图像配准中特征点检测算法的探讨
基于特征点图像配准方法的应用研究
基于特征点图像配准方法的应用研究 【摘要】针对常用的图像配准技术配准精度不高的问题，本文首先采用RANSAC算法剔除SURF算法初匹配中的误匹配对，再在初次提纯的匹配对中进行欧氏距离排序，提取距离最小的有限匹配对作为最终的匹配结果。通过实验表明该方法配准精度高，效果好，为后续图像的融合拼接打下良好的基础。 【关键词】RANSAC算法；SURF算法；图像配准 引言 随着传感器技术和计算机计算能力的提高，图像处理技术在社会生活中的应用越来越广泛。但是由于客观问题及图像传感器本身的局限性等会造成采集到的图像模糊、不完整等问题，因此采用图像处理技术对图像进行配准拼接处理获取完整的图片或者较宽视觉的图片就非常必要。本文采用基于SURF算法二次匹配法，对图像的特征点进行配准，配准精度得到明显的提高。 1、基于SURF算法初匹配存在问题的分析和解决方法 SURF算法[1]一般用特征矢量间的欧氏距离作为待配准图像的匹配判断矢量。匹配就是对于图像A中某个特征点，找出图像B中与它欧氏距离最近的特征点，简单地说，如果最近的距离小于某个阀值，则认为这两个点被匹配。 令A图像中的特征点描述子集为基准集，B图像中的特征点描述子集为目标集，通过欧式距离相似度判定度量，对每个qj我们在基准集中都能找到与其欧式距离最近的pi，这样qj和pi就构成一个匹配对。虽然匹配对中的两个特征点描述子的欧式距离最近，但这并不意味着它们对应相同的图像区域。在正确的匹配对中的两个特征点描述子的欧式距离会很小，理想状况下为零。但是当qj 与基准集中多个点的欧氏距离相近的时候，在判断时qj与它最近邻构成的匹配对就有可能是错误的匹配。 上述的分析表明，采用SURF算法对图像进行匹配，对于特征丰富的图像，往往得到数以百计的特征点匹配对，而且具有一定的误差性，存在错误的匹配对。因此就需要后续的检验过程，提高配准精度。 配准后的图像要转换到同个坐标下，才能进行拼接融合。这就涉及到图像变换模型。从图像变换模型的要求[2]中，我们知道，只要有3对对应的匹配对，我们就可以计算出两幅图像间的变换关系。在此我们先采用RANSAC算法消除错误匹配提高配准精度，以便得到更加精确的变换参数矩阵，便于后期的融合拼接。 2、基于RANSAC剔除误匹配提高配准精度的实现方法
地的总结图像配准算法
图像配准定义为：对从不同传感器、不同时相、不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程[2]。图像配准需要分析各分量图像上的几何畸变，然后采用一种几何变换将图像归化到统一的坐标系统中。在配准过程中，通常取其中的一幅图像作为配准的标准，称之为参考图像；另一幅图像作为配准图像。 图1-1 图像配准的基本流程 图1-2 图像配准方法分类
根据配准使用的特征，图像配准的方法大致可分为三类： (1)基于图像灰度的配准算法。首先从参考图像中提取目标区作为配准的模板，然后用该模板在待配准图像中滑动，通过相似性度量(如相关系数法、差的平方和法、差的绝对值法、协方差法)来寻找最佳匹配点。 (2)基于图像特征的配准算法。该算法是以图像中某些显著特征(点、线、区域)为配准基元，算法过程分为两步：特征提取和特征匹配。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应匹配关系，从而实现两幅图像之间逐像素的配准。 (3)基于对图像的理解和解释的配准算法。这种配准算法不仅能自动识别相应像点，而且还可以由计算机自动识别各种目标的性质和相互关系，具有极高的可靠性和精度。这种基于理解和解释的图像配准涉及到诸如计算机视觉、模式识别、人工智能等许多领域。不仅依赖于这些领域中理论上的突破，而且有待于高速度并行处理计算机的研制。 从自动化角度来看，可以将配准过程分为自动、半自动和手动配准。 存在问题：如何提高图像的配准速度将是大范围遥感图像自动配准问题的要点；选取何种自动配准方案以保证图像的配准精度将是大范围遥感图像自动配准问题的另一要点。 2(,)[1((, f x y g f h x y 其中，h表示二维空间坐标变换。g表示灰度或辐射变换，描述因传感器类型的不同以及成像时气候等环境的影响所带来的图像灰度的变换。配准问题的实质就是要找到最优的空域变换h和灰度变换g，使得上述的等式成立，从而找到配准变换的参数 特征空间的选择通常要考虑以下几个因素：相似性；空间分布；唯一性。 在自动图像配准中对特征的理解可以分为两类。(1)基于灰度的方法：基于灰度的方法将重点放在特征匹配上，在其过程中并没有真正提取特征。一般所说的模板匹配法就是这种方法的代表。这种方法实际上将图像的灰度分布直接作为特征而构成匹配的基础。(2)基于特征的方法：基于特征的方法需要在图像中提取显著的特征：区域(森林、湖泊、农田等)、线(区域的边界、道路等)和点(区域的角
基于形状匹配的快速图像配准
