图像配准完整版.pptVIP

二、特征匹配（Feature matching） 2.4 金字塔及小波方法（Pyramids and wavelets） 金字塔可以降低计算量；小波方法具有内在的多分辨率特性 金字塔：高斯、拉普拉斯金字塔，中值金字塔，均值金字塔，与CC结合的金字塔； 小波：样条正交小波，Daubechies 和 Haar小波，Gabor小波 二、特征匹配（Feature matching） 三、变换模型估计（Transform model 估计匹配函数的类型和参数，以配准待配准图像和参考图像。这些参数可通过特征相关法来计算。 要求：特征检测的精度和特征一致估计的可靠性。 变换模型或方法包括：全局匹配模型、局部匹配模型、径向基函数匹配法、弹性配准 三、变换模型估计（Transform model 1 全局匹配模型（ Global mapping models ） 它是使用最小二乘法对所有控制点来估计匹配函数及其参数，亦称形状保持匹配，对旋转、平移和尺度保持不变； 一般模型（两个控制点）： 三、变换模型估计（Transform model 1 全局匹配模型（ Global mapping models ） 仿射变换模型（三个控制点）： 透视预测模型（四个控制点）： 三、变换模型估计（Transform model 2 局部匹配模型（Local mapping models） 对最小二乘法优化，使用加权最小二乘法和加权平均法，来估计模型及其参数。 包括分段线性匹配、分段三次匹配和五次法。 三、变换模型估计（Transform model 3 径向基函数匹配法（Mapping by radial basis functions） 它是全局匹配法的一种，但是可以容忍局部几何形变。 三、变换模型估计（Transform model 3 径向基函数匹配法（Mapping by radial basis functions） 方法：曲面拟合, 双向曲面拟合,高斯型, Wendland函数和薄板样条（TPS）。 TPS是常用的一种方法，它的配准精度高，但是计算复杂度大，因此，Powell介绍了一种薄板样条表，以降低计算复杂度。随后，又有改进的B样条线性组合，弹体样条（EBS）。 三、变换模型估计（Transform model 4 弹性配准（Elastic registration） 此方法的优势是，配准的特征匹配和匹配函数的设计可以同时进行，更符合实际； 其缺点是，对于局部畸变的图像的处理效果不理想。因此，引进了流体配准法来解决该问题。 另一些非刚性方法，包括基于扩散模型的配准，水平集配准，基于光流模型的配准。 三、变换模型估计（Transform model 四、图像重采样和变换（ Image resampling and transformation ） 待配准图像通过匹配函数转换后，一些非整数的像素值可以使用插值法来处理。 要求：在插值精度和计算复杂度之间做一个权衡。 四、图像重采样和变换（ Image resampling and transformation ） 插值算法： 1）最近邻函数（不推荐采用） 2）双线性和三次函数 3）曲面拟合样条 4）三次B样条 5）Catmull – Rom基数样条 6）高斯曲线 7）简化的sinc函数 四、图像重采样和变换（ Image resampling and transformation ） 展望 图像配准是一个关键技术，涉及到图像融合、变化检测、超分辨率图像、建筑图像信息系统等等，应用在遥感、计算机视觉和模式识别、医学图像等领域。 尽管前人已经做了不少工作，但是图像自动配准仍然是一个难题。目前，复杂非线性、局部扭曲图像的配准，多模态配准以及多维图像配准是最具挑战性的课题，也是未来的发展方向。 针对不同应用，图像配准的问题也是复杂多变的，因此， 我们需要具体情况具体分析。 谢谢！ 图像配准的方法 2012.8.6 主要内容 图像配准方法的两大类别 图像配准的四大步骤 图像配准的发展展望 图像配准 图像配准是图像处理的基本任务之一，主要用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的关于同一目标或背景的两幅图像进行匹配的过程（主要是几何意义上的校正）。 图像配准的方法可大致分为两大类 一、基于区域的方法 1.相关法（及归一化相关法） 2.互信息法 3. （变换域）Fourier变换法 二、基于特征的方法 1.固定特征描述子法 2.金字塔法 3.小波变换法 图像配准的四个步骤 一、特征检测（Feature detec