image registration——————图像配准

(1)background:

 Image registration:  the process of overlaying two or more images of the same scene taken at different times  from different viewpoints, and/or by different sensors. It geometrically aligns two images—the reference and sensed images

中文释义:图像配准是使用某种方法,基于某种评估标准,将一副或多副图片(局部)最优映射到目标图片上的方法。

附录———相近概念类比

Dense image correspondence:  correspondence estimation is a task of matching pixels of one image with those of others; when referring to dense correspondence estimation,the emphasis is on finding suitable matches(correspondences) for every one those pixels;

(是图像配准的一个具体子目录?应用场景不同?)

(2)Method:

基于特征的图像配准方法

Feature detection:

Salient and distinctive objects(closed-boundary regions, edges, contours, line intersections, corners, etc.) are manually or, preferably, automatically detected. For further processing, these features can be represented by their point representatives (centers
of gravity, line endings, distinctive points), which are called control points (CPs) in the literature.

Feature matching:

In this step, the correspondence between the features detected in the sensed image and those detected in the reference image is established.
Various feature descriptors and similarity measures along with spatial relationships among the features are used for that purpose

Transform model estimation.

The type and parameters of the so-called mapping functions, aligning the sensed image with the reference image, are estimated. The parameters of the mapping functions are computed by means of the established feature correspondence.

 Image resampling and transformation

the sensed image is transformed by means of the mapping functions.image values in non-integer coordinates are computed by the appropriate interpolation technique.

参考文献:

【1】Armin M A, Barnes N, Khan S, et al. Unsupervised Learning of Endoscopy Video Frames’ Correspondences from Global and Local Transformation[M]//OR 2.0 Context-Aware Operating Theaters, Computer Assisted Robotic Endoscopy, Clinical Image-Based Procedures, and Skin Image Analysis. Springer, Cham, 2018: 108-117.

【2】知乎专栏 https://zhuanlan.zhihu.com/p/62210477

【3】Image registration methods: a survey

原文地址:https://www.cnblogs.com/ezreal-/p/11445685.html

时间: 2024-11-05 01:02:30

image registration——————图像配准的相关文章

[翻译]鲁棒的尺度不变特征匹配在遥感图像配准中应用(Robust Scale-Invariant Feature Matching for Remote Sensing Image Registration)

李乔亮,汪国有,刘建国,会员,IEEE,和陈少波 2008年8月7日接收;2008年10月22日和2008年11月27日修改.2009年2月2日首版:当前版本出版于2009年4月17日.本项工作由中国国家基础研究项目60672060资助. 中国湖北省武汉市华中科技大学模式识别与人工智能国家重点实验室,邮编430074(邮箱:[email protected];   [email protected];  [email protected];  [email protected]) 数字对象识别编

Java进阶(五十七)-基于感知哈希算法的图像配准

Java进阶(五十七)-基于感知哈希算法的pHash图像配准算法 ??毕业论文提交之后,老师交给自己一项任务:图像配准,也就是给你两幅图像,通过系统来判定两幅图像是否为同一副图像.自己作为这一方面的小白,先去网上搜索一下相应的检测方法,当然有现成的API调用最好,花钱也无所谓. ??我们这里采用的基础关键技术叫做 "感知哈希算法"(Perceptual hash algorithm),它的作用是对每张图片生成一个"指纹"(fingerprint)字符串,然后比较不同

图像配准建立仿射变换模型并用RANSAC算法评估

当初选方向时就因为从小几何就不好.缺乏空间想像能力才没有选择摄影测量方向而是选择了GIS.昨天同学找我帮他做图像匹配,这我哪里懂啊,无奈我是一个别人有求于我,总是不好意思开口拒绝的人.于是乎就看着他给的一章节内容开始写程序了,今天总算给他完成了.做的比较简单,中间也遇到了不少问题,尤其是计算量大的问题,由于老师给的数据是粗配准过的数据, RANSAC算法评估时就简化了下. 理论内容: 第5章 图像配准建立几何变换模型 特征点建立匹配关系之后,下一步就是求解图像之间的变换关系.仿射变换能够很好的表

理解图像配准中的LMeds、M-estimators与RANSAC算法

图像配准对于运动平台(无人机,移动机器人)上的视觉处理有着极其重要的作用.配准算法的第一步通常是找到两幅图像中一一对应的匹配点对(特征点提取.描述.点对匹配),然后通过匹配点对求取变换矩阵.在图像特征点匹配之KD-Tree一文中讲了配准中第一步中的点对匹配方法,本文将集中讨论配准第二步.在获得匹配点对后,我们需要从中选取一定的匹配正确的点对计算变换矩阵,对于透射变换,需要选取4组点对,对于仿射变换,需要选取3组.但现在的问题是,我们获得的匹配点对中不能保证所有的匹配都是正确的,如何从中选取正确的

图像配准

1.定义 维基百科上的定义:图像配准与相关是图像处理研究领域中的一个典型问题和技术难点,其目的在于比较或融合针对同一对象在不同条件下获取的图像,例如图像会来自不同的采集设备,取自不同的时间,不同的拍摄视角等等,有时也需要用到针对不同对象的图像配准问题.具体地说,对于一组图像数据集中的两幅图像,通过寻找一种空间变换把一幅图像映射到另一幅图像,使得两图中对应于空间同一位置的点一一对应起来,从而达到信息融合的目的.如图所示   图1  左图为基准影像,右图为配准影像                  

图像配准中的变换操作

对所有图像配准技术最根本的问题是找到适当的图像转换或者映射类型以正确匹配两幅图像.常见的配准转换包括:刚体变化.仿射变换.投影变换.非线性变化.

图像配准简介

图像配准在目标检测.模型重建.运动估计.特征匹配,肿瘤检测.病变定位.血管造影.地质勘探.航空侦察等领域都有广泛的应用. 每一种配准方法通常都针对某个具体问题而设计的,众多方法中,唯一的共性就是每个配准问题最终都要在变换空间中寻找一种最有的变换,这种变换能够使两幅图像之间在某种意义上达到匹配,但对于不同的应用领域,对图像类型的要求不同,就需要具体问题具体分析. 有研究者根据待配准图像之间的关系,将图像配准分为多源图像配准.基于模板的配准.多角度图像配准.时间序列图像配准四大类.详见下图 目前,较

深度图像配准(Registration)原理

机器视觉中,3D相机产生的深度图像(depth image)通常需要配准(registration),生成配准深度图像(registed depth image).实际上配准的目的就是想让深度图和彩色图重合在一起,即是将深度图像的图像坐标系转换到彩色图像的图像坐标系下.下面我们来介绍其推导的过程. 为了描述方便,首先做些简单的假设.3D相机的左侧相机(left camera)为红外相机(即深度相机,ir camera),右侧相机(right camera)为彩色相机(color camera).

图像配准----NCC

在用Harris算子对图像进行角点提取后,两幅图像得到的角点个数不一定相等,这时就要先对它们进行处理,得出一一对应的角点对. 归一化互相关(Normalized Cross Correlation method, NCC)匹配算法是一种经典的统计匹配算法,通过计算模板图像和匹配图像的互相关值,来确定匹配的程度. 互相关最大时的搜索窗口位置决定了模板图像在待匹配图像中的位置. 它是一个亮度.对比度线性不变量. 此算法的缺点是参与运算的特征点比较多,运算速度比较慢. 归一化互相关应用在对图像特征点进