参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18
3.9 Transforms
在Insight Toolkit中，itk::Transform对象封装了从输入空间到输出空间的点和向量的映射。如果变换是可逆的，反变换方法也提供。目前，ITK提供了从简单的平移、旋转和缩放到一般的仿射和内核转换的各种转换。
3.9.1 Geometrical Representation
图3.39 ITK中几何表示对象
ITK实现了空间的一致几何表示。表3.1总结了这种表示所涉及的类的特征。
| Class | 几何概念 |
| 在空间位置。在N维空间中，它由与空间坐标相关的N个数字数组表示。 | |
| 两点之间的相对位置。在N维空间中，它由N个数字组成的数组表示，每个数字与坐标轴上的距离有关。向量在空间中没有位置。向量定义为两点的相减。 | |
| 与空间中的(N - 1)维流形正交的方向。例如，在三维空间中，它对应于一个正交于曲面的向量。这是表示函数梯度的合适类。协变向量在空间中没有位置。协变矢量不能加到点上，也不能加到矢量上。 |
Transform类为映射每个基本空间表示对象提供了不同的方法。分别使用TransformPoint()、TransformVector()和TransformCovariantVector()方法对点point、向量vector和协变向量convariantVector进行变换。
值得进一步评论的类之一是itk::Vector。这个ITK类往往被误解为元素的容器，而不是几何对象。根据定义，“vector”是一种体现“direction in space”概念的数学对象。严格地说，矢量描述了空间中两点之间的关系，并捕捉了它们的相对距离和方向。
itk::Array和itk::FixedArray是容器类， itk::VectorContainer and itk::MapContainer也是容器类
itk::FixedArray是一个包含fixed数量元素的枚举集合。您可以实例化一个固定的字母数组、一个固定的图像数组、一个固定的变换数组或一个固定的几何形状数组。因此，FixedArray只实现访问这些枚举元素所必需的功能。此时，除了FixedArray的元素将具有默认构造函数之外，我们不能对FixedArray元素需要的任何其他操作做任何假设。
itk::Point是一种表示空间位置的空间坐标的类型。基于几何概念，定义了点类的有效运算。特别是我们确保没有operator+()定义Points之间,并没有operator⋆(scalar)和operator/(scalar)被定义为Points。
- Vector = Point - Point
- Point += Vector
- Point -= Vector
- Point = BarycentricCombination( Point, Point )
Vector:
- Vector = Point - Point
- Point = Point + Vector
- Point = Point - Vector
- Vector = Vector + Vector
- Vector = Vector - Vector
Vector对象用于在支持数学操作的元素上实例化，例如通过标量进行加法、减法和乘法。
3.9.2 Transform General Properties
每个transform类通常都有几个设置其参数的方法。例如，itk::Euler2DTransform提供了指定偏移量、角度和整个旋转矩阵的方法。然而，为了在配准框架中使用，参数由双精度的平面数组表示，以方便与泛型优化器的通信。对于Euler2DTransform，变换也由三个双精度值定义:第一个表示角度，最后两个表示偏移量。使用SetParameters()定义平面参数数组。
在配准上下文中，transform参数定义了优化器的搜索空间。也就是说，优化的目标是找到定义转换的一组参数，从而得到图像metric的最佳可能值。transform的参数越多，用于配准的计算时间就越长，因为搜索空间的维数等于变换参数的个数。
配准框架强加在transform类上的另一个要求是计算它们的雅可比矩阵Jacobians。通常，为了计算Metric derivatives，metrics需要雅可比矩阵jacobian的知识。雅可比矩阵jacobian是一个矩阵，其元素是输出点对定义transform的参数数组的偏导数。
