圖像配準(zhǔn)融合介紹.doc

圖像配準(zhǔn)操作(Image Registration)是在不同條件下得到的并且位于不同坐標(biāo)系下的同一場(chǎng)景(或物體)的二幅或者多幅圖像進(jìn)行對(duì)準(zhǔn)疊加的過程由于成像條件不同,同一場(chǎng)景(物體)的多幅圖像會(huì)在分辨率、成像模式、灰度屬性、位置(平移和旋轉(zhuǎn))、比例尺度、非線性變形及曝光時(shí)間等方面存在很多差異,圖像配準(zhǔn)就是要克服這些困難,最終將這些圖像在幾何位置上進(jìn)行配準(zhǔn),以便能夠綜合利用多幅圖像中的信息滿足一定的應(yīng)用需求。概括來說,圖像配準(zhǔn)問題就是將位于不同坐標(biāo)系下同一場(chǎng)景的二幅或多幅圖像,尋找一種特定的最優(yōu)幾何變換,將兩幅或多幅圖像變換到同一坐標(biāo)系的過程背景、意義背景圖像配準(zhǔn)最早在美國(guó)70年代飛行器輔助導(dǎo)航系統(tǒng)、武器投射系統(tǒng)的末端制導(dǎo)以及尋地等應(yīng)用研究中提出。經(jīng)過20年的研究成功地用于中程導(dǎo)彈及戰(zhàn)斧式巡航導(dǎo)彈上彈著點(diǎn)誤差半徑不超過十幾米。80年代后很多領(lǐng)域都有大量配準(zhǔn)技術(shù)的應(yīng)用，如遙感領(lǐng)域、模式識(shí)別、自動(dòng)導(dǎo)航、醫(yī)學(xué)診斷、計(jì)算機(jī)視覺等。各個(gè)領(lǐng)域的配準(zhǔn)技術(shù)都是對(duì)各自具體的應(yīng)用背景結(jié)合實(shí)際情況量身訂制的技術(shù)。但是不同領(lǐng)域的配準(zhǔn)技術(shù)之間在理論方法上又具有很大的相似性。目前國(guó)內(nèi)外研究圖像配準(zhǔn)技術(shù)比較多的應(yīng)用領(lǐng)域有:紅外圖像處理、遙感圖像處理、數(shù)字地圖定位和醫(yī)學(xué)圖像處理等領(lǐng)域。 70年代P.E.Anuta 提出用FFT (Fast Fourier Transform快速傅里葉變換)進(jìn)行圖像配準(zhǔn)；D.I.Barnea和H.F.Silverman SSDA（Sequential Similarty Detection Algorithm 序貫相似性檢測(cè)算法）進(jìn)行圖像配準(zhǔn)該算法的優(yōu)點(diǎn)是圖像配準(zhǔn)的處理速度相對(duì)其它算法來說得到了提高；W.Pratt 在數(shù)字圖像處理中詳細(xì)闡述了各種用于圖像配準(zhǔn)的相似度量函數(shù)；后來A.Roche等將相關(guān)相似度函數(shù)擴(kuò)展并應(yīng)用得到多模態(tài)圖像配準(zhǔn)當(dāng)中（缺陷：不能處理較復(fù)雜的多模態(tài)圖像間的配準(zhǔn)、利用其計(jì)算的相似性的峰會(huì)較平坦、顯著性較低、計(jì)算復(fù)雜度較高）P.E.Anuta等提出了改進(jìn)的基于邊界信息計(jì)算的相關(guān)相似度量,有效地提高了該相似度量相對(duì)于光照變化的魯棒性；P.Viola and W.M.Wells III,等在1997較早地將信息論中的交互信息用于圖像的配準(zhǔn)操作Thevenaz and Unser等嘗試了各種途徑來解決多種交互信息在圖像配準(zhǔn)應(yīng)用中遇到的技術(shù)問題口,由此,他們也成功地提出了利用Parzen窗來計(jì)算交互信息。交互信息能夠有效地實(shí)現(xiàn)多模態(tài)圖像間的圖像配準(zhǔn)。為了滿足很多具體應(yīng)用對(duì)高精度的需求,最近幾十年內(nèi)己經(jīng)提出很多能夠達(dá)到亞像素精度的圖像配準(zhǔn)算法為了實(shí)現(xiàn)亞像素圖像配準(zhǔn),插值函數(shù)被廣泛用來克服圖像離散化對(duì)圖像配準(zhǔn)精度帶來的負(fù)面影響。