图像配准.
图像配准
图像配准介绍----图像配准的应用领域
• 计算机视觉
--视频监控----对跟踪的目标区域进行配准
--人脸识别
图像配准介绍----图像配准的应用领域
• 医学 --不同模态的（CT,MRT）----配准后进行融合可以得到 更多的信息 --单模态-----同一病人不同时间，不同病人之间的
图像配准介绍----图像配准的应用领域
刚体变换是平移、旋转与缩放的组合，适用于具有相同视角，但 拍摄位臵不同的来自同一传感器的两幅图像的配准。刚体变换模 ( x2 , y2 ) 分别为参考图像和待配准图像中对应的 型下，若点 ( x1 , y1 ) ， 两点，则它们之间满足以下关系：
x2 cos y sin 2
图像配准技术
郑雪梅
内容概要
1.图像配准介绍
2.图像配准的分类
3.图像配准的一般步骤 4.图像配准的主要方法 5.部分配准算法的实验结果 6.图像配准的评价
图像配准介绍----图像配准的定义
• 什么是图像配准？ 图像配准可以视为源图像和目标图像关于空间和灰度的映射关系：
I 2 ( x, y) g ( I1 ( f ( x, y)))
等作为两幅图像配准的参考信息。
图像配准的分类
• 按图像配准的应用领域分类 --军事，医学，遥感，计算机视觉 按配准图像的来源分类 --不同视点的图像配准（多视点分析）：目的在于获取更大范围的 二维视角或重构被摄场景的三维信息。应用实例：遥感—被摄区域 图像镶嵌、计算机视觉—形状恢复； --不同时间的图像配准（多时段分析）：目的在于寻找并度量两幅 不同时间内拍摄的图像中场景的变化。应用实例：遥感—区域规划、 计算机视觉——运动跟踪、医学成像—肿瘤病变检测、白天和黑夜 的场景以及夏天和冬天的图像特征研究；
医学影像处理中图像配准的使用教程
医学影像处理中图像配准的使用教程医学影像处理是指利用计算机科学和技术对医学图像进行处理和分析的过程。
图像配准是医学影像处理中一项非常重要的技术，它可以将不同时间、不同位置、不同模态的医学图像进行对齐，方便医生进行观察和分析。
本文将为您介绍医学影像处理中图像配准的使用教程。
一、图像配准的定义和作用图像配准是将不同图像的特征点进行对应，通过变换和调整，使得图像在空间上达到最佳的匹配，从而实现不同图像的对齐。
图像配准在医学影像处理中的作用主要有以下几个方面：1. 临床诊断：配准后的图像可以更好地显示病灶的位置、形状和大小，帮助医生更准确地进行病情评估和诊断。
2. 治疗规划：配准后的图像可以用于制定治疗计划，帮助医生精确确定手术切除范围、放疗区域等。
3. 病变监测：通过定期对配准后的图像进行对比，可以观察病变的生长和变化，评估治疗效果。
二、图像配准的基本原理图像配准主要包括特征提取、特征匹配、变换模型和优化算法等几个步骤。
下面我们将逐一介绍。
1. 特征提取：特征是指图像上具有一定代表性的点、线或区域，例如角点、边缘等。
特征提取是指从原始图像中抽取出具有代表性的特征点。
2. 特征匹配：特征匹配是将待配准图像的特征点与参考图像的特征点进行对应和匹配。
3. 变换模型：变换模型是指利用数学方法对待配准图像进行变换的模型，常用的变换模型有平移、旋转、缩放、仿射变换和非刚体变形等。
4. 优化算法：优化算法是为了找到最佳的变换参数，使得配准后的图像与参考图像在某种准则下最为接近。
常用的优化算法有最小二乘法、最大似然估计和梯度下降等。
三、图像配准的步骤和技术实现图像配准的具体步骤和技术根据不同的图像类型和配准要求可能会有所不同。
以下是一个常见的图像配准步骤和技术示例：1. 图像预处理：对待配准的图像进行预处理，包括去噪、增强和裁剪等操作，以提高后续步骤的配准效果。
2. 特征提取：从待配准图像和参考图像中提取特征点。
常用的特征点包括SIFT（尺度不变特征变换）和SURF（加速稳健特征）等。
图像配准
其中， 度。
和
表示边缘概率密度，
表示联合概率密
图像配准——一般流程
图像配准——实验
• PSO算法
• PSO算法图像配准（进行中）
• QPSO算法图像配准 • PSO和Powell算法结合 • …….
