在图像配准中应用想法

《在图像配准中应用想法》由会员分享，可在线阅读，更多相关《在图像配准中应用想法（21页珍藏版）》请在金锄头文库上搜索。

1、在图像配准中，数字图像的角点一般被选为特征点，它是图像中轮廓线上曲率的局部极大值点，是数字图像中非常重要的特征31。有两种算法用于数字图像中角点的检测：一是基于图像灰点的算法，这种角点检测算法主要是通过计算在局部范围内的图像灰度和梯度变化极大值点来作为角点；另一个是基于图像边缘的算法，这种角点检测算法要先检测图像的边缘，再将边缘方向有突变的那些点选取作为检测出的角点。计算曲率以及梯度的算法时这类角点检测需要用的，因为它不用检测图像边缘，计算时间就有所缩短，因而被广泛用于实际操作中。数字图像中角点为重要图像特征，作为配准特征在图像配准中常被使用。为了对角点特征了解的更多，本节重点介绍几种常用的角

2、点检测算法32：式中，det 表示矩阵的行列式；trace 表示矩阵的迹 (也就是矩阵对角线元素的和)；k 代表常数，通常为 0.04。角点就是 CRF 处于局部极大值的点。下面就是详细操作步骤：针对灰度图像 I 中的每一个像素，对其 x 方向以及 y 方向分别计算一阶导数，还要将两个一阶导数相乘。计算时采取的具体计算法和卷积类似，使用的模板分别为:在图像 I 上不断移动，在移动至每一位置都进行模板对应中心像素梯度值的计算，从而得到处于两个方向上的两幅梯度图像。然后再将每个像素所对应得两个方向上的梯度相乘，第三幅图像就形成了，三幅图像中的每一像素分别表示 Ix，Iy 和 IxIy。分别对通过步

3、骤计算所得的三幅图像进行标准差为 的高斯滤波。具体来说就是对这三幅图像分别运用高斯模板进行卷积。将原始图像上的角点响应函数值计算出来。计算法有以下两种：其一为经典的 Harris 算法。式(3-16)代表 CRF 定义：此时，角点和 CRF 的局部极小值点相对应。因为经典的 Harris 算法其角点响应函数要求公式中 k 值必须要确定，因此本算法中的角点响应函数采用的是 Nobel 的 。图像中有很多局部极值点，角点的数目的提取要通过 CRF 门限限制的设置来进行。下面分析 Harris 角点检测算法的性能：1) 在图像中 Harris 角点具有各向同性的特点，图像即使旋转，检测角点不会受到影

4、响；2) Harris 角点检测算法中对图像一阶导数有要求，因此光强对检测角点无影响；3) 当比例发生变换，Harris 算子不能使得角点检测重复性有所保证，当转换图像比例时，因为角点处愈发平滑，因此边缘的结果更易得出。此时，角点和 CRF 的局部极小值点相对应。因为经典的 Harris 算法其角点响应函数要求公式中 k 值必须要确定，因此本算法中的角点响应函数采用的是 Nobel 的 。图像中有很多局部极值点，角点的数目的提取要通过 CRF 门限限制的设置来进行。下面分析 Harris 角点检测算法的性能：1) 在图像中 Harris 角点具有各向同性的特点，图像即使旋转，检测角点不会受到影

5、响；2) Harris 角点检测算法中对图像一阶导数有要求，因此光强对检测角点无影响；3) 当比例发生变换，Harris 算子不能使得角点检测重复性有所保证，当转换图像比例时，因为角点处愈发平滑，因此边缘的结果更易得出。1997 年， 牛津大学的 S.M. Smith 和 J.M. Brady 等人研究出了SUSAN 角点检测算法。这种算法直接操作图像中的灰度值作，运用的的最小核值相似区（Smallest Univalue Segment Assimilating Nucleus， SUSAN）是位于低层次处理上的。具有定位准确并不必进行梯度计算、而且抗噪能力还很强大等方面的优势。SUSAN