V N Dvornychenko利用插值函數(shù)對(duì)由相似度量函數(shù)計(jì)算得到的相似值組成的曲面實(shí)現(xiàn)插值的方法,實(shí)現(xiàn)了亞像素的圖像配準(zhǔn)精度；J.A.Parker等人利用插值函數(shù)對(duì)圖像灰度值進(jìn)行插值從而實(shí)現(xiàn)亞像素的圖像配準(zhǔn)精度的方法,并對(duì)各種插值函數(shù)進(jìn)行了性能的對(duì)比。因?yàn)橛行┎逯捣椒〞?huì)產(chǎn)生新的灰度值而引起圖像灰度分布發(fā)生變化的缺點(diǎn),Maes等人提出了部分體積插值法(Partial Volume Interpolation，PV)。PV方法實(shí)際上并不直接計(jì)算出插值點(diǎn)的灰度值,而是根據(jù)線性插值的權(quán)重分配原則,將每對(duì)像素對(duì)聯(lián)合直方圖的貢獻(xiàn)分散到聯(lián)合直方圖上與之相鄰的各個(gè)像素對(duì)上,這樣聯(lián)合直方圖上各個(gè)像素對(duì)的頻度值以小數(shù)增加,不會(huì)出現(xiàn)新的灰度值而破壞目標(biāo)函數(shù)值分布的光滑性。意義圖像配準(zhǔn)的應(yīng)用前景非常的廣闊。無(wú)論在地理遙感領(lǐng)域還是在軍事、醫(yī)學(xué)領(lǐng)域都能看到圖像配準(zhǔn)技術(shù)的應(yīng)用實(shí)例。圖像配準(zhǔn)作為圖像處理中一個(gè)基本問題,源自于多個(gè)領(lǐng)域中很多實(shí)際問題的不同應(yīng)用需求，同時(shí)它也是眾多圖像分析和處理任務(wù)的關(guān)鍵步驟。由于圖像配準(zhǔn)在航空影像自動(dòng)制圖、圖像三維重構(gòu)、計(jì)算機(jī)視覺、遙感融合、模式識(shí)別、醫(yī)學(xué)圖像處理、影像分析等眾多領(lǐng)域內(nèi)有著廣泛的應(yīng)用,所以它也是當(dāng)前科研領(lǐng)域中的重要研究熱點(diǎn)之一。在醫(yī)學(xué)圖像處理方面，隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,醫(yī)學(xué)成像技術(shù)得到了快速的發(fā)展，尖端的新型醫(yī)療影像設(shè)備層出不窮，如計(jì)算機(jī)X線攝影(CR)、數(shù)字X線攝影(DR)、直接數(shù)字X線攝影(DDR)、X線計(jì)算機(jī)斷層攝影(CT)、核磁共振成像(MRI)、數(shù)字減影血管造影(DSA)、超聲成像(US)、閃爍成像(-scintigraphy)、單光子發(fā)射體層成像(SPECT)、正電子發(fā)射體層成像(PET)等等,這些已經(jīng)成為現(xiàn)代醫(yī)學(xué)診斷必不可少的醫(yī)學(xué)數(shù)字成像手段、由于這些醫(yī)學(xué)數(shù)字成像設(shè)備有不同的靈敏度和分辨率,它們有各自的使用范圍和局限性。多種模式圖像的結(jié)合能充分利用圖像自身的特點(diǎn)并做到信息互補(bǔ)。根據(jù)醫(yī)學(xué)圖像所提供的信息內(nèi)涵,我們可以將這些信息主要分為解剖結(jié)構(gòu)成像和功能成像兩大類。這兩類成像方式同樣各有優(yōu)缺點(diǎn),解剖成像(CT，MRI，B超等)的優(yōu)點(diǎn)是分辨率高,能夠提供人體內(nèi)臟器官的解剖形態(tài)信息；功能成像(PET,SPECT等)的缺點(diǎn)是成像分辨率較低,但能夠提供人體內(nèi)器官、大腦的功能代謝信息。即使是像CT、MRI、PET的同一種成像方式,得到圖像的信息也不完全相同。