பைடு நூலகம்
粒子群优化算法（PSO）
假设在一个 D 维的目标搜索空间中，有 N 个粒子组成一个群落，其中第 i个粒子表示为一个 D维的向量
r
c
c
粒子群优化算法（PSO）&图像配准
粒子群优化算法（PSO）&图像配准
这图像是我想用配准得到图像再进行配 准，所以我加了一个循环语句
粒子群优化算法（PSO）&图像配准
图像配准——后期计划
搜索最新关于粒子群图像配准的文献
继续上述的粒子群图像配准实验
实现量子行为粒子群图像配准实验
谢谢！
图像配准——研究现状
——吴一全于2014年提出了一种利用双树复小波变换和SURF的图像配准算 法。首先利用双树复小波变换将参考图像和待配准图像分解为低频部分和高 频部分,选取其对应的低频部分作为SURF算法的输入图像,得到两者的粗匹配 结果;然后通过RANSAC算法对粗匹配点对进行提纯,剔除误匹配点对,解决了 SURF算法存在较多错误匹配点对的问题,同时计算出最佳匹配的变换模型参 数;最后根据该变换模型参数对待配准图像进行几何变换,经双线性插值确定 灰度,完成图像的配准。 ——李伟峰于2014年提出了一种改进的Hausdorff距离及相应的图像匹配算 法。首先采用基于SIFT的特征提取方法,提取多尺度图像间的尺度不变特征; 然后利用Hausdorff距离作为适应度函数,通过遗传算法寻求图像间的几何变 换参数;最后将待配准图像经过几何变换以及重采样与参考图像匹配,实现多 尺度遥感图像的配准。 ——潘婷婷于2014年提出一种量子行为的粒子群优化算法(QPSO)和Powell 法相结合的多分辨率搜索优化算法。该算法将量子行为的粒子群优化算法 (QPSO)与Powell法结合起来对二维的MRI图像进行配准。
如何进行高效的图像匹配和图像配准
如何进行高效的图像匹配和图像配准图像匹配和图像配准是计算机视觉领域中常见的任务，其目的是通过计算机算法将两幅或多幅图像进行比较，从而找出它们之间的相似性或者进行图像的对齐。
本文将介绍一些高效的图像匹配和图像配准的方法。
一、图像匹配图像匹配即是将一幅图像中的特征在另一幅图像中找到对应物体或者区域。
下面是一些常见的图像匹配方法：1.特征点匹配特征点匹配是最常见的图像匹配方法之一，它通过在图像中提取特征点，并计算特征点的描述子，然后使用某种度量来比较两幅图像的特征点，找出最相似的特征点对。
常用的特征点匹配算法包括SIFT、SURF和ORB等。
2.直方图匹配直方图匹配是一种基于图像全局颜色或纹理分布的匹配方法，它将图像的直方图进行比较，通过计算直方图之间的相似性度量来进行匹配。
直方图匹配适用于颜色和纹理信息较为明显的图像匹配任务。
3.模板匹配模板匹配是一种基于像素点灰度值的匹配方法，它通过将一个预定义的模板图像滑动或者扫描到待匹配图像上，计算模板和图像之间的相似性度量，从而找到最佳匹配位置。
模板匹配适用于物体检测和目标跟踪等应用场景。
4.特征描述子匹配特征描述子匹配是一种将图像中的局部特征点的描述子进行比较的匹配方法，它通过计算特征点描述子之间的相似性度量找到最佳匹配。
常用的特征描述子匹配算法包括基于二值描述子的BRISK和ORB，基于二进制描述子的BRIEF和FREAK，以及基于浮点数描述子的SIFT、SURF和AKAZE等。
二、图像配准图像配准是将两幅或多幅图像进行对齐，使得它们在空间上或者几何上具有一致性。
下面是一些常用的图像配准方法：1.特征点配准特征点配准是将两幅图像中的特征点进行对应的一种配准方法，它通过计算特征点的几何变换关系，然后将其中一幅图像进行变换，使得两幅图像的特征点对应一致。
常用的特征点配准方法包括RANSAC、LMS和Hough变换等。
2.像素级配准像素级配准是将两幅图像的像素进行一一对应的配准方法，它通过计算图像间的几何变换关系，然后将其中一幅图像进行变换，使得两幅图像在几何上对应一致。