6、角点检测算法搜索图像运用了一个圆形模板。将模板中心像素核的灰度值和模板内其他像素灰度值的差值计算出来，当差值比设定阈值小时，表示这个像素和模板中心核灰度值相似，把此类灰度值相似的像素集合起来构成核值相似区（Univalue Segment Assimilating Nucleus， USAN）。模板内的像素点属于不属于 USAN 区的判定公式如下：判别函数的计算运用上式，就是和门限位置极为接近，的值也不会受到像素灰度值微小变化的干扰。不管是理论上还是实验中指数的最佳值都是 6。SUSAN 角点检测算法的最后步骤是找出角点，根据初始角点响应局部最大值的计算，即进行非最大抑制处理，将角点位置找出。

7、 SUSAN 角点检测算法必须运用梯度计算，使得算法效率有所保证，而且还有积分特性以及较强的抗噪能力等优势，即使图像旋转也能保持不变性，不过公式中阈值 t 与 g 的确定较难，弱边缘上的角点检测难度较大。Beaudet 角点检测算法是 Beaudet 于 1978 年研究出的。这种角点检测算法是以图像灰度为基础的，角点测度通过图像灰度面 Hessian 行列式的计算而进行。角点响应函数 CRF 在此函数中 的定义表示为：Beaudet 角点检测算法是 Beaudet 于 1978 年研究出的。这种角点检测算法是以图像灰度为基础的，角点测度通过图像灰度面 Hessian 行列式的计算而进行。角点

8、响应函数 CRF 在此函数中 的定义表示为：Beaudet 角点检测算法是 Beaudet 于 1978 年研究出的。这种角点检测算法是以图像灰度为基础的，角点测度通过图像灰度面 Hessian 行列式的计算而进行。角点响应函数 CRF 在此函数中 的定义表示为：SUSAN 角点检测算法搜索图像运用了一个圆形模板。将模板中心像素核的灰度值和模板内其他像素灰度值的差值计算出来，当差值比设定阈值小时，表示这个像素和模板中心核灰度值相似，把此类灰度值相似的像素集合起来构成核值相似区（Univalue Segment Assimilating Nucleus， USAN）。SUSAN 角点检测算法搜索

9、图像运用了一个圆形模板。将模板中心像素核的灰度值和模板内其他像素灰度值的差值计算出来，当差值比设定阈值小时，表示这个像素和模板中心核灰度值相似，把此类灰度值相似的像素集合起来构成核值相似区（Univalue Segment Assimilating Nucleus， USAN）。为使得旋转不变性有所保证，首先坐标轴要向关键点方向旋转。将关键点作为为中心需求 88 的一个窗口。如图 3.2 左图中，中央红点代表当前关键点，关键点邻域所在的尺度空间的像素用一个小格表示，箭头方向就是该像素梯度的方向，梯度模值大小等于箭头长度，高斯加权范围大小等于蓝色圈（与关键点越接近的邻域像素梯度方向就有越大的信息

10、贡献） 。以每个 44 小块为基础进行 8 个方向梯度方向直方图的统计，将每个梯度方向最终累加值计算出来，就形成一个种子点，如图 3.2 的右图。此图中的红色像素点是一个关键点，包含了 4 个种子点，种子点各自分别带有 SIFT 算法在这种领域方向性信息联合思想的基础上抗噪声能力得意增强，而且有些特征匹配本身就含有定位误差，这一思想为其提供容错性。因为 DOG 算子的边缘响应会很强，所以如果对候选点对边缘响应较为敏感就要过滤出来。经过高斯差分函数过滤后的图像边缘的特征点，它的峰值处以及和边缘交叉处的主曲率值在水平方向上会比较大，但是曲率值在垂直方向上会比较小，对这一特性加以利用便能够很容易过滤

11、掉处于边缘的对比度较低的特征点。因为 SUR 特征检测算法和边缘响应没有相关性，所以就不再介绍这一算法。现实生活及工作中，大视场、高分辨率全景图像是经常需要的，但是一般摄像设备性能方面还未能达到这种要求，只可获取局部图像而已全景相机、广角镜头这些硬件设备能够 获取全景图像，奈何设备昂贵，滚规范使用难度较大，所以为了获取全景图像，人们就想到了在计算机软件的帮助下进行图像拼接操作。当前，在很多领域都运用了图像拼接技术，比如运动分析、数字视频、医学领域的图像分析、处理遥感图像、虚拟现实技术等等。来改进速度，基于自适应图像拼接模型的提出从而改进自适应情况，这对于全景拼接技术的进一步发展有很大的推进作用