２００８年４月张素等：基于形状匹配的快速图像配准 ２实验结果与分析 为检验本文算法的有效性，取一幅分辨率为５１２×５１２的腹部ｃＴ图像（图３（ａ）），依次进行伸缩、旋转、平移变换，再加入高斯噪声，得到另一幅图像（图３（ｂ））．变换公式为 ［≥］＝ｊ［一：；兰０］［二］＋［芝］（１８）式中：（Ｊ，ｙ）为参考图像上的点；（ｔ），’）为变换之后的点；Ｊ为伸缩比例；ｐ为参考图像的旋转角度，分别用Ｐｏｗｅｕ搜索算法和本文算法进行配准，配准参数的精度为０．００１．实验在一台ＣＰＵ为Ｃｅｌｅｒｏｎ、主频为２．８ＧＨｚ、内存为５１２Ｍ的计算机上进行．图３为算法流程中，轮廓提取、标记点自动提取以及形状匹配的结果．表１列出了一部分代表性的比较结果（其中丁为配准全过程所耗费的时间）． 图３轮廓提取、标记点自动提取以及形状匹配的结果 Ｆ１９３ Ｒｅ蛐№ｏｆｒｅｇｉ佃ｅ砷撇惦ｏｎ＇ａｕｔｏｍ雠ｌａｌＩ山ｍｒｂｄｅｔｅ甜仙姐ｄｓｈｐｅ删ｎｃ址啤 衷１本文算法与ＰｏｗｅⅡ算法结果的比较 Ｔ｜山．１Ｃ岫ｐａｒａ６ｖｅｒ器ＩＩｌｔｓｂｅｔｗ咖ｔｈｅｐｒｏ肼ｌｓｅｄｍ劬ｏｄ ａⅡｄＰｏｗｅｕａＩｇｏｒｉｔｈｍ 变换及配 旷无量纲占／（ｏ）厶ｘ｜缸ｌ ｒ，ｓ 准参数像素像素 变换参数０５００６０肿０２０ＤｏＯ３ⅢＤ００＿—— ＰｏｗｅＵ法０５０２６０Ｄ５２１９Ｊ０５５２８五５８５６０ 初始参数０４９７６０．０４０１９３１７３１５０ｌ＿—— 本文算法０５００６０．２９４１９．８８４２９．８２３２５变换参数ｌｏ∞４０肿０ｌＯ姗５０Ｄ００。—— ＰｏｗｅＵ法ｌＯ∞４０舶ｌ９．１１５５０ｊ０２ｌ１９０ 初始参数ｌ－０００４０．ｏｌＯ１０Ｊ昕３４９．９２ｌ●—— 本文算法１０００钧０９５９．９５２５００的３０ 变换参数１５∞１０Ｄｏｏ２０ＤＯＯ３０．０００＿——ｐｏｗｅＵ法１姗１０Ｄ０７２０３９９２９＿９９４６８０初始参数１５０２９．９９７１９３７２２９２１７＿—— 本文算法１５００１０ＪＤ４９２０．０５０３０２８３４２ 变换参数１５００３０加０４０肿０ＩＯ．０００ Ｐｏｖ岭Ｕ法１０４６２８鹏５．４８５７１．４３．６８７’ｌ２３０初始参数１５０５２９．９５５３９Ｄ０６７．９∥ 本文算法１５０１３０Ｊ０２２３９５１４ｌＯＪ昕３２７ 变换参数２肿Ｏ１０．ａＤＯ１５加Ｏ２０．０００●—— ＰｏｗｅＵ法１．９１９３９ｊ９２ｌ１５矗６４２３２７２‘ｌｌ∞ 初始参数２肿６１０．０１８ １３剃１７．盯５．●——本文算法２Ｄ００ｌＯ．１２６１６＿０１３２０ＪＤ２２５３注：用上标＃表示的数据稍偏离变换参数；用上标?表示的部分数据为错误结果． 由表１的结果可以看出，用Ｐｏｗｅｕ算法直接进行搜索，计算时间较长，且有时因收敛到局部极值而产生错误结果，如表中用卑号标出的数据．而采用本文的算法完全达到了预期目的，大大减少了计算量，精度达到了“亚像素”级水平，有效地避免了收敛于局部极值．观察表ｌ中用ＳＶＤ法求得的初始参数，可以看出，这些参数实质上已经非常接近最终的配准参数，这是因为形状信息本身就是比较精确的特征量；其中有几个数据稍偏离配准参数，这是因为较大的变换参数（主要是缩放参数ｓ）会使形状匹配过程中产生相对较大的误差．计算过程中，特征提取、形状匹配、ＳＶＤ法求初始参数等步骤所耗费的计算量均比较小，而Ｐｏｗｅｌｌ算法一旦得到了与变换参数较接近的初始参数，就会很快地收敛到正确结果，这是由ＰｏｗｅＵ算法本身的性质所决定的．本实验中，在绝大多数情况下，只需要计算一个循环即可收敛．因此，ＰｏｗｅＵ算法的作用其实相当于对ＳＶＤ法所得的参数进行修正． ３结语 本文将形状特征和互信息搜索相结合，有效地提
图像配准技术研究进展
第１４卷第６期２００７年１２月 电光与控制 ＥＵ￡ＣＴＲＯＮＩＣＳＯＰＴＩＣＳ＆ＣＯＮＴＲＯＬ Ｖ０１．１４№．６ Ｄｅｅ．２００７ 文章编号：１６７１—６３７Ｘ（２００７）０６—００９９—０７ 图像配准技术研究进展 刘松涛，杨绍清 （海军大连舰艇学院信息与通信工程系，辽宁大连１１６０１８） 摘要：图像配堆是解决图像融合、图像镶嵌和变化检测等问题的必要前提。其应用遍及军事、遥感、医学和计算机视觉等多个领域。筒要回顾了图像配准技术的发展史和研究现状．重点阐述了当前的技术热点和应用趋势，最后展望了进一步的研究方向。 关键词：图像配准；信息论；非刚性配准；虚拟结构 中图分类号：Ｖ２４３．６文献标识码：Ａ Ｐｒｏｇｒｅｓｓｉｎｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｔｅｃｈｎｉｑｕｅｓ ＬＩＵＳｏｎｇ—ｔａａ，ＹＡＮＧＳｈａｏ—ｑｉｎｇ （Ｏｅｐｔ．ｏｆＩｎｆｏｒｍａｔｉｏｎ＆ＣｏｍｍｔｍｉｃｄｉｏｎＥｔ，ｇ泌ｒｉｔ，．ｇ，ＤａｆｉａｎＮａｖａｌＡｃａｄｅｍｙ，Ｄａｌｉａｎ１１６０１８，舀白Ⅺ） Ａｂｓｔｒａｃｔ：Ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｉｓｅｓｓｅｎｔｉａｌｆｏｒａｌｌｉｍａｇｅａｎａｌｙｓｉｓｔａｓｋｓｌｉｋｅｉｍａｇｅｆｕｓｉｏｎ，ｉｍａｇｅｍｏｓａｉｃａｎｄｃｈａｎｇｅｄｅｔｅｃｔｉｏｎ．Ｉｔｉｓｕｓｅｄｗｉｄｅｌｙｉｎｍｉｌｉｔａｒｙｓｙｓｔｅｍ，ｍｅｄｉｃａｌｉｍａｇｉｎｇ，ｒｅｍｏｔｅｓｅｎｓｉｎｇ，ｃｏｍｐｕｔｅｒｖｉｓｉｏｎ，ｅｔｃ．Ｔｈｅｈｉｓｔｏｒｙａｎｄｃｕｒｒｅｎｔｅｔａｔｕｓｏｆｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｔｅｃｈｎｉｑｕｅｓｆｉｒｅｒｅｖｉｅｗｅｄｋｅｆｌｙｗｉｔｈｅｍｐｈａｓｉｓｏｎｉｔｓｃｕｒｒｅｎｔｔｅｃｈｎｉｃａｌｈｏｔｓｐｏｔｓａｎｄａｐｐｌｉｃａｔｉｏｎｔｒｅｎｄｓ．Ｓｏｍｅｉｎｔｅｒｅｓｔｉｎｇａｓｐｅｃｔｓｆｏｒｆｕｒｔｈｅｒｓｔｕｄｙａ”ｐｏｉｎｔｅｄｏｕｔｉｎｔｈｅｅｎｄ． Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎｔｈｅｏｒｙ；１１０ｎ—ｒｉｇｉｄｒｅｇｉｓｔｒａｔｉｏｎ；ｖｉｒｔｕａｌｓｔｒｕｃｔＵｒｅ ０引言 图像配准是许多应用问题必须的预处理步骤，比如：时序图像的变化检测或多模图像融合，这些问题遍及军事、遥感、医学、计算机视觉等多个领域。许多领域都需要图像配准，实际应用过程可能会有所不同，但其中关键的因素是类似的。概括地说，图像配准是对取自不同时间、不同传感器或者不同视角的同一场景的两橱或多幅图像进行最佳匹配的过程，包括像素灰度匹配和空间位置对齐。 配准方法的分类可以依据不同的准则。Ｂｒｏ．ｗｎ…依据变换模型的复杂程度对配准方法进行分类，并归纳了配准技术的实现步骤：特征空问、相似度测量、搜索空间和策略。Ｍａｉｎｔｚ”１等则提出了９ 收稿日期：２００６—０３—０９修回Ｅｔ期：２００６—０５—１５ 基金项目：国防预研基金资助项目（５１４０３０３０６０４ＪＢｌ４０Ｉ）；国家自然科学基金资助项目（６０５７２１６０） 一 作者简介：荆松涛（１９７８一），男，河南孟津人，博士，主要研究方向为图像融合、耳标识别、成像跟踪、ＤＳＰ开发 等。条分类准则，依次为：图像维数、配准特征的来源、变换模型、坐标变换域、交互性、优化策略、成像模式、配准对象、配准目标的特点等。作者参考Ｂｒｏｗｎ和Ｍａｉｎｌｚ的分类方法，将配准技术概括为８个方面，包括：配准对象、特征提取、特征匹配、变换模型、优化策略、坐标变换与插值、系统实现及算法评估，并考虑每项内容的技术特性进行细分，然后依据某一算法的创新点进行分类。囊括所有方法的分类准则是不存在的，所提方法侧重于从总体上对配准方法进行考察，是一种相对能反映配准方法本质特征的分类方法。依据新的分类准则，作者已对图像配准技术的８个子方向进行了系统研究ｕＪ。 １发展史和研究现状 国外从２０世纪６０年代就开始在图像配准领域进行研究“】，但直到１９８０年代才开始引起学者们的关注。到上世纪末，单模图像配准问题已基本解决，但多模图像配准由于涉及模式和领域的复杂性．仍需密切关注。国际上对图像配准技术曾做过调查”】，其结论是１９９０年代初技术文献明显增加。而
图像配准技术方法研究
图像配准技术方法研究 摘要随着信息技术的迅猛发展，图像配准技术已经在军事、遥感、医学、计算机视觉等多个领域得到了广泛的应用。图像配准技术是图像处理的一个基本问题，它是将不同时间、传感器或视角下获取的相同场景的多幅图像进行匹配的图像处理的过程。三类图像配准的方法大致如下：基于灰度的图像配准方法。基于变换域的图像配准方法。基于特征的图像配准方法。本文将应用这三种方法对图像配准进行研究。并重点研究基于特征的图像配准方法。 关键词图像配准，特征点匹配，灰度插值，控制点的提取 Abstract The technology of image registration is being widely used in the military, remote sensing , medical, computer, visual and any other fields with the rapid development of information technology. The technology of image registration is a kind of process to match different pictures getting from different periods and different cameras but a same scene, it is a basic point to handle the pictures. There are three kinds of ways to do the image registration:According to the level of the color of gray getting from the pictures.According to transforming domains.According to the features The three kinds of ways will be used to discuss the image registration in the thesis, and the way according to the features will be discussed more in the thesis.
图像配准的方法
