matlab中图像映射实例,[转载]Matlab实现多种图像配准(转)

本文讲述如何利用Matlab Image Processing Toolbox中的图像配准工具实现线性正投影、仿射、投影、多项式、分段线性、局部加权平均配准的过程。

实验平台

X86 PC，Windows XP sp2, Matlab 7.1

资源的获取

matlab工具的使用方法：查看帮助mage Processing Toolbox User's Guide——Image registration。

涉及配准方法简介

该工具箱提供的配准方法均需手工选择图像间的匹配点对(control points pair)，均属于交互配准方法。其基本过程为：读入图像数据－>在两副图像上选择足够匹配点－>选择配准算法，计算变换参数－>变换图像。

假设input image(输入图像)为欲进行配准的图像，base image为配准是的参考图像。以下是我参考matlab帮助给出了简介。

1．线性正投影(linear conformal)：最简单。平面映射成平面。

当输入输入图像与参考图像对比，只是存在全局的平移、旋转、缩放或其三者组合的差别时(正方形仍对应正方形)，选择此配准方法。此方法至少需要2对匹配点。

2．仿射(affine)：将平行线转换成平行线。

当输入图像形状存在切变现象(正方形对应平行四边形)，选此法。至少需3对匹配点。

3．投影(projective)：将直线映射成直线。

如果输入图像呈现倾斜，翘起现象，选此法。至少需4对匹配点。

4．多项式(polynomial)：将直线映射成曲线。

如果输入图像出现不规则曲变，采用此法。Matlab中提供有2、3、4次幂的实现，分别至少需要6，10，10对匹配点。

5．分段线性(piecewise linear)

如果输入图像的各个局部之间的退化模式明显不一样，选此法。至少需要4对匹配点。

6．局部加权平均(local weighted mean)

与分段线性一致，但效果较之好。至少需要6对(推荐12对)匹配点。

实验步骤

1．读取图像数据。

因为源图像以矩阵形式存在一个二进制的文件里，用fread可将其读取到变量矩阵中。将读取文件编制成一个子函数(RTIread.m)，源代码如下：

function imMatrix=RTIread(FILENAME,SIZE)

%RTIreadRead the image matrix from binary "Registration Test Image" file.

%imMatrix=RTIread(FILENAME,SIZE) opens the file FILENAME, and reads the

%number of elements specified by SIZE.

%

%FILENAME is a string containing the name of the file to be opened.

%Valid entries for SIZE are:

%Nread N elements into a column vector.

%infread to the end of the file.

%[M,N]read elements to fill an M-by-N matrix, in column order.

%N can be inf, but M can't.

%

%It returns the image matrix.

fid=fopen(FILENAME,'r');

imMatrix=fread(fid,SIZE,'uint8=>uint8');

fclose(fid);

%image(imMatrix);

这里我们选取了两张600×600的图片，文件名为“casitas84”和“casitas86”。运行以下代码读取图像矩阵：

% 1. Read the images into the MATLAB

workspace.

base=RTIread('casitas84',[600,600]);

input=RTIread('casitas86',[600,600]);

2．选取匹配点(control points)。

根据预定的配准方法，选定足够的匹配点对。运行下列代码：

% 2.Specify control point pairs n the images and

save.

cpselect(input,base);%please

select 15 points for test.

出现GUI界面。

操作很简单，只需注意选点要均匀布开，以增加其代表性。选定完毕，File-> Save Points to

Workspace将数据保存到工作区中。Workspace立刻多出两个N×2的数组(其中N为选定的匹配点对数)，分别为input_points和base_points，如：

input_points =

119.5185193.5926

168.9012242.9753

105.9383140.5062

459.0247131.8642

313.3457257.7901

292.3580165.1975

276.308633.0988

283.7160380.0123

76.3086297.2963

135.567983.7160

360.2593313.3457

94.8272446.6790

70.1358354.0864

181.2469361.4938

381.2469460.2593

252.8519433.0988

3．利用十字相关法调整选定了的匹配点。

这步可选。运行代码：

% 3.Fine-tune the control points using

cross-correlation.

input_points_corr =

cpcorr(input_points,base_points,input,base); %optimism the

points

input_points_corr为优化后在输入图片的对应匹配点。

4．计算变换公式的参数。

利用cp2tform，选定变换类型(即配准方法)，计算变换参数。以下只需选定一种即可。

% 4.Specify the type of transformation to be used

and infer its parameters

% (1) not Fine-tune points

Tlinear =

cp2tform(input_points,base_points,'linear conformal');

Taffine =

cp2tform(input_points,base_points,'affine');

Tprojective =

cp2tform(input_points,base_points,'projective');

Tpolynomial2 =

cp2tform(input_points,base_points,'polynomial',2);

Tpolynomial3 =

cp2tform(input_points,base_points,'polynomial',3);

Tpolynomial4 =

cp2tform(input_points,base_points,'polynomial',4);

Tpiecewise =

cp2tform(input_points,base_points,'piecewise linear');

Tlwm =

cp2tform(input_points,base_points,'lwm');

% (2)Fine-tune points

fTlinear =

cp2tform(input_points_corr,base_points,'linear

conformal');

fTaffine =

cp2tform(input_points_corr,base_points,'affine');

fTprojective =

cp2tform(input_points_corr,base_points,'projective');

fTpolynomial2 =

cp2tform(input_points_corr,base_points,'polynomial',2);

fTpolynomial3 =

cp2tform(input_points_corr,base_points,'polynomial',3);

fTpolynomial4 =

cp2tform(input_points_corr,base_points,'polynomial',4);

fTpiecewise =

cp2tform(input_points_corr,base_points,'piecewise

linear');

fTlwm =

cp2tform(input_points_corr,base_points,'lwm');

诸如Tlinear的变量为一个称为TFORM的数据结构，尚没做仔细研究：

Tlinear =

ndims_in:

2

ndims_out:

2

forward_fcn:

@fwd_affine

inverse_fcn:

@inv_affine

tdata:

[1x1 struct]

5．变换图像。

% 5.Transform the unregistered image to bring it

into alignment.

title('image registration polynomial

method');

subplot(2,2,1);

imshow(base);

title('Base image');

subplot(2,2,2);

imshow(input);

title('Input image');

subplot(2,2,3);

imshow(imtransform(input,Tpolynomial2));

title('registered image');

subplot(2,2,4);

imshow(imtransform(input,fTpolynomial2));

title('registered image(fine-tune

points)');

结果如下：

总结

1．image和imshow区别。前者视base，input此类二维图片矩阵为索引图像，在系统的index库中选取颜色。

2．选择适当的方法来建立转换参数，并非算法越复杂越好，应参考成像因素(退化因素)。

3．尚没有看出十字相关法的好处。

4.

利用cpselect选择匹配点，cpselect可以返回一个GUI句柄。欲实现如下功能：当打开cpselect GUI

时，m文件程序暂停运行，关闭之后继续执行。因为对GUI编程不懂， 使用了waitfor,pause函数都没法实现。尝试中……