一种基于学习的自动图像配准检验的方法_.docVIP

一种基于学习的自动图像配准检验方法* 李晓明，郑链, 胡占义 1（北京理工大学机电工程学院，北京，100081） 2（山西大学数学系，太原，030006） 3（中国科学院自动化研究所模式识别国家重点实验室，北京，100080） 摘 要： 图像配准是众多具体应用的共性核心技术，如图像融合，变化检测等。然而，当参考图像经过变换后，如何自动地确定变换后的图像是否与目标图像真正达到了配准仍然是目前文献中一个尚未很好解决的问题。究其原因，主要是很难找到一种图像相似性的度量方法来有效地对配准后的图像进行评价。不同于传统的方法，本文提出了一种基于学习的相似性度量方法，即将图像配准的度量问题转化为模式分类问题，由通过机器学习设计的分类器自动检验图像是否配准。本文对400组图像进行了配准检验，实验结果显示了该方法的可行性和可靠性。尽管本文方法的具体实现是针对基于Fourier-Mellin变换的配准算法的，但这种基于学习的图像配准检验思想同样可以应用到其它配准方法中。 关键词： 自动图像配准，检验准则，基于学习的分类，Fourier-Mellin变换 1 导言 图像配准是计算机视觉及其相关应用领域中的一个基本问题。如何度量二幅图像是否真正配准，换句话说，如何合理度量配准变换后二幅图像之间的相似性，是图像配准的一个核心问题，直接决定了是否可以进行全自动配准。关于图像的相似性度量，经典的方法是基于灰度的相关性度量[1]；对于不同模态的图像配准问题，基于互信息的相似性度量[10]成为近几年的主流方法；Hausdorff距离常用于二值图像的相似性度量[12]等。 对图像配准而言，上述这些相似性度量方法的共同不足是仅仅考虑了图像间灰度的相似性，而没有考虑图像内容间的相似性，特别是图像几何要素之间的相似性。而在实际应用中，图像几何要素之间的相似性却是至关重要的。事实上，如何评价图像的相似性，涉及到了人类的视觉感知问题。从目前人们对视觉感知模型的研究进展来看，还很难给出一种合适的方式来定量描述视觉感知模型，这也是进行图像配准自动检验的难点。不同于上述这些直接对图像灰度进行相似性度量的方法，本文提出了一种基于机器学习的自动图像配准检验方法。该方法将配准检验问题转换为模式分类问题，通过机器学习的方法对图像是否配准做出决断。尽管这种方法的具体实现是针对基于Fourier-Mellin变换的配准算法的，但这种基于学习的相似性度量思想同样可以应用到其它一些配准方法中去。 基于Fourier-Mellin变换的图像配准算法[2][3]是一种经典的基于非特征的图像配准方法，可对两幅近似满足相似变换（即一幅图像是另一幅图像经过平移、旋转和比例缩放等变换后的图像）的图像进行配准。由于Fourier-Mellin配准算法在配准检验中存在很多问题（这部分内容将在第三部分详细论述），一些常用的相似性度量方法在这里不适用，所以本文探讨研究了基于机器学习和分类的配准检验方法。具体地讲，本文将图像的配准度量问题转化为参数空间的模式分类问题，通过机器学习的方法，较好地解决了图像配准中的自动检验问题。 本文的组织结构如下：第二部分简单回顾了基于Fourier-Mellin变换的基本配准算法；该方法在配准检验中存在的问题将在第三部分进行深入的剖析；本文的第四部分阐述了如何将检验图像的配准问题转化为模式分类问题以及解决这个问题的总体思路；第五部分对分类器的设计、不同类型特征数据的组织以及对应的分类性能等进行了研究和比较；最后是全文的结论。 2 基于Fourier-Mellin变换的两步相位相关图像配准基本算法 2.1 Fourier变换位移理论 设为在和方向分别平移和后的图像，即： （1） 若和对应的傅立叶变换分别为和，则它们之间有如下关系： （2） 则和的互功率谱为 （3） 其中表示的复共轭。通过对（3）式进行傅立叶逆变换，在空间的处将形成一个单位脉冲函数，如图1(a)所示，脉冲位置即为两幅被配准图像间的相对平移量和。 在实际应用中，由于两幅图像间只有部分重叠及其它噪声和误差，一般对式(3)进行傅立叶逆变换后的相关值分布如图1(b)所示（这些相关值通常都是复数，本文所说的相关值的大小都是指它的模），这时，最大峰位置对应于两图像间的相对平移量。反之，如果两幅图像之间不满足平移变换关系，那么式（3）傅立叶逆变换后的函数没有明显的峰值，且呈现出不规则分布，如图1(c)所示。式（3）还表明，互功率谱的相位等价于图像间的相位差，故该方法也称作