图像配准的方法 迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准 研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围 的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位 系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其 所采用的算法称之为图像相关等等。 图像配准的方式可以概括为相对配准和绝对配准两种：相对配准是指选择 多图像中的一张图像作为参考图像，将其它的相关图像与之配准，其坐标系统 是任意的。绝对配准是指先定义一个控制网格，所有的图像相对于这个网格来 进行配准，也就是分别完成各分量图像的几何校正来实现坐标系的统一。本文 主要研究大幅面多图像的相对配准，因此如何确定多图像之间的配准函数映射 关系是图像配准的关键。通常通过一个适当的多项式来拟合两图像之间的平移、旋转和仿射变换，由此将图像配准函数映射关系转化为如何确定多项式的系数，最终转化为如何确定配准控制点(RCP)。目前，根据如何确定RCP的方法和图像配准中利用的图像信息区别可将图像配准方法分为三个主要类别：基于灰度信 息法、变换域法和基于特征法[25]，其中基于特征法又可以根据所用的特征属 性的不同而细分为若干类别。以下将根据这一分类原则来讨论目前已经报道的 各种图像配准方法和原理。 1基于灰度信息的图像配准方法 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而 是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是 实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变 换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多 基于灰度信息的图像配准方法，大致可以分为三类：互相关法(也称模板匹配法)、序贯相似度检测匹配法、交互信息法。 (1)互相关法
医学图像配准技术 综述
医学图像配准技术 A Survey of Medical Image Registration 张剑戈综述，潘家普审校 （上海第二医科大学生物医学工程教研室，上海 200025） 利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。 图像配准算法 可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。 基于特征的配准算法 这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士 1. 外部特征 在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于1.5mm，角度误差小于3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。 2. 内部特征 从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。Hill DL[4]用11个形态点对脑部配准，误差<1mm，方差为1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重(weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。 表面匹配算法也利用了内部特征[8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使2D/3D图像配准简化为2D曲线和3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法[9]，从头部的3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。 3. 在非刚体配准中的应用 进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是3D轮廓线，使待配准图像
多模图像配准融合
多模图像配准融合
浅析多模态医学图像的配准与融合技术 来源：本站原创作者：朱俊林发布时间：2009-06-07 1 医学图像的配准技术简介 医学图像的配准技术是90年代才发展起来的医学图像处理一个重要分支, 并且日益受到了医学界和工程界的重视。医学图像的配准是指对于一幅医学图 像寻求一种或者是一系列的空间变换,使两幅图像的对应点达到空间位置和解 剖结构的一致，这种一致是指人体上的同一解剖点在两张匹配的图像上有相同 的空间位置。简单地说医学图像配准就是解决两幅图像的严格对齐问题。配准 的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的解剖点及 手术感兴趣的点都达到匹配。 医学图像的配准按图像来源分为：单模态(mono-modality)与多模态配准(multi-modality)。单模态配准是指对来自同一成像设备的不同时刻或不同角 度的图像进行配准。但在实际临床应用中，单一模态的图像往往不能提供医生 所需要的足够信息，通常需要将不同模态的图像融合在一起得到更丰富的信息 量，从而作出准确的诊断，制订出合适的治疗方案。所谓多模态配准，是将来 自不同形式的医学图像进行空间上的对准，将对应的相同解剖位置标记出来以 实现图像融合和进一步后期处理。多模态图像之间的配准使用最频繁,主要应用在诊断方面,可分为解剖—解剖的配准和解剖—功能的配准两大类,前者将显示组织形态学不同方面的两幅图像混合,后者将组织的新陈代谢与它相对于解剖 结构的空间位置联系起来。目前，主要的研究工作重点是进行CT、MRI以及PET、fMRI等图像的配准。 