(1)图像配准:相对配准和绝对配准(先定义一个控制网格)
基于灰度信息(互相关法(模板匹配),序贯相似度检测匹配法,交互信息),基于变换域,基于特征
(2)图像中的其次坐标:黎曼几何
显然一个向量的齐次表示是不唯一的,齐次坐标的ħ取不同的值都表示的是同一个点,比如齐次坐标[8,4,2],[4,2,1]表示的都是二维点[4,2]。
“齐次坐标表示是计算机图形学的重要手段之一,它既能够用来明确区分向量和点,同时也更易用于进行仿射(线性)几何变换。”
许多图形应用涉及到
几何变换
,主要包括平移,旋转,缩放。以矩阵表达式计算这些变换时,平移是矩阵相加,旋转和缩放则是矩阵相乘,综合起来可以表示为p'= m1 * p + m2(注:因为习惯的原因,实际使用时一般使用变化矩阵左乘向量)(m1旋转缩放矩阵,m2为平移矩阵,p为原向量,p'为变换后的向量)坐标的目的主要是合并矩阵运算中的乘法和加法,表示为p'= p * M的形式。即它提供了用矩阵运算把
二维
,三维甚至
高维空间
中的一个点集从一个坐标系变换到另一个坐标系的有效方法。
其次,它可以表示无穷远的点.N + 1维的齐次坐标中如果H = 0,实际上就表示了Ñ空间维的一个
无穷远点
。对于齐次坐标(A,B,H),保持A,b不变,|
V
| =(x1 * x1,y1 * y1,z1 * z1)^ 1/2的过程就表示标准坐标系中的一个点沿直线ax-by = 0逐渐走向无穷远处的过程。
对于一个向量v以及基oabc