其中{pi}为transform参数，{xi}为输出点的坐标。在此框架内，雅可比矩阵jacobian用双精度的itk::Array2D表示，通过GetJacobian()方法transform得到。雅可比矩阵jacobian可以被解释为一个矩阵，它表示输入空间中的一个点在输出空间上的映射会因一个变换参数的小变化而发生多大的变化。注意，雅可比矩阵jacobian的值依赖于输入空间中的点。实际上雅可比矩阵可以记作J(X)其中X = {xi}。利用变换雅可比矩阵jacobian可以有效地计算metric 导数。当雅可比矩阵jacobian不可用时，必须使用有限差来计算metric值的导数，metrics为evaluations值的2M次评估，其中M为变换参数的数量。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 将每个点映射到自身，将每个矢量映射到自身，并将每个协变矢量映射到自身。 | 0 | NA | 仅在输入和输出空间具有相同数量的尺寸时定义。 |
表3.2：恒等变换的特性
恒等变换itk::IdentityTransform主要用于调试目的。它被提供给需要转换的方法，并且在我们想要确定转换对过程的结果没有任何影响的情况下。恒等变换的主要特征如表3.2所示
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示输入空间中点的简单平移转换，对向量或协变向量没有影响。 | 与输入空间类似 | 第i个参数代表第i个维度的平移。 | 仅在输入和输出空间的维数相同时定义。 |
itk::TranslationTransform可能是最简单但也是最有用的变换之一。它通过向所有Points添加一个Vector来映射它们。Vector和covariant vectors在这个变换中保持不变，因为它们与空间中的特定位置无关。在开始配准方法时，平移是最好的变换。在尝试解决旋转或缩放问题之前，重要的是在两幅图像中尽可能多地重叠解剖对象。这是通过解决图像之间的平移错位来实现的。平移还具有计算速度快和具有易于解释的参数的优点。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 点的变换是通过将它们的每一个坐标乘以对应的维数比例因子来实现的。向量被变换成点。协变向量的变换是通过将其分量除以相应维数中的比例因子。 | 与输入空间尺寸相同。 | 第i个参数代表第i个维度的缩放比例。 | 仅在输入和输出空间的维数相同时定义。 |
表3.4：ScaleTransform类的特征
itk::ScaleTransform表示vector空间的一个简单缩放。可以在每个维度上应用不同的比例因子。Points的变换是通过将它们的每一个坐标乘以对应的维数scale因子来实现的。vector的变换方式与points相同。另一方面，由于各向异性scaling变换不能保持角度，covariant vectors的变换方式也不同。covariant vectors的变换是通过将其分量除以相应维数的scaling因子来实现的。这样，如果一个convariant vectors正交于一个向量，那么这个正交性在经过变换后将保持不变。下面的方程总结了变换对基本几何对象的影响。
其中Pi，Vi和Ci是第i个point，vector和covariant vector分量，而Si是第i个维度的scaling因子。以下等式说明了缩放变换对3D点的影响。
scaling似乎是一种简单的变换，但在每个维度上使用不同的scale因子时，有许多问题需要记住。有一些微妙的影响——例如，在计算图像导数时。由于导数由covariant vectors表示，它们的值不直观地通过缩放变换修改。
在配准过程中管理scaling变换的困难之一是，典型的优化器将参数空间管理为vector空间，其中加法是基本操作。scaling最好在logarithmic对数空间的框架中处理，在该框架中，加法会导致缩放的规则乘法增量。梯度下降优化器在更新步长方面有困难，因为一个附加的增量对一个比例因子的影响会随着该因子的增长而减小。换句话说,一个比例因子的变化(1.0 +ϵ)非常不同规模的变化(5.0 +ϵ)。
涉及scale转换的配准需要仔细监视优化器参数，以便使其以稳定的速度进行。请注意，下面讨论的一些转换，例如AffineTransform，有隐藏的缩放参数，因此也会受到ScaleTransform相同的漏洞的影响。
3.9.6 Scale Logarithmic Transform