2 医学图像融合技术简介 医学图像的融合是指将两幅(或两幅以上)来自不同成像设备或不同时刻获 取的已配准图像，采用某种算法，把各个图像的优点或互补性有机结合起来， 获得信息量更为丰富的新图像的技术。医学诊断往往要综合许多不同信息进行， 传统的方法是，临床医生利用灯箱分别观看这些胶片，综合对比，得到结果。 如果能够把这些互补信息以某种方式综合在一起作为一个整体作为医学诊断的 依据，使得临床医生只要在一张综合图像上就能看到不同原始图像的信息，那 么就能提供全方位的信息细节。 3 医学图像配准及融合的关系及意义 医学图像的配准和融合有着非常密切的关系，特别是对于多模态图像而 言，配准和融合是密不可分的。配准是融合的前提，也是决定图像融合技术发 展的关键技术，若事先不对待融合图像进行空间上的对准，那么融合后的图像 也是毫无意义的。融合是配准的目的，通过来自不同影像设备的图像融合，可 以得到更多的信息，提高影像数据的利用率。在多模态医学图像信息融合中， 是要把相对应的组织结构融合在一起，而待融合的图像往往来自不同的成像设 备，它们的成像方位、角度和分辨率等因素都是不同的，所以这些图像中相应 组织的位置、大小等都是有差异的，必须先进行配准处理，才能实现准确地融 合。
配准综述
图像配准是对取自不同时间，不同传感器或者不同视角的同一区域的两幅或者多幅图像进行匹配叠加的过程。随着技术手段的不断发展，人们对图像配准的要求也越来越离。包括配准方法的鲁棒性、算法的难易程度、算法的自主性等都是考量算法的指标。图像配准的方法中，有人提出过被广泛认同的四个巧骤： a．特征空间的选择 特征空间是指将运用到配准中元素的集合。特征空间包括很多方面，比如像素值，比如点、线，或者平面甚至是曲面。 b．搜索空间 搜索策略是指一系列配准变换操作的集合。搜索空间是建立在几何形变基础上的。而几何形变一般包括全局的和局部的几何形变。典型的全局变形包括平移，缩放，扭曲等变形以及它们的组合。而局部形变，对变换参数要求比较苛刻，因为某一套变换参数只能作用在局部形变区域，而其余区域需采用插值技术补充。然而，另外的变形区域则需要另外的变换参数去表述。在一般的处理中，我们将变换模型看成是一种先验知识。不然则需要考量所有的变换模型。 c．搜索策略 搜索策略是实施变换的依据。它的存在是为了找寻变换模型的最优解。常用的搜索策略有松弛模型法、牛顿法和共扼梯度法。 d．相似性度量 相似性度量是对采用的变换模型的评价。相似性度量主要是采用参考图像和配准图像之间的共有的特征之间的差异比较的方法来评价配准的情况。这其中的差异可以包括点位的误差，或者是灰度值相关的差异，还可以是在变换域之间的差异值等等。最常见的相似性度量是检测特征的欧氏距离。 上述的几个步骤构成了图像配准的基本框架。许许多多的算法充斥其中产生了种类繁多的配准方法。下面主要介绍下几种典型的配准算法。目前典型的配准算法中大致可分成基于灰度、基于特征和基于模型的方法。 基于灰度的配准算法 基于灰度的算法中，重点是对图像配准的过程上，而不是特征集的选择
图像识别匹配技术原理
第1章绪论 1.1研究背景及意义 数字图像，又称数码图像或数位图像，是二维图像用有限数字数值像素的表示。通常，像素在计算机中保存为二维整数数组的光栅图像，这些值经常用压缩格式进行传输和储存。数字图像可以由许多不同的输入设备和技术生成，例如数码相机、扫描仪、坐标测量机等，也可以从任意的非图像数据合成得到，例如数学函数或者三维几何模型，三维几何模型是计算机图形学的一个主要分支。数字图像处理领域就是研究它们的变换算法。 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响:一是计算机的发展;二是数学的发展(特别是离散数学理论的创立和完善);三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 图像配准(Image registration)就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。 图像配准的方法迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其所采用的算法称之为图像相关等等。 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多基于灰度信息的图像配准方法，大致可以分为三类：互相关法（也称模板匹配法）、序贯相似度检测匹配法、交互信息法。 目前主要图像配准方法有基于互信息的配准方法，基于相关性的配准方法和基于梯度的配准方法。其中基于梯度的方法基本很少单独使用，而作为一个辅助
基于ICP算法的图像配准的MATLAB实现