12、。在目前关于图像拼接算法的研究中，基于特征点匹配是最为热门的。原因在于以特征为基础的图像。在图像处理技术的研究中，图像拼接(Image mosaic)技术的研究是很重要的一个分支，它通过空间匹配对准一系列有部分重叠的图像序列，对其进行重采样融合形成新图像，新图像较之之前的图像序列是宽视角场景的，并且更加清晰、完整。图像序列的冗余信息在图像拼接技术处理后被剔除，信息存储量得以压缩，保证了信息的表达更具有效性。照相绘图学是早期研究图像拼接的主要应用领域，其功能是整合数量庞大的卫星或是航拍图像。图像技术通过近几年不断的深入研究获得了较大发展，这使得计算机视觉以及计算机图形学这两个互补的学术领域，通过

13、图像绘制(IBR)技术而结合起来并成为相关研究的焦点。图像拼接技术成为计算机视觉领域中主要的描述可视化场景（Visual Scene Representations）的方法；基于计算机图形学，静态背景的合成以及促使合成物体提升真实感的贴图也就是所谓的环境贴图一直是现实世界图像的使用领域。IBR 借助于图像拼接技术可以快速的以一系列真实图像为基础绘制出较为真实的新视图。当前，在图像拼接技术中非常流行的应用是拼接全景图像，它通过图像绘制创建虚拟的现实场景以及虚拟漫游为基础。全景图像通过交互式浏览虚拟场景而形成良好的视觉体验，多个场景通过节点进行合成从而实现用户在多场景之间自由切换，其中运用到了计算

14、机视觉方法，全新中间视点图像产生于两个节点之间，用户在全景图像的漫游中对整个环境主动从不同方向以及不同观察点进行了解。图像拼接技术的研究目前非常流行，可谓是研究热点，其应用领域也非常的广泛，比如医学图像分析、运动分析等领域中都有其广泛的应用，所以研究图像拼接技术的应用前景及现实意义都是非常肯定的。伴随科技的不断进步，在图像拼接技术支持下，会产生更先进的医学成像技术，图像拼接领域难点之一。全景图像通常由很多图像经拼接形成的，在对图像拼接的研究中，拼接速度的提高也是研究方向之一。图像处理图像匹配的依据是相邻的图像，所以要将两幅图像的特征信息提取出来。比如图像的灰度值、边缘值、统计值等都是图像的特征

15、信息。当图像特征信息提取之后，两幅图片便可利用这些特征信息实施匹配。因为提取图像特征信息的方法不同，所以使用不同的图像特征信息匹配方法，具体有以下几种：以灰度信息为依据的图像匹配、以频域为依据的图像匹配以及以特征点为依据的图像匹配。式(2-2) 及(2-3) 中的 T 与 I 分别代表模板以及待匹配图像内的覆盖区域，m，n 代表模板大小，也就是 mn 像素大小，i，j 为模板坐标。判定匹配区域需要结合 NC 值与夹角这两大条件而进行。无法完成图像拼接。将需要拼接的两幅图片用 f1 和 f2 表示，假设两幅图片并无旋转错位只有简单的平移，那么平移量可以这样表示：以特征点为依据进行图像匹配，首先要

16、提取出图像的特征信息，并将两幅图像的特征信息进行匹配。因为匹配主要运用图像特征点，所以对特征点进行提取是其中最为关键的部分，运用的提取图像特征的方法是 Szeliski 的方法，首先通过变换两幅图像之间的模型从而获得变换模型，众所周知的 8 参数透视变换模型就是这个27-28。描述相邻两幅图像的变换关系，可以使用的变换模型需包含 8 个参数: 如果要确定所有相应点对的 8 个未知参数，下式的值要保证值最小：求最小值时，透视变换矩阵需要用 Levenberg-Marguqrdt 迭代非线性最小化方法来求精。首先求 8 个未知参数 mi 的偏导数完成图像配准后，把图像通过变换保持在同一坐标系，并通过特定方法融合图像从而该算法的含义是直接求图像重叠区域内像素点灰度值的平均值，和直接平均法不同，加权平均法不是重叠部分像素值的简单变换模型方可完成这些操作。几何变换通常使用以下几种:平移、刚性变换、仿射、投影等在当前图像拼接算法