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 点的变换是通过将它们的每一个坐标乘以对应的维数比例因子来实现的。向量被变换成点。协变向量的变换是通过将其分量除以相应维数中的比例因子。 | 与输入空间尺寸相同 | 第i个参数代表第i个维度的缩放比例。 | 只有当输入和输出空间具有相同的维数时才定义。这个变换和尺度变换的区别是这里的尺度因子是作为对数传递的，这样它们的行为更接近于向量空间的行为。 |
表3.5：ScaleLogarithmicTransform类的特征
itk::ScaleLogarithmicTransform是itk::ScaleTransform的一个简单变体。它的目的是改善当优化器修改scaling参数时的行为。这个变换和ScaleTransform之间的区别是参数因子以对数的形式传递到这里。这样，尺度上的乘法变化就变成了尺度因子对数上的加法变化。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示2D旋转和2D平移。注意，平移分量对向量和协变向量的转换没有影响。 | 3 | 第一个参数是弧度的角度，最后两个参数是每个维度的平移。 | 仅为二维输入和输出空间定义。 |
itk::Euler2DTransform实现了一个2D的刚性变换。它由平面旋转和二维平移组成。首先应用旋转，然后应用平移。下面的方程说明了这个变换在一个2D点上的效果,其中θ是旋转角度，（T x，T y）是平移的分量。
这种变换的一个具有挑战性的方面是，平移和旋转不构成向量空间，不能作为线性独立的参数来管理。典型的优化器做了一个松散的假设，即参数存在于一个向量空间中，并且依赖于步长足够小来近似地保持这个假设。
除了参数空间的非线性，在使用这种变换时发现的最常见的困难是用于旋转和平移的单位的差异。旋转是用弧度来测量的;因此，它们的值都在[- π, π]范围内。平移以毫米为单位测量，其实际值随考虑的图像模态而变化。实际上，平移的值在10到100之间。这种旋转和平移参数之间的比例差异是梯度下降优化器不希望看到的，因为它们偏离了下降的轨迹，使优化更慢，更不稳定。为了补偿这些差异，ITK优化器接受一组尺度值，用于规范化参数空间。
涉及角度和平动的配准应该利用scale normalization ，以获得优化器的最佳性能。Euler2DTransform类的主要特征见表3.6。
3.9.8 CenteredRigid2DTransform
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示围绕用户提供的中心的2D旋转，然后是2D平移。 | 5 | 第一个参数是弧度角。第二和第三个是旋转中心坐标，最后两个参数是每个维度的平移。 | 仅为二维输入和输出空间定义。 |
itk::CenteredRigid2DTransform实现了一个2D的刚性变换。该变换与itk::Euler2DTransform的主要区别在于这里我们可以指定任意的旋转中心，而Euler2DTransform总是使用坐标系的原点作为旋转中心。这种区别在图像配准中非常重要，因为ITK图像的原点通常在图像的角落而不是中间。然而，旋转配准错误通常存在于围绕图像中心旋转时，或者至少存在于围绕被图像捕获的解剖结构中心点旋转时。使用梯度下降优化器，几乎不可能解决非原点旋转使用一个转换原点旋转，因为深盆地的实际解通常位于一个高山脊的成本函数的地形。
在实际操作中，用户必须提供输入空间中的旋转中心、旋转角度和旋转后要应用的平移。通过这些参数，变换初始化一个旋转矩阵和一个平移向量，它们共同执行将旋转中心平移到坐标原点，旋转指定的角度，再平移回旋转中心，最后由用户指定的向量进行平移的等价操作。
与Euler2DTransform一样，这个变换在旋转和平动的单位上存在差异。旋转是用弧度来测量的;因此，它们的值都在[- π, π]范围内。旋转中心和平移以毫米为单位进行测量，它们的实际值取决于所考虑的图像模态。涉及角度和平移的配准应充分利用优化器的scale归一化功能，以获得最佳性能。
以下等式说明了变换对映射到输出点（x'，y'）的输入点（x，y）的影响，
其中，θ为旋转角度，(Cx,Cy)为旋转中心的坐标，(T x,T y)为平移分量。注意，中心坐标在旋转之前被减去，在旋转之后被加回来。表3.7给出了CenteredRigid2DTransform的主要特性。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示2D旋转，齐次缩放和2D平移。注意，翻译成分对向量和协变向量的转换没有影响。 | 4 | 第一个参数是所有尺寸的比例因子，第二个参数是弧度的角度，最后两个参数分别是（x，y）的平移 | 仅为二维输入和输出空间定义。 |
表3.8：Similarity2DTransform类的特征