function [TR, TT] = icp(model,data,max_iter,min_iter,fitting,thres,init_flag,tes_flag,refpn t) % ICP Iterative Closest Point Algorithm. Takes use of % Delaunay tesselation of points in model. % % Ordinary usage: % % [R, T] = icp(model,data) % % ICP fit points in data to the points in model. % Fit with respect to minimize the sum of square % errors with the closest model points and data points. % % INPUT: % % model - matrix with model points, [Pm_1 Pm_2 ... Pm_nmod] % data - matrix with data points, [Pd_1 Pd_2 ... Pd_ndat] % % OUTPUT: % % R - rotation matrix and % T - translation vector accordingly so % % newdata = R*data + T . % % newdata are transformed data points to fit model % % % Special usage: % % icp(model) or icp(model,tes_flag) % % ICP creates a Delaunay tessellation of points in % model and save it as global variable Tes. ICP also % saves two global variables ir and jc for tes_flag=1 (default) or % Tesind and Tesver for tes_flag=2, which % makes it easy to find in the tesselation. To use the global variables % in icp, put tes_flag to 0. % % % Other usage: % % [R, T] = icp(model,data,max_iter,min_iter,... % fitting,thres,init_flag,tes_flag) % % INPUT: % % max_iter - maximum number of iterations. Default=104 % % min_iter - minimum number of iterations. Default=4 % % fitting - =2 Fit with respect to minimize the sum of square errors. (default) % alt. =[2,w], where w is a weight vector corresponding to data. % w is a vector of same length as data.
图像配准算法综述
杭州电子科技大学 毕业设计（论文）文献综述 毕业设计题目SIFT特征研究及应用 文献综述题目图像配准算法综述学院生命信息及仪器工程学院 专业电子信息技术及仪器 姓名 班级 学号 指导教师
图像配准算法综述 一．前言 图像配准是指找出场景中同一物体表面的结构点在不同图像上的投影像素点之间的对应关系，是图像信息处理领域中一项非常重要的技术，同时也是其它一些图像分析技术，如立体视觉、运动分析、数据融合等的基础。 目前图像配准广泛应用于虚拟现实、视频压缩、图像复原、图像数据库检索等技术中。图像配准的研究是计算机视觉中最困难也是最重要的任务之一。不同的图像配准方法总是对应于某种适用的图像变换模型，其核心问题是提高配准的速度、精度和算法的稳健度。 随着科学技术的发展现在约40%的机器视觉应用中都会使用图像匹配技术，所涉及的领域有：工业检测，导弹的地形匹配，光学和雷达的图像跟踪，交通管理，工业流水线的自动监控、工业仪表的自动监控，医疗诊断，资源分析，气象预报，文字识别以及图像检索等。 图像匹配研究按其处理步骤可以分为样本采集、样本预处理、样本分割、样本的特征提取等，并且与计算机视觉、多维信号处理和数值计算方法等紧密结合。它也是其它一些图像分析技术，如立休视觉、运动分析、数据融合等的基础。正因为其应用的广泛性，新的应用和新的要求逐步产生，使得匹配算法的研究逐步走向深入，出现了快速、稳定、鲁棒性好的匹配算法。因此，研究图像的匹配算法对于如何提高实际工程中的图像处理质量和识别精度具有非常重要的意义。 本文主要分析图像匹配常用方法的优点和不足之处，讨论了图像匹配中需要进一步研究和解决的问题。 二．图像配准算法的研究现状 图像配准是立体视觉、运动分析、数掘融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。国内外学者针对不同的图像配准应用问题进行了大量的研究工作，早在1992年英国剑桥大学的Lisa Gottesfeld Brown在文献[1]习中就总结了图像配准的主要理论及图像配准在各个领域的应用。当时他讨论的图像配准技术主要还是著眼于医学图像处理、遥感图像处理等传统应用领域。图像配准是图像镶嵌技术的核心问题。 微软研究院的Richard Szeliski在1996年SIGGRAPH上提出了基于运动模型的全景图拼接算法[7]。Szeliski采用了非线性优化的方法来最小化像素两幅图像的亮度差以确定变换参数。该方法使用了全部像素进行优化处理，所以配准精度较高，但是计算速度较慢，且稳健性不佳。 国内的赵向阳。杜立民在2004年提出了一种基于特征点匹配的图像自动拼接算法[2]，其中使用了Harris算法[3]提取角点并进行匹配。赵的算法采用了鲁棒变换估计技术，在一定程度上提高配准算法的稳健性，但是计算速度依然较慢，且无法配准重
