圖像識別匹配技術(shù)原理要點-wenkub.com
2025-08-02 04:29 本頁面
【正文】 縮放的情況下也能實現(xiàn)圖像的配準。 Lena塊匹配效果圖 構(gòu)造平移、旋轉(zhuǎn)、縮放圖像利用Lena彩色圖像的灰度處理，將生成的灰度圖像做小的旋轉(zhuǎn)，縮放，在Matlab上實現(xiàn)圖像的微小變化，運行結(jié)果如下： 選用Lena原圖 Lena灰度處理后 （20 20）的Lena圖像 176。這兩種算法都存在自身的不足，那就是不能實現(xiàn)圖像在旋轉(zhuǎn)、縮放情況下的配準。以值為依據(jù)，找出最大值所對應(yīng)的點作為基準點，然后以此點為中心點選擇大小適中的塊就可以找到基準特征塊[14]。其中常用的是均方誤差(MSE)和平均絕對誤差(MAD)，如方程(1)和(2)。灰度信息包含了最大量的圖像信息，而邊緣信息則反映了圖像內(nèi)在的性質(zhì)，它不易受外界光照條件的影響而產(chǎn)生劇烈的變化。同時，在確定特征線間距時，選的過大，則不能充分利用重疊區(qū)域的圖像信息。由于照片中存在大塊紋理相同的部分，所以與模版的差別就不大，這樣有很多匹配點，很容易造成誤匹配。此算法對照片先進行垂直方向上的比較，然后再進行水平方向上的比較，這樣可以解決上下較小的錯開問題。(2) 比值匹配法的缺點:。 Lena灰度比值匹配圖（亮度差異20%）+5%時的配準效果圖。比值匹配和線匹配相比不同之處是通過不同亮度的調(diào)節(jié)可檢測到配準參數(shù)，由此可以看出它們的區(qū)別。再將每個數(shù)組的組內(nèi)最佳匹配進行比較，即進行水平方向的比較，得到的最小值就認為是全局最佳匹配。(2) 從搜索圖中在同樣相隔個像素的距離上的兩列，各取出個像素，計算其比值，將個比值存入數(shù)組。 ()計算a模板與b模板差值，即為c模板，函數(shù)表達式為： （）式中。圖1和圖1為左右重疊關(guān)系，圖1在圖1的左邊。匹配的過程是在搜索圖中，由左至右依次從間距相同的兩列上取出部分像素，并逐一計算其對應(yīng)像素值比值。 Lena線匹配效果圖由實驗可知，線模板匹配是在參考圖像中選定一行上取出部分像素的灰度值，在搜索圖中搜索最佳匹配。 Lena 參考圖像 Lena 待配準圖像288的兩幅圖像。求只需對方程()乘以的逆矩陣即可。通過最小化誤差函數(shù)可以求出變換參數(shù)，它決定各像素的偏移量為建立迭代求解模型，引入增量，代入式()得到，新的模型如下： () ()為求解增量，上述函數(shù)需要對求偏導(dǎo)?；谶@一思想，為解決圖像整體匹配問題，本文針對圖像的平移、旋轉(zhuǎn)、尺度變換等整體匹配，提出一種帶6個參數(shù)的坐標線性變換圖像匹配新模型，該模型將匹配誤差定義為圖像整體誤差，通過最小化誤差函數(shù)確定參數(shù)迭代增量，由迭代法求得最佳線性變換參數(shù)。上式中上標表示轉(zhuǎn)置運算。為減少計算量與提高收斂速度提出了三種改進策略：增加權(quán)函數(shù)、圖像網(wǎng)格點采樣和增加加速運動量。比值匹配法是從一幅圖像的重疊區(qū)域中部分相鄰的兩列上取出部分像素，然后以它們的比值作為模板，在另一幅圖像中搜索最佳匹配，這種算法計算量較小，但精度低；塊匹配法是以一幅圖像重疊區(qū)域中的一塊作為模板，在另一幅圖像中搜索與此模板最相似的匹配塊，這種算法精度較高，但計算量過大。比如將交互信息和梯度結(jié)合起來改善其極值性能的算法、多分辨率圖像金字塔法等等。交互信息用來比較兩幅圖像的統(tǒng)計依賴性。所以對于大部分非匹配點來說，只需計算模板中的前幾個像素點，而只有匹配點附近的點才需要計算整個模板。序貫相似度檢測匹配法(Sequential Similarity Detection Algorithms，)是由Barnea等人提出來的。主要特點是實現(xiàn)簡單，但應(yīng)用范圍較窄，不能直接用于校正圖像的非線性形變，在最優(yōu)變換的搜索過程中往往需要巨大的運算量。低頻子圖像給出了原圖像的概貌，高頻子圖像給出了原圖像的細貌。設(shè)它們的邊緣概率分布分別為、聯(lián)合概率分布，則它們的互信息為：, ()當兩幅圖像的空間位置達到一致時，其中一幅圖像表達另一幅圖像的信息，即其互信息應(yīng)為最大。該方法采用整幅圖像的所有像素共同組成特征空間，再根據(jù)特征空間確定一種空間變換，使一幅圖像經(jīng)過該變換后和另一幅圖像的互信息最大，最終實現(xiàn)配準。最大互信息法幾乎可以用在任何不同模式圖像的配準，特別是當其中一個圖像的數(shù)據(jù)部分缺損時也能得到很好的配準效果。由于要對每種變換參數(shù)可能的取值都要計算一次相似性測度，互相關(guān)法的計算量比較龐大，因此近年來發(fā)展了快速搜索算法，例如，用相位相關(guān)傅立葉法估算平移和旋轉(zhuǎn)參數(shù)；用遺傳算法和模擬退火技術(shù)減少搜索時間和克服局部極值問題。在互相關(guān)法中互相關(guān)值的大小反映了配準的效果。基于灰度信息的圖像配準方法一般不需要對圖像進行復(fù)雜的預(yù)先處理，而是利用圖像本身具有灰度的一些統(tǒng)計信息來度量圖像的相似程度。多分辨率(如金字塔)和多尺度方法可以加速最優(yōu)化的收斂速度。搜索計算的最優(yōu)化方法大多都可以用待優(yōu)化的變換參數(shù)的一個標準數(shù)學(xué)函數(shù)來表達配準實例，此函數(shù)力圖使圖像在某一變換時兩幅圖像可達到最大相似。 配準的交互性與優(yōu)化根據(jù)人的參與程序配準又可分為全自動式，交互式和半自動式三種。這種映射變換有剛體變換、仿射變換、投影變換以及曲線變換等。 圖像配準的相關(guān)概念 配準基準通常，圖像配準中根據(jù)配準基準的特性，可分為基于外部基準的配準和基于內(nèi)部基準的配準[5]，外部基準是指強加于待配準對象的各種人造標記，這些標記必須在各種配準模式中都清晰可見且可準確檢測到。圖像配準廣泛用于多模態(tài)圖像分析，是醫(yī)學(xué)圖像處理的一個重要分支，也是遙感圖像處理，目標識別，圖像重建，機器人視覺等領(lǐng)域中的關(guān)鍵技術(shù)之一，也是圖像融合中要預(yù)處理的問題，待融合圖像之間往往存在偏移、旋轉(zhuǎn)、比例等空間變換關(guān)系，圖像配準就是將這些圖像變換到同一坐標系下，以供融合使用。這里提出了一種方法，多尺度模塊匹配法。針對多光譜遙感圖像，提出了一種基于局部灰度極值的配準方法：通過在基準圖像和待配準圖像中同步尋找含有灰度極值的小區(qū)域，再用多項式對極
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1