CT圖像能夠清晰的顯示骨骼的結(jié)構(gòu)圖像，MRI適合對(duì)軟組織形態(tài)成像,而PET能夠反映身體器官的新陳代謝狀況。不同成像技術(shù)對(duì)人體同一組織得到的形態(tài)信息和功能信息存在一定差異,但是它們提供的信息又是互相補(bǔ)充的。為了充分利用這些成像方式提供的信息,臨床醫(yī)生迫切希望能夠?qū)⑼徊∪说牟煌瑘D像信息進(jìn)行配準(zhǔn)、融合,將成像結(jié)果綜合起來,這就需要對(duì)不同的圖像進(jìn)行配準(zhǔn)及信息融合技術(shù)。圖像的融合是指將兩幅(或兩幅以上)來自不同成像設(shè)備或不同時(shí)刻獲取的己配準(zhǔn)圖像,采用某種算法,把各個(gè)圖像的優(yōu)點(diǎn)或互補(bǔ)性有機(jī)結(jié)合起來,獲得信息量更為豐富的新圖像的技術(shù)，醫(yī)學(xué)圖像的配準(zhǔn)和融合有著密切的關(guān)系,特別是對(duì)于多模態(tài)圖像而言,配準(zhǔn)則是進(jìn)行圖像融合的必要條件。配準(zhǔn)是融合的前提,也是決定圖像融合技術(shù)發(fā)展的關(guān)鍵技術(shù),若事先不對(duì)待融合圖像進(jìn)行空間上的配準(zhǔn),那么融合后的圖像也是毫無(wú)意義的。近幾十年以來,圖像配準(zhǔn)在醫(yī)學(xué)上的應(yīng)用日益受到醫(yī)學(xué)界和工程界的重視,己在世界范圍廣泛展開,在相關(guān)文獻(xiàn)中己經(jīng)提出了很多種醫(yī)學(xué)圖像配準(zhǔn)的方法,這些研究成果廣泛地運(yùn)用到醫(yī)學(xué)領(lǐng)域中。圖像配準(zhǔn)在醫(yī)學(xué)中的應(yīng)用領(lǐng)域主要有以下幾方面：1)組織切片圖像的處理與顯微結(jié)構(gòu)三維重建；2)疾病診斷及其發(fā)展和消退的過程檢測(cè)；3)神經(jīng)外科手術(shù)可視化!神經(jīng)外科手術(shù)一計(jì)劃及術(shù)前評(píng)估；4)感覺運(yùn)動(dòng)和認(rèn)知過程的神經(jīng)功能解剖學(xué)研究；5)神經(jīng)解剖變異性的形態(tài)測(cè)量分析學(xué)；6)放射治療和立體定向放射外科治療計(jì)劃；總之，開展醫(yī)學(xué)圖像配準(zhǔn)研究,探索提高配準(zhǔn)精度、速度和魯棒性的理論和關(guān)鍵技術(shù)，對(duì)于完善配準(zhǔn)理論、拓展配準(zhǔn)的應(yīng)用領(lǐng)域等都具有重要的理論和實(shí)踐意義?，F(xiàn)狀、問題點(diǎn)經(jīng)過多年的研究,圖像配準(zhǔn)技術(shù)無(wú)論在醫(yī)學(xué)還是在遙感圖像處理都已經(jīng)取得了很多研究成果,但是由于科技的不斷發(fā)展促使新的應(yīng)用不斷涌現(xiàn)、圖像采集設(shè)備的復(fù)雜多樣性，并且不斷更新?lián)Q代、影響圖像配準(zhǔn)的因素的復(fù)雜性多樣性等并且隨著近年來某些具體應(yīng)用對(duì)各種性能指標(biāo)要求的不斷提高,圖像配準(zhǔn)技術(shù)也必然產(chǎn)生一些新的急需解決的問題，所以圖像配準(zhǔn)的技術(shù)還有待于進(jìn)一步完善發(fā)展，例如：提高圖像配準(zhǔn)的自動(dòng)化程度、提高圖像配準(zhǔn)的精度、克服圖像離散化對(duì)圖像配準(zhǔn)精度帶來的負(fù)面影響、改善圖像配準(zhǔn)算法的運(yùn)算效率、穩(wěn)定性、魯棒性和可靠性、提出有效衡量圖像配準(zhǔn)結(jié)果好壞的評(píng)價(jià)標(biāo)準(zhǔn)等等。主要技術(shù)手段圖像配準(zhǔn)方法的關(guān)鍵步驟特征值提?。