基于特征的图像匹配算法-毕业论文含源代码
诚信声明 本人声明： 我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致中所罗列的容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了意。本人完全意识到本声明的法律结果由本人承担。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：日期：2010 年05 月20日
毕业设计（论文）任务书 设计（论文）题目： 学院：专业：班级： 学生指导教师（含职称）：专业负责人： 1．设计（论文）的主要任务及目标 (1) 了解图象匹配技术的发展和应用情况，尤其是基于特征的图象匹配技术的发展和应用。 (2) 学习并掌握图像匹配方法，按要求完成算法 2．设计（论文）的基本要求和容 （1）查阅相关中、英文文献，完成5000汉字的与设计容有关的英文资料的翻译。（2）查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国外图象匹配技术的发展和应用进行全面综述。 （3）学习图象匹配算法，尤其是基于特征的图象匹配算法。 （4）实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。 3．主要参考文献 [1]谭磊, 桦, 薛彦斌．一种基于特征点的图像匹配算法[J]．天津理工大学报，2006， 22(6)，66-69． [2]甘进，王晓丹，权文．基于特征点的快速匹配算法[J]．电光与控制，2009，16(2)， 65-66． [3]王军，明柱．图像匹配算法的研究进展[J]．大气与环境光学学报，2007，2(1)， 12-15．
4
基于视频序列的图像配准算法研究与应用
工学硕士学位论文 基于视频序列的图像配准算法研究与应用 王帅 哈尔滨工业大学 2007年7月
国内图书分类号：TP391.4 国际图书分类号：681.39 工学硕士学位论文 基于视频序列的图像配准算法研究与应用 硕士研究生：王帅 导师：承恒达 教授 申请学位：工学硕士 学科、专业：计算机科学与技术 所在单位：计算机科学与技术学院 答辩日期：2007年7月 授予学位单位：哈尔滨工业大学
Classified Index: TP391.4 U.D.C: 681.39 Dissertation for the Master Degree in Engineering RESEARCH AND APPLICATION OF IMAGE REGISTRATION BASED ON VIDEO SEQUENCE Candidate：Wang Shuai Supervisor：Prof. Cheng Hengda Academic Degree Applied for：Master of Engineering Specialty：Computer Science and Technology Affiliation：School of Computer Science and Technology Date of Defence：July, 2007 Degree-Conferring-Institution：Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文 摘要 随着数字技术的不断发展，视频图像的分析与处理越来越受到人们的关注。数字化图像序列可以通过摄像机等光学设备获得，是真实世界在不同时间向成像平面的一系列投影。图像帧之间具有较大的相关性和信息冗余，找到并描述图像序列间的内在联系成为研究的关键所在。图像配准技术可以有效地解决这类问题。 图像配准问题是图像处理里的一个基本问题，是将不同时间、不同传感器、不同视角及不同拍摄条件下获取的图像对齐或匹配，消除存在的几何畸变。图像配准在计算机视觉、模式识别、医学图像处理和遥感信息处理方面有着广泛的应用。 本文提出了基于自适应聚类的特征匹配方法，满足大量图像配准的需求，提高匹配的速度，该方法基于正确匹配点对间形成矢量的一致性，对匹配点对进行自适应聚类，实验证明该方法在保证正确匹配不丢失的同时，可有效剔除绝大多数错误匹配，为进一步进行RANSAC匹配提供方便，且有效地提高了整个匹配过程的速度。 本文提出一种简单有效的图像合成方法。该方法针对摄像机固定位置，水平旋转拍摄的视频序列的特点，选取图像序列中部分帧，通过H矩阵确定重叠区域，再利用线性插值进行图像融合。实验证明在转角小于180 时，合成效果较好。 本文成功运用图像配准技术完成运动员滑行数据的测量，利用图像配准技术估计图像间摄像机运动，进而消除摄像机运动的影响，得到运动员的真实运动数据。根据这一原理，首先对冰场进行合理化建模，并确定相应的视频拍摄方案，设计了运动员冰场定位算法，利用帧间的H矩阵估计摄像机旋转角度，进而估计运动员的旋转角度完成滑行数据的测量。 关键词图像配准；特征点匹配；自适应聚类 - -I
基于特征点的最近邻配准算法