itk::Similarity2DTransform可以看作是一个结合了各向同性尺度因子的刚性变换。这个变换保持了直线之间的角度。在二维实现中，该变换的四个参数结合了itk::ScaleTransform和itk::Euler2DTransform的特征。特别是那些与参数空间的非线性和测量单元的非均匀性有关的。梯度下降优化器应该谨慎使用这样的参数空间，因为梯度方向和步长的概念是不明确的。
以下等式说明了变换对映射到输出点（x'，y'）的输入点（x，y）的影响，
其中λ是比例因子，θ是旋转角度，（Cx，Cy）是旋转中心的坐标，（T x，T y）是平移的分量。在旋转和缩放之前会减去中心坐标，然后再将它们相加。
在此变换的参数空间中控制优化的一种可能方法是动态修改传递给优化器的尺度数组。参数缩放产生的效果可用于在参数空间中引导变换(通过优先选择某些参数而不是其他参数)。例如，执行一些迭代只更新旋转角度，然后平衡优化器中的比例因子数组，并执行另一组迭代只更新平移。
3.9.10 QuaternionRigidTransform
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示三维旋转和三维平移。旋转指定为四元数，由一组4个数字q定义，四元数与矢量n经角度旋转旋转的关系如下: | 7 | 前四个参数定义四元数，后三个参数定义每个维的平移。 | 仅为三维输入和输出空间定义。 |
注意，如果四元数不是单位长度，也会导致缩放。表3.9：QuaternionRigidTransform类的特征
QuaternionRigidTransform类在3D空间中实现刚性转换。变换的旋转部分用四元数表示，而平移用向量表示。四元数分量不构成向量空间，因此当与梯度下降优化器一起使用时，会产生与itk::Similarity2DTransform相同的问题。
在工具箱中引入了itk::QuaternionRigidTransformGradientDescentOptimizer来解决这些问题。这个专门的优化器实现了一个变化的梯度下降算法适应于四元数空间。这个类确保在参数空间上沿着任何方向前进之后，转换参数的结果集被映射回允许的参数集。在实践中，这可以归结为对新计算的四元数进行归一化，以确保变换保持刚性且不应用缩放。表3.9给出了四元数刚体变换的主要特征。
Quaternion rigid变换也接受用户定义的旋转中心。通过这种方式，变换可以很容易地用于配准旋转主要是相对于图像中心而不是其中一个角的图像。这个旋转中心的坐标是不受优化的。它们只参与点映射的计算和雅可比矩阵的计算。矢量和协变矢量的变换不受旋转中心选择的影响。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示3D旋转。旋转由versor或单元四元数指定。围绕用户指定的旋转中心执行旋转。 | 3 | 这三个参数定义了versor。 | 仅为三维输入和输出空间定义。 |
表3.10：Versor变换的特征
根据定义，Versor是Quaternion的旋转部分。它也可以定义为单位四元数。versor只有三个独立的分量，因为它们被限制在单位四元数的空间中。工具包中versors的实现使用一组三个数字。这三个数字对应于四元数的前三个分量。四元数的第四个分量在内部计算，使四元数具有单位长度。itk::VersorTransform的主要特性见表3.10。
这个变换专门表示3D中的旋转。它的目的是快速解决转动分量的一个更普遍的失调。这种转换的效率来自于使用一个降维的参数空间。versor是3D空间中旋转的最佳可能的表示。序列的versors允许创建光滑的旋转轨迹;因此，它们在优化方法下表现稳定。
由versor参数构成的空间不是向量空间。标准的梯度下降算法不适合探索这个参数空间。工具箱中有一个专门用于versor空间的优化器，名为itk::VersorTransformOptimizer。这个优化器实现了最初由Hamilton定义的versor衍生物。
旋转中心可以由用户使用SetCenter()方法指定。该中心不是要优化的参数的一部分，因此在优化过程中它保持不变。它的值用于变换点的计算和雅可比矩阵的计算。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示3D旋转和3D平移。旋转由versor或单元四元数指定，而平移由矢量表示。用户可以指定旋转中心的坐标。 | 6 | 前三个参数定义versor，后三个参数定义每个维度的平移。 | 仅为三维输入和输出空间定义。 |