ㄌ卣靼ǎ褐本€的交點(diǎn)、角點(diǎn)、直線、邊界輪廓、封閉的區(qū)域最具代表性的是 點(diǎn)、曲線、輪廓；特征點(diǎn)又稱圖像配準(zhǔn)基準(zhǔn)點(diǎn)）特征值匹配（首先要根據(jù)所選的特征,選取并計(jì)算合適的特征描述子。其次,選取合適的相似度量函數(shù),以便計(jì)算特征之間的匹配程度;最后,根據(jù)計(jì)算出的候選匹配關(guān)系找出正確匹配特征對(duì)集）集合變換模型的選取及參數(shù)的確定（根據(jù)所得到的特征間的對(duì)應(yīng)關(guān)系,計(jì)算出選定的幾何變換模型的參數(shù)。然后再根據(jù)相似度量函數(shù)優(yōu)化已計(jì)算出的幾何變換參數(shù),以實(shí)現(xiàn)圖像的精配準(zhǔn)）配準(zhǔn)圖像的重新采樣及圖像的匹配（根據(jù)具體應(yīng)用的需求,選取合適的插值函數(shù)，用已經(jīng)計(jì)算出的精確的幾何映射函數(shù),將浮動(dòng)圖像映射到基準(zhǔn)圖像的坐標(biāo)空間,從而實(shí)現(xiàn)圖像的配準(zhǔn)操作。）圖像配準(zhǔn)方法可分為三類：基于灰度信息法，基于變換域法和基于特征法。在選取幾何變換模型時(shí)必須綜合考慮成像傳感器、成像平臺(tái)、成像條件、拍攝場(chǎng)景等各方面的因素,使選擇的變換模型盡可能真實(shí)的反映參考圖像和待配準(zhǔn)圖像之間的幾何變換關(guān)系。圖像配準(zhǔn)中采用的變換模型主要分為以下兩大類:(1)全局變換模型(Global Transformation),它將基準(zhǔn)圖像和浮動(dòng)圖像之間的幾何變換關(guān)系用一個(gè)函數(shù)來表示。這樣圖像之間的配準(zhǔn)問題便轉(zhuǎn)換為如何優(yōu)化求解所選定的幾何變換模型的參數(shù)值的問題。這種變換模型為現(xiàn)有的大多數(shù)配準(zhǔn)方法所采用;(2)局部變換模型(Local Transformation),通常被用在基準(zhǔn)圖像和浮動(dòng)圖像之間的空間變換關(guān)系非常復(fù)雜,不能用一個(gè)函數(shù)來表示的情況下,如大尺寸圖像之間的配準(zhǔn)。局部變換模型將基準(zhǔn)圖像和浮動(dòng)圖像不同部分的空間對(duì)應(yīng)關(guān)系用不同的函數(shù)表示這種變換模型在現(xiàn)有的圖像配準(zhǔn)方法中應(yīng)用較少圖像配準(zhǔn)中常用的幾何變換模型主要包括:1.剛體變換（rigid body transformation）:剛體變換可分解為平移、旋轉(zhuǎn)以及反轉(zhuǎn)，它變換特性是圖像中的兩點(diǎn)在變換后歐氏距離保持不變，且兩條直線的平行或垂直關(guān)系不變。在二維空間中，點(diǎn)（x，y）通過剛性變換至點(diǎn)（x，y）的過程可表示為2.相似變換（Similarity Transformation）（旋轉(zhuǎn) 平移 縮放 4自由度 兩點(diǎn)確定）:物體經(jīng)過相似變換后，其形狀保持不變。相似變換能夠?qū)⑾嗷テ叫械闹本€映射成平行直線，相互垂直的直線映射成為垂直直線。適用于具有相同視角不同拍攝位置的同一傳感器的兩幅圖像。3.仿射變換（Affine Transformation）（旋轉(zhuǎn) 平移 縮放 剪切變換；最常用的幾何變換模型 6自由度 3點(diǎn)確定 ）:如果第一幅圖像中的一條直線經(jīng)過變換映射到第二幅圖像上仍然為直線，并且保持平衡關(guān)系，這樣的變換稱為仿射變換。他比剛體變換多了縮放變換。這種變換將直線依然映射為直線，并保持直線間的平行關(guān)系但不保持直線段長(zhǎng)度和他們的角度。在二維空間中，點(diǎn)（x，y）經(jīng)仿射變換到點(diǎn)（x，y）的變換公式為4.