第27卷 第2期 许昌学院学报Vol .27.No .2 2008年3月JOURNAL OF XUCHANG UN I V ERSI TY Mar .2008收稿日期:2007-09-29 基金项目:许昌学院青年资金项目(2007040) 作者简介:戚世贵(1973—),男,河南新乡人,讲师,硕士,研究方向:图像处理,虚拟现实. 文章编号:1671-9824(2008)02-0067-05 基于特征点的最近邻配准算法 戚世贵1,戚素娟2 (1.许昌学院计算机科学与技术学院,河南许昌461000;2.中国科学院国家授时中心,陕西临潼710600) 摘 要:利用尺度不变特征点的提取方法提取特征点,并对SI FT 方法提取出的特征点用最近邻算法进行配准,在搜索最近邻特征点和次近邻特征点时使用了在K -D 树搜索算法基础上进行改进的搜索算法BBF (Best B in First )算法.实验证明该算法具有配准精度高,鲁棒性好的特点. 关键词:特征点;图像配准;K -D 树;BBF 中图分类号:TP391 文献标识码:A 0 引言 图像拼接有着广泛的应用前景,如将多幅图像拼接成一幅图像,就要用到图像拼接技术.图像拼接中 最核心技术是图像配准.图像配准技术当前主要有基于块的配准[1,2]、比值配准法[3]、网格配准法[4]、基于 特征的配准法[5,6],每种方法各有优缺点,存在的主要问题是依据何种原则对两幅图像进行精确快速的 配准. 本文采用基于特征的配准算法对SI FT 方法提取出的特征点用最近邻算法进行配准.主要是在尺度不 变特征点(Scale I nvariance Feature Transf or m -SI FT )[7,8]的提取方法提取特征点的基础上,利用特征点的 相关几何信息实现两幅图像的配准.使得在高维空间搜索效率有较大提升.基于特征的配准法一般分为三个过程:①特征提取;②利用一组参数对特征作描述;③利用特征的参数进行特征匹配.在两幅图像中用同一种特征提取法提取出特征点,根据相似性原则对两幅图像中的特征点进行匹配. 1 SI FT 特征点提取 尺度不变特征点(Scale I nvariance Feature Transf or m 2SI FT )是由David Lowe 提出的.利用SI FT 方法从图像中提取出的特征点对图像缩放和旋转保持不变,对光线、噪声、仿射变化具有鲁棒性,特征点描述符具 有很高的独特性.研究表明[9]SI FT 方法相对其他特征点提取方法如Harris 特征点、K LT 特征点等具有优 越性.SI FT 提取过程可以分为4个步骤. 1.1 求取缩放空间中的极值点作为侯选特征点 首先对图像进行必要的预处理,接着对图像用不同的采样距离形成一个金字塔分层结构,即第一次采样时每0.5个像素进行采样,意味着将原来图像放大一倍,第一次采样的图像作为第一组的图像,然后以成倍的采样距离即1、2、4个像素再分别对图像进行采样产生第二、三、四组的图像.这样就形成了一个金字塔形状的分层结构.高斯函数如下: G (x,y,σ)=12 πσ2e -(x 2+y 2)/2σ2(1)对形成的金字塔分层结构用高斯内核函数进行滤波形成高斯金字塔分层结构,对各层图像进行高斯
关于图像匹配的综述
关于图像匹配的综述 1.图像匹配的背景及定义 1.1图像匹配的背景及意义 图像匹配技术广泛的应用于日常生活中的诸多领域，如医疗诊断中各种医学图片的分析与识别、遥感图片识别、天气预报中的卫星云图识别、指纹识别、人脸识别等。图像匹配技术主要指通过计算机，采用数学技术方法，对获取的图像按照特定目的进行相应的处理。图像匹配技术是人工智能的一个重要分支和应用，随着计算机技术及人工智能技术的发展，图像识别技术逐渐成为人工智能的基础技术之一。它涉及的技术领域相当的广泛，也越来越深入，其基本分析方法也随着数学工具的不断进步而不断发展。现在，图像识别技术的应用范围己经不仅仅局限于视觉的范围，也体现在机器智能和数字技术等方面。 1.2图像匹配的定义 所谓图像匹配是指在一幅(或一批)图像中寻找与给定目标图像相似的图像或者图像区域(子图像)的过程。通常将已知目标图像称为模板图像，而将待搜索图像中可能与它对应的子图称作该模板的待匹配的目标图像。图像匹配是在来自不同时间或者不同视角的同一场景的两幅或多幅图像之间寻找对应关系，该技术隶属于计算机视觉哺领域。图像匹配的具 体应用包括目标或场景识别、在多幅图像中求解3D结构、立体对应和运动跟踪等。由于拍摄时间、拍摄角度、自然环境的变化，多种传感器的使用、传感器本身的缺陷及噪声等影响，拍摄的图像会存在灰度失真和几何畸变。同时，图像预处理过程会引入的误差，这都是导致模板图像与待匹配的目标图像之间通常存在着一定程度上的差异。在这种情况下，如何使匹配算法精度高、正确匹配率高、速度快和抗干扰性强成为人们关心的问题。 2.图像匹配算法的分类 图像匹配算法的选取对图像匹配结果的影响很大。实用的匹配算法不仅要求计算量小，还必须具有良好的抗噪能力和抗几何形变的能力。通常情况下，图像匹配算法可以分为以下两大类：基于灰度相关的匹配算法、基于特征的图像匹配算法。 1) 基于灰度分布的相关匹配算法，也称为基于区域的匹配方法。常见的基于图像灰度的匹配方法有：（1）归一化灰度相关匹配、（2）最小二乘影像匹配、和（3）序贯相似性检测法匹配等。该类算法直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。在灰度及几何畸变