医学图像处理第十七讲 图像配准PPT课件.ppt

计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 计算机图形学 * * 基于特征的图像配准方法─灰度插值 最近邻像素插值：在待求像素的四邻点中，将距离这点最近的邻点灰度赋给待求像素。该方法最简单，但校正后的图像有明显锯齿状，即存在灰度不连续性。 f(x’, y’) g(x, y ) 基于特征的图像配准方法─灰度插值 双线性插值：双线性插值法是对最近邻法的一种改进，即根据待求像素的四个邻近点的灰度值，分别在x和y方向上进行两次插值。最后形成的插值函数为一双曲抛物面方程：计算比最近邻点法复杂，但没有灰度不连续性的缺点，结果较令人满意。 基于特征的图像配准方法─灰度插值 双线性插值算法： 首先，在x方向上作线性插值： 基于特征的图像配准方法─灰度插值 双线性插值算法： 首先，在x方向上作线性插值： 基于特征的图像配准方法─灰度插值 双线性插值算法： 然后，在y方向上作线性插值： 基于特征的图像配准方法─灰度插值 双线性插值算法： 最后，得到双线性插值公式： 基于特征的图像配准方法─灰度插值 最近邻像素插值和双线性插值比较： Original Nearest Neighbour Bilinear 基于特征的图像配准方法─灰度插值 举例：假设f(109，775)=113，f(109，776)=109，f(110，775)=105，f(110，776)=103，试分别用最近邻像素插值法和双线性插值法求f(109.27，775.44)，写出双线性插值变换方程f(x，y)=ax+by+cxy+d，求出各参数的值； 答案： 最近邻像素插值：f(109.27，775.44)＝113 双线性插值：f(109.27，775.44)＝109 f(x, y)=-8(x-109)-4(y-775)+2(x-109)(y-775)+113 主要内容： 1　图像配准概述； 2 基于特征的图像配准方法； 3　基于模板的图像配准方法； 4　MATLAB图像配准； 第九章 图像配准 * 基于模板的图像配准方法─模板匹配 模板匹配法：在一幅图像中选取一个窗口作模板T，然后将模板在另一幅图像中平移，通过相关函数的计算来找到它在搜索图中的坐标位置。模板覆盖下的那块搜索图叫做子图Si,j，(i,j)为子图的中心点在S中的坐标； 模板匹配法采用使图像间相似性最大化的原理实现图像间的配准。 用以下测度来衡量T和Si,j的相似程度： 基于模板的图像配准方法─模板匹配 P值介于0和1之间。根据经验取某个阈值P0，如果PP0，则匹配成功；PP0，则匹配失败； 为了加快搜索速度，可以使用金字塔图像。 对图像进行一次采样率为1/n的重采样，即把图像的每n×n个像素变为一个像素，这样就得到一幅长、宽都为原来1/n的图像，把它作为金字塔的第二层。 再对第二层用同样方法进行一次采样率为1/n的重采样，又得到第三层（顶层）。 原始影像作为金字塔影像的底层。 基于模板的图像配准方法─模板匹配 金字塔图像匹配步骤： 第一步：顶层的匹配，得到一个平移初始值 。 第二步：根据平移初始值乘以n得到第二层平移量初始值，在它m×m个像元的邻域内进行模板匹配。 第三步：根据第二层匹配值乘以n得到第三层平移量初始值，再进行一次模板匹配。 如果图像尺寸不是特别大，可以只用两层金字塔。 基于模板的图像配准方法─模板匹配 相关测度举例： 主要内容： 1　图像配准概述； 2 基于特征的图像配准方法； 3　基于模板的图像配准方法； 4　MATLAB图像配准； 第九章 图像配准 * MATLAB图像配准─图像的空间变换 创建空间变换结构maketform() 语法：tform=maketform(type, parameters) 说明：第一个输入变量type可以取’affine’、’projective’等，用于表示变换类型；函数返回一个结构体，变换矩阵及其逆矩阵都包含在该结构体中； 举例：T=[2 0 0;0 3 0;0 0 1]; tform=maketform(‘affine’, T)； 　　　 tform.tdata.T %显示T 　　　 tform.tdata.Tinv %显示T-1 MATLAB