投影變換（Projective transformation）（它可以折為一系列的基本變換 包括平移 旋轉(zhuǎn) 縮放 剪切 8個(gè)自由度 4點(diǎn)確定）；如果一幅圖像中的一條直線經(jīng)過變換后映射到第二幅圖像上仍是直線，但平行關(guān)系基本不保持，則這樣的變換稱為投影變換，一般用于成像視點(diǎn)的圖像配準(zhǔn)問題中，在二維空間中 變換公式為5.非線性變換（Nonlinear transformation）：如果第一幅圖像中的一條直線經(jīng)過變換后映射到第二幅圖像上不再是直線，則這樣的變換稱為非線性變換，一般用于比較復(fù)雜的圖像畸變中 變換公式為6.若投影變換（Projective Transformation）:它可以折為一系列的基本變換，包括、平移、旋轉(zhuǎn)、縮放、剪切變換，由3點(diǎn)不共線的四個(gè)點(diǎn)唯一確定。它適用于場(chǎng)景或目標(biāo)離成像平臺(tái)相對(duì)于物體的深度來說較遠(yuǎn)的兩幅圖像之間的配準(zhǔn)。多項(xiàng)式變換（非線性模型，一般將直線映射成曲線 實(shí)際中多項(xiàng)式變換模型一般均采用二次以下,一次多項(xiàng)式模型就是仿射變換模型）基于灰度信息的圖像配準(zhǔn)方法此類方法直接利用整幅圖像之間的相似性，以圖像內(nèi)部的信息為依據(jù)，然后采用搜索方法尋找使相似度量最大或最小值點(diǎn)，確定參考圖像和浮動(dòng)圖像之間的變換參數(shù)。實(shí)現(xiàn)簡(jiǎn)單，不需要對(duì)參考圖像和待配準(zhǔn)圖像進(jìn)行復(fù)雜的預(yù)處理，但運(yùn)算量大，不能直接用于校正圖像的非線性形變。互相關(guān)法（Cross Correlation，CC）：互相關(guān)法是一種匹配度量，通過計(jì)算模板圖像和搜索窗口之間的互相關(guān)值，來確定匹配的程度，互相關(guān)值最大時(shí)的搜索窗口位置決定了模板圖像在待匹配圖像中的位置，通常被用于進(jìn)行模板匹配和模式識(shí)別。（歸一化的交叉相關(guān)相似度量函數(shù)(Normalized Cross Correlation，NCC)）序貫相似性檢測(cè)算法(Sequential Similarity Detection Algorithm，SSDA )：一種快速的區(qū)域匹配算法,它直接計(jì)算一個(gè)給定區(qū)域內(nèi)像素誤差的累積，對(duì)于基準(zhǔn)圖像R中選定的模板區(qū)域T和浮動(dòng)圖像S,SSDA直接用對(duì)應(yīng)的灰度差的絕對(duì)值的和來表示它們之間的相似程度。該方法先選擇一個(gè)簡(jiǎn)單的固定門限,若在某點(diǎn)上計(jì)算兩幅圖像殘差和的過程中,殘差和大于該固定門限,就認(rèn)為當(dāng)前點(diǎn)不是匹配點(diǎn),從而終止當(dāng)前的殘差和的計(jì)算,轉(zhuǎn)向別的點(diǎn)去計(jì)算殘差和,最后認(rèn)為殘差和增長(zhǎng)最慢的點(diǎn)就是匹配點(diǎn)。它克服了一般模板匹配算法計(jì)算量大的缺點(diǎn)。傳統(tǒng)的圖像相關(guān)匹配算法精度高,匹配速度較慢,在實(shí)際應(yīng)用中受到限制,而SSDA算法能很快丟棄不匹配的點(diǎn),減少花在不匹配點(diǎn)上的計(jì)算量,從而提高匹配速度,且算法比較簡(jiǎn)單,易于實(shí)現(xiàn)互信息法通過引入信息論中的一個(gè)基本概念互信息(Mutual informion，Ml),研究者構(gòu)建了基于交互信息的相似性度量函數(shù)(Mutual Information,Ml)互信息用于描述兩個(gè)變量間的統(tǒng)計(jì)相關(guān)性,即一個(gè)變量中包含的另一個(gè)變量中的信息的多少,表示兩個(gè)隨機(jī)變量之間的依賴程度。