算法(SATD)
局部灰度值编码算法
PIU  (点击打开链接)

参考博客:https://blog.csdn.net/hujingshuang/article/details/47759579


  第二类是基于特征的匹配方法,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。
   点特征包括:
Harris       (点击打开链接)
Moravec
KLT
Harr-like   (点击打开链接)
HOG           (点击打开链接)
LBP           (点击打开链接)
SIFT          (点击打开链接)
SURF          (源码:点击打开链接)
BRIEF
SUSAN
FAST       (点击打开链接)
CENSUS
FREAK(点击打开链接)
BRISK(点击打开链接)
ORB   (点击打开链接)
光流法(点击打开链接)
A-KAZE等
   边缘特征包括:
LoG算子
Robert算子
Sobel算子
Prewitt算子
Canny算子等

参考博客:https://blog.csdn.net/hujingshuang/article/list/6
   第三类是基于域变换的方法
采用相位相关(傅里叶-梅林变换)(点击打开链接) (代码:点击打开链接)
沃尔什变换
小波等方法
在新的域下进行配准。
————————————————
版权声明:本文为CSDN博主「鬼 | 刀」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/gaoyu1253401563/article/details/80631601

  • 2
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值