itk::VersorRigid3DTransform在3D空间中实现刚性转换。它是itk::QuaternionRigidTransform和itk::VersorTransform的变体。它可以看作是itk::VersorTransform加上由向量定义的平移。这个类相对于四元数rigidtransform的优点是它只公开6个参数，3个用于versor组件，3个用于平移组件。这将优化器的搜索空间减少到6维，而不是四元数rigidtransform使用的7维。该转换还允许用户设置特定的旋转中心。在配准过程中执行优化时，不会修改中心坐标。表3.11总结了这种转换的主要特性。当处理3D中的刚性转换时，这种转换可能是最好的选择。
考虑到Versors空间不是vector空间，典型的梯度下降优化器并不适合探索该变换的参数空间。在itk工具包中引入了itk::VersorRigid3DTranformOptimizer，其目的是提供一个优化器，该优化器能够识别此转换的旋转部分的Versor空间属性，以及转换的平移部分的向量空间属性。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示三维空间中的刚性旋转。也就是说，旋转之后是三维平移。旋转由三个角指定，表示依次围绕X、Y和Z轴进行的旋转。平移部分由一个向量表示。用户还可以指定旋转中心的坐标。 | 6 | 前三个参数是绕X，Y和Z轴的旋转角度，后三个参数是沿每个维度的平移。 | 仅为三维输入和输出空间定义。 |
表3.12：Euler3DTransform类的特征
itk::Euler3DTransform实现了三维空间中的刚性转换。它可以看作是旋转后的平移。这个类公开了六个参数，三个用于表示旋转的欧拉角，三个用于平移分量。该转换还允许用户设置特定的旋转中心。在配准过程中执行优化时，不会修改中心坐标。表3.12总结了该转换的主要特性。
三个旋转参数是非线性的，不像矢量空间。在选择使用此转换的优化器以及微调优化器的参数时，必须考虑到这一点。强烈建议通过在旋转分量上引入非常小的变化来使用这种变换。一个小的旋转将在1度的范围内，以弧度计算大约是0.01745。
您不应该期望这种变换能够通过优化器驱动来补偿大的旋转。在实践中，您必须提供一个合理的转换角度初始化，并且只需要纠正剩余旋转在10或20度的顺序。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示三维旋转、三维平移和均匀缩放。缩放因子由标量指定，旋转由versor指定，平移由矢量表示。用户还可以指定旋转中心的坐标，该坐标与用于缩放的中心相同。 | 7 | 后三个参数定义每个维度的平移，最后一个参数是各向同性缩放因子。 | 仅为三维输入和输出空间定义。 |
表3.13：Similarity3DTransform类的特征。
itk::Similarity3DTransform实现了3D空间中的相似性转换。它可以被看作是同构的缩放，然后是itk::VersorRigid3DTransform。这个类公开了七个参数:一个用于比例因子，三个用于versor组件，还有三个用于平移组件。该转换还允许用户设置特定的旋转中心。在配准过程中执行优化时，不会修改中心坐标。旋转和缩放操作都是围绕旋转中心执行的。表3.13总结了该转换的主要特性。
缩放和旋转空间是非线性的，其行为不像矢量空间。选择优化器以使用此变换以及微调优化器的参数时，必须考虑到这一点。
3.9.15 Rigid3DPerspectiveTransform
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示紧随透视投影的刚性3D转换。旋转由Versor指定，平移由矢量表示。用户可以指定旋转中心的坐标。它们必须指定用于透视投影的焦距。在优化过程中不修改旋转中心和焦距参数。 | 6 | 在每个维度中，前三个参数定义Versor，后三个参数定义Translation | 仅定义用于三维输入和二维输出空间。这是少数几个输入空间与输出空间维数不同的变换之一。 |
表3.14：Rigid3DPerspectiveTransform类的特征。
itk::Rigid3DPerspectiveTransform在三维空间中实现了一个刚性转换，然后是透视投影。此变换旨在用于三维二维配准问题，即三维对象被投射到二维平面上。这是用于图像引导介入的透视图像的情况，也是经典的造影的情况。用户必须提供在透视变换计算期间使用的焦距值。该转换还允许用户设置特定的旋转中心。在配准过程中执行优化时，不会修改中心坐标。表3.14总结了该变换的主要特性。在创建数字重建x光片(DRRs)时也使用这种转换。