如果兩幅圖像幾何上對(duì)齊的話,它們對(duì)應(yīng)體素所對(duì)應(yīng)的強(qiáng)度值的互信息最大。由于該方法不需要對(duì)兩種成像模式中圖像強(qiáng)度間關(guān)系的性質(zhì)作任何假設(shè),也不需要對(duì)圖像作任何分割或任何預(yù)處理,所以被廣泛地用于各種圖像配準(zhǔn)算法中。（Studholme在互信息的基礎(chǔ)上提出了一種更為穩(wěn)定的歸一化交互信息 (Normalized Mutual Information,NMI）還有些學(xué)者將其它信息與互信息結(jié)合起來,提出了一系列有效的圖像配準(zhǔn)算法,比如Pluim等人提出將互信息和圖像的梯度信息結(jié)合起來以改善其極值性能；Thevenaz等采用一種多分辨率圖像金字塔方法以提高最大化交互信息的優(yōu)化速度;Anthony等將互信息和空間信息結(jié)合起來,提出空間互信息法(spatial mutual information),此方法不但比互信息對(duì)噪聲有更好的魯棒性,而且在多模圖像配準(zhǔn)中更可靠Skouson等推導(dǎo)出兩幅圖像交互信息的上界,從而給出了有關(guān)互信息屬性的更深認(rèn)識(shí),并指出在一些情況下交互信息不一定能夠得到最優(yōu)化的結(jié)果基于變換域信息的圖像配準(zhǔn)方法基于變換域信息的圖像配準(zhǔn)方法包括:基于傅立葉、小波變換、Warsh變換等。其中常用的是基于傅立葉變換圖像配準(zhǔn)方法,該方法主要有以下一些優(yōu)點(diǎn):圖像的平移、旋轉(zhuǎn)、仿射等變換在傅立葉變換中都有相應(yīng)的體現(xiàn);同時(shí)傅立葉變換域的方法還有可能獲得一定程度的抵抗噪聲的魯棒性。傅氏變換對(duì)于圖像配準(zhǔn)是非常有用的,但它也有相當(dāng)?shù)木窒扌?如傅氏變換方法只能用來配準(zhǔn)灰度屬性有線性正相關(guān)的圖像,圖像之間必須是嚴(yán)格滿足定義好的變換關(guān)系等基于相位相關(guān)的圖像配準(zhǔn)方法：1975年,相位相關(guān)(Phase Correlation)的概念被應(yīng)用到圖像配準(zhǔn)領(lǐng)域中,很好地解決了僅存在平移的圖像之間的配準(zhǔn)。相位相關(guān)方法的主要依據(jù)是傅立葉的位移原理?；谛〔ㄗ儞Q的圖像配準(zhǔn)方法：20世紀(jì)80年代,自提出小波變換以來,小波變換一度成為圖像處理領(lǐng)域的研究熱點(diǎn),于是也發(fā)展了基于小波變換的各種圖像配準(zhǔn)算法文獻(xiàn)中闡述了利用小波分解方法做圖像配準(zhǔn)的合理性,結(jié)合小波分解和相關(guān)系數(shù)法,利用子空間搜索和統(tǒng)計(jì)特征匹配代替窮盡搜索法,在并行計(jì)算機(jī)上實(shí)現(xiàn)對(duì)遙感圖像的多分辨率配準(zhǔn);文獻(xiàn)首先利用小波分解得到低頻圖像信息,同時(shí)結(jié)合交互信息法得到初始參數(shù)。然后,在下一層的計(jì)算中采用前期的參數(shù)作為初始值,以減少計(jì)算負(fù)擔(dān),不斷細(xì)化,直至產(chǎn)生最優(yōu)配準(zhǔn)參數(shù)的集合基于其它變換的圖像配準(zhǔn)方法：2006年,G.Lazaridis等提出用wralsh變換進(jìn)行圖像配準(zhǔn),該方法能夠?qū)Υ嬖谛D(zhuǎn)和平移的圖像進(jìn)行配準(zhǔn)基于特征的圖像配準(zhǔn)方法對(duì)于存在較大幾何變形的圖像間的配準(zhǔn),僅僅直接利用灰度信息,有時(shí)不能完成圖像之間的配準(zhǔn)。這類圖像間的配準(zhǔn),一般需要經(jīng)過粗配準(zhǔn)和精配準(zhǔn)兩個(gè)步驟。