第6篇图像配准.docVIP

第6章 图像配准 6.1 概念 6.2 基于图像灰度的图像配准 6.3 基于直方图的图像配准 6.4 基于图像特征的图像配准 6.5 图像配准的应用 6.1 概念 图像配准:同一目标的两幅图像在空间位置上的对准。 图像配准的技术过程，称为图像匹配，或者图像相关。 6.2 基于图像灰度的图像配准 模板匹配 模板匹配是指用一个较小的图像，即模板与源图像进行比较， 以确定在源图像中是否存在与该模板相同或相似的区域，若该区域存在，还可确定其位置并提取该区域。 模板匹配常用的一种测度为模板与原图像对应区域的误差平方和。设f(x, y)为M×N的原图像，t(j,k)为J×K(J≤M，K≤N)的模板图像，则误差平方和测度定义为 展开可得 DS(x, y)称为原图像中与模板对应区域的能量，它与像素位置(x, y)有关， 但随像素位置(x, y)的变化， DS(x, y)变化缓慢。DST(x, y)称为模板与原图像对应区域的互相关，它随像素位置(x, y)的变化而变化，当模板t(j, k)和原图像中对应区域相匹配时取得最大值。DT(x, y)称为模板的能量，它与图像像素位置(x, y)无关，只用一次计算便可。显然，用式(6-2)计算误差平方和测度可以减少计算量。 基于上述分析，若设DS(x, y)也为常数，则用DST(x, y)便可进行图像匹配，当DST(x, y)取最大值时，便可认为模板与图像是匹配的。但假设DS(x, y)为常数会产生误差， 严重时将无法正确地完成匹配，因此可用归一化互相关作为误差平方和测度， 其定义为 假设原图像f(x, y)和模板图像t(k, l)的原点都在左上角。对任何一个f(x, y)中的(x, y)， 可以算得一个R(x, y)值。当x和y变化时，t(j, k)在原图像区域中移动并得出R(x, y)所有值。R(x, y)的最大值便指出了与t(j, k)匹配的最佳位置，若从该位置开始在原图像中取出与模板大小相同的一个区域，便可得到匹配图像。 模板匹配示意图 用归一化互相关求匹配的计算工作量非常大，因为模板要在(M－J＋1)×(N－K＋1)个参考位置上做相关计算，其中，除最佳匹配点外，其余做的都是无效运算， 所以有必要对其进行改进， 以提高运算速度。常用的方法有序贯相似性检测算法(SSDA)、幅度排序相关算法、FFT相关算法、分层搜索序贯判决算法等。 模板匹配的主要局限性在于它只能进行平行移动，如原图像中要匹配的目标发生旋转或大小变化，该算法无效。另外，如原图像中要匹配的目标只有部分可见，该算法也无法完成匹配。 6.3 基于图像直方图的图像配准 直方图匹配 颜色是描述图像内容的一个重要特征。人们已经提出了多种借助颜色特征对图像进行检索的方法。常用的颜色空间有R、 G、B和H、S、I。实际上，利用H、S、I颜色空间进行检索的效果更好一些，但以下讨论主要以R、G、B空间为例。为利用图像的颜色特征描述图像，可借助图像特征的统计直方图。利用直方图进行图像的匹配，这便是直方图匹配。 直方图相交法 设HQ(k)和HD(k)分别为查询图像Q和数据库图像D的特征统计直方图，则两图像之间的匹配值d(Q, D)为 如前所述，由于直方图丢失了颜色的位置信息， 因此两幅图像可能内容完全不同，但直方图相似。所以，仅用简单的颜色直方图匹配也容易造成误识别。一种改进的方法是将图像划分成若干子块，分别对各子块进行匹配。1991年，A.Nagasaka和Y.Tanaka提出了一种将视频帧或图像分割成4×4相同大小的子块并比较相应子块的方法。这种方法对两幅视频帧或图像的相应子块进行比较，废弃差别最大的一对，其余的比较结果参与最后的识别。B.Shahraray也曾提出类似的方法：将视频帧或图像分割成子块并进行块匹配，对所有子块匹配的结果采用一种非线性的统计算法进行综合评价。由于子块的位置固定，各子块的直方图在一定程度上反映了颜色的位置特征，因此子块划分与匹配的方法可以对物体运动、摄像机运动、镜头缩放等情况有更好的适应性。 6.4 基于图像特征的图像配准 在图像中选取表示某些特征的像素点，提取图像特征，包括特征点、目标边缘、地形特征线等，利用这些特征计算空间变换参数。 特征提取算子：点特征提取算子（如Moravec算子、Forstner算子），线特征算子（如LOG算子、Hough变换算子）和形状特征算子（如矩、面积、扁度、投影、欧拉数、圆形度 ）。 形状匹配 形状也是描述图像内容的一个重要特征， 利用形状进行匹配需要考虑三个问题。 形状常与目标联系在一起，相对于颜色，形状特征可以看作是更高层次的图像特征。要获得有关目标的形状参数，常常要先对图像进行分割， 所以形状特征会受图像分割效果的影响。 其次，目标形状的描述是一个非