优化此转换参数的策略与用于优化VersorRigid3DTransform的策略相同。特别是，您可以使用相同的VersorRigid3DTranformOptimizer来优化此类的参数。
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 表示由旋转，缩放，剪切和平移组成的仿射变换。变换由一个N×N矩阵和一个N×1向量指定，其中N是空间维。 | (N +1)×N | 前N×N个参数以列优先顺序定义矩阵（列索引变化最快）。最后N个参数定义每个维度的转换。 | 仅在输入和输出空间具有相同尺寸时定义。 |
表3.15：AffineTransform类的特征
itk :: AffineTransform是用于图像配准的最流行的配准之一。它的主要优点来自其作为线性变换的表示。表3.15列出了此转换的主要功能。
AffineTransform系数的集实际上可以在维数(N +1)xN的向量空间中表示，这使得优化器能够在这个搜索空间中被适当地使用。然而，搜索空间的高维性也意味着代价函数导数的高计算复杂度。减少计算时间的最佳折衷是使用变换的雅可比矩阵jacobian结合图像梯度来计算代价函数导数。
N×N矩阵的系数可以表示旋转、各向异性放缩和剪切。与平移系数相比，这些系数通常具有非常不同的动态范围。matrix中的系数往往在[-1:1]范围内，但不限于此区间。而平移系数可以在10到100之间，与图像大小和像素间距基本相关。
这种规模上的差异使得有必要利用优化器提供的功能来重新调整参数空间。这对于基于梯度下降方法的优化器尤其重要。这个转换允许用户设置一个任意的旋转中心。旋转中心的坐标不会成为传递给优化器的参数数组的一部分。公式3.14说明了将仿射变换应用于三维空间中的一点的效果。
在使用简单的变换去除主要的不对准成分后，基于仿射变换的配准可能更有效。否则，它将产生巨大的计算成本。例如，使用仿射变换时，第一组优化迭代通常会集中于删除大型转换。这个任务可以通过一个大小为N的参数空间中的平移变换来完成，而不是通过与仿射变换相关的(N +1) * N来完成。
跟踪使用AffineTransforms的配准过程的演变是具有挑战性的，因为很难以有意义的方式表示系数。转换系数的简单打印输出通常不能提供当前行为和优化趋势的清晰图像。一个更好的实现是使用仿射变换来变形在三维可视化显示中显示的线框立方体。
3.9.17 BSplineDeformableTransform
| Behavior | Number of Parameters | Parameter Ordering | Restrictions |
| 通过提供来自粗网格中变形插值的变形场来表示自由形式的变形。 | M×N | 网格中节点的数量，N是空间的尺寸。 | 只有在输入和输出空间具有相同维度时才定义。这种变换的优点是能够计算形变配准。它也有一个非常高维的参数空间的缺点，因此需要很长的计算时间。 |
表3.16：BSplineDeformableTransform类的特征
BSplineDeformableTransform被设计用来解决形变配准问题。这个变换等价于生成一个变形场，其中一个变形向量被分配给空间中的每一个点。变形向量由粗网格中点的变形值通过b样条插值得到，粗网格通常称为b样条网格。
BSplineDeformableTransform不够灵活，无法考虑大的旋转、剪切或缩放差异。为了弥补这一限制，它提供了与任意转换组合的功能。这个变换被称为Bulk变换，它应用于在它们被位移场映射之前的点。
此变换不提供映射Vectors的功能，也不提供CovariantVectors——只有Points可以映射。这是因为向量在可变形变换下的变化实际上取决于向量在空间中的位置。换句话说，向量只有在两点之间的相对位置才有意义。
BSplineDeformableTransform具有大量参数，因此非常适合itk :: LBFGSOptimizer和itk :: LBFGSBOptimizer。
Kernel Transforms是一组也适合执行形变配准的的变换。这些变换实时计算变形场对应的位移。空间中每一点对应的位移值由一组Source Landmarks和一组Target Landmarks定义的向量进行插值计算。
工具箱中提供了这些变换的几种变体。它们在计算空间中特定点的形变时所使用的内插核的类型上有所不同。注意，这些变换的计算开销很大，而且它们的数值复杂度与landmarks的数量和空间维数成比例。
以下是基于KernelTransform的Transforms列表。
扫一扫
352
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