粗配準(zhǔn)過程主要是利用基準(zhǔn)圖像與浮動(dòng)圖像之間的顯著特征及其對(duì)應(yīng)關(guān)系消除圖像間的幾何變形。然后在此基礎(chǔ)上進(jìn)行精配準(zhǔn),從而精確地估計(jì)出圖像之間的幾何變換模型和相應(yīng)參變量的值,并最終完成圖像配準(zhǔn)操作基于特征的圖像配準(zhǔn)方法,并不直接對(duì)圖像灰度信息進(jìn)行操作,而是首先從基準(zhǔn)圖像和浮動(dòng)圖像中提取一些共同特征作為配準(zhǔn)基元,然后通過建立配準(zhǔn)基元之間的對(duì)應(yīng)關(guān)系估算出基準(zhǔn)圖像和與浮動(dòng)圖像之間幾何變換模型及其參變量值基于特征圖像配準(zhǔn)方法一般包含以下幾步:特征選擇與提取!特征匹配!幾何變換模型的選取與參變量的估計(jì)!圖像重新采樣與變換其基本過程與其它方法相比,基于特征的方法具有計(jì)算復(fù)雜度低!魯棒性強(qiáng)!能夠適用于部分存在復(fù)雜幾何變形圖像之間的圖像配準(zhǔn)等優(yōu)點(diǎn)1)計(jì)算復(fù)雜度低:基于相似度量函數(shù)的圖像配準(zhǔn)算法,由于是采用相似度量函數(shù),并且是根據(jù)幾何變換模型定義的搜索空間進(jìn)行搜索,因此其計(jì)算復(fù)雜度較高但是基于特征的圖像匹配算法,其匹配的計(jì)算量主要局限于少量所提取的特征集合間的匹配,從而極大地降低了圖像匹配過程的計(jì)算量2)魯棒性強(qiáng):由于圖像間噪音和圖像的多模態(tài)性的存在,基于灰度信息的圖像匹配算法,受它們的影響較大,而基準(zhǔn)圖像和浮動(dòng)圖像間的某些共有特征受圖像的噪音和圖像多模態(tài)性影響較小因此基于特征的圖像配準(zhǔn)算法的穩(wěn)定性能要比基于灰度信息的圖像匹配算法更強(qiáng)3)適應(yīng)性強(qiáng):能夠適用于存在更復(fù)雜)l;何變形的圖像之間的配準(zhǔn)而基于灰度信息的圖像配準(zhǔn)方法,當(dāng)基準(zhǔn)圖像和浮動(dòng)圖像之間存在較大的幾何變形時(shí),其搜索的幾何變換參數(shù)空間會(huì)隨其自由度的增大而呈指數(shù)級(jí)的增加因此,當(dāng)基準(zhǔn)圖像和浮動(dòng)圖像間存在復(fù)雜幾何變換時(shí),基于灰度信息的圖像配準(zhǔn)方法在某些情況下便不能勝任但是基于特征的方法,從理論上講,只要能夠找到包含有幾何變換信息的特征集間的對(duì)應(yīng)關(guān)系,就能夠配準(zhǔn)兩幅圖像,其計(jì)算復(fù)雜度也不是隨幾何變換模型自由度成指數(shù)級(jí)的增長(zhǎng)所以說,基于特征的算法能夠適用于存在更復(fù)雜幾何變形圖像間的配準(zhǔn)操作亞像素圖像配準(zhǔn)算法為了提高圖像配準(zhǔn)的精度,宋智禮提出了適用于仿射幾何變換模型和平面投影變換幾何模型下的基于軌跡擾動(dòng)現(xiàn)象的相似度量函數(shù)并提出了基于軌跡擾動(dòng)現(xiàn)象相似度量函數(shù)在這兩種幾何變換模型下的計(jì)算數(shù)的學(xué)模型經(jīng)實(shí)驗(yàn)證實(shí),該相似度量函數(shù)很大程度地提高了圖像配準(zhǔn)的精度基于灰度插值的亞像素圖像配準(zhǔn)方法,這類方法是直接對(duì)圖像的灰度進(jìn)行插值,方法簡(jiǎn)單易懂,易于實(shí)現(xiàn)且應(yīng)用較多;基于相似程度因子插值的亞像素圖像配準(zhǔn)方法,該類方法首先根據(jù)相似度量函數(shù)計(jì)算得到相似程度曲線或曲面,然后利用對(duì)曲線或者曲面進(jìn)行擬合的方法達(dá)到亞像素圖像配準(zhǔn)精度;基于梯度的亞像素圖像配準(zhǔn)方法;基于