图像配准(互信息)
1.配准的方法分类 1.配准的方法分类
1.1基于灰度信息的方法 1.1基于灰度信息的方法 1.2基于变换域的方法 1.2基于变换域的方法 1.3基于特征的方法 1.3基于特征的方法
基于灰度信息的配准
利用图像本身具有的灰度统计信息来度量图 像的相似度，采用一定的搜索算法使相似 度量最大的变换形式，达到配准图像的目 的。 互信息的概念 用于描述两个系统间的信息相关性，或者一 个系统所包含的另一个系统中信息的多少， 它可以用熵来表示。
i =1 j =1
I
J
( p ( a i , b j ) ) i = 1 , 2 ,. . I 是图像联合灰度概率分布
j = 1 , 2 ,. J
互信息配准
基于互信息的图像配准就是寻找一个空间变 换关系，使得经过该变换后两幅间的互信 息达到最大。 1.确定空间变换形式 1.确定空间变换形式 2.对变换后的非整数坐标上点进行灰度插值， 2.对变换后的非整数坐标上点进行灰度插值， 计算两幅图像间的互信息 3.通过优化算法，使互信息达到最大值 3.通过优化算法，使互信息达到最大值
互信息配准
试验测试
1.仿射变换和双线性插值，穷举搜索 1.仿射变换和双线性插值，穷举搜索 试验结试仿射变换、PV插值和powell搜索最佳 1.测试仿射变换、PV插值和powell搜索最佳 参数（重要之处PV插值优越于其它插值方 参数（重要之处PV插值优越于其它插值方 法） 2.互信息和变换域相结合的方法 2.互信息和变换域相结合的方法
H(AB) =−∑pAB(ab)logpAB(ab) , , ,
i= 1
n
互信息配准
互信息 I(A；B)=H(A)+H(B)I(A；B)=H(A)+H(B)-H(A,B) =H(A)=H(A)-H(A|B) =H(B)=H(B)-H(B|A) H(A|B)为系统B已知时系统A H(A|B)为系统B已知时系统A的条件熵
图像配准实验报告
图像配准实验报告图像配准实验报告引言：图像配准是计算机视觉领域的重要研究方向，它涉及将多个图像或视频序列对齐以实现对比分析。
图像配准技术在医学影像、遥感图像、计算机图形学等领域具有广泛的应用。
本实验旨在探究不同配准算法在图像配准任务中的效果和性能。
一、实验背景图像配准是指将不同图像或图像序列的特定特征点对齐，使它们在空间上保持一致。
图像配准可分为刚体变换、仿射变换和透视变换等不同类型，具体方法包括特征点匹配、直接法和基于优化的方法等。
本实验选取了常用的特征点匹配方法进行研究。
二、实验过程1. 数据准备从开源数据集中选取了一组包含平移、旋转和缩放等不同变换的图像。
这些图像包含了不同场景和角度，以模拟实际应用场景。
2. 特征提取与匹配采用SIFT（尺度不变特征变换）算法提取图像的特征点。
SIFT算法通过检测图像中的关键点，并计算每个关键点的特征描述子。
接着使用FLANN（快速最近邻搜索库）进行特征点匹配。
FLANN算法能够高效地在大规模数据集中进行最近邻搜索，提高了匹配的准确性和速度。
3. 图像配准基于特征点匹配结果，采用RANSAC（随机抽样一致性）算法估计图像之间的变换矩阵。
RANSAC算法通过随机选择特征点子集，估计出最佳的变换模型，排除了异常点的干扰。
4. 实验结果评估使用均方差（MSE）和结构相似度指数（SSIM）等指标对配准结果进行评估。
MSE用于衡量图像之间的差异，SSIM则考虑了亮度、对比度和结构等因素，更适合图像质量评估。
三、实验结果与讨论经过特征提取和匹配，我们得到了一系列图像配准的结果。
通过计算MSE和SSIM指标，我们对不同配准算法的性能进行了比较。
1. 刚体变换配准刚体变换是一种刚性的平移、旋转和缩放变换。
通过对特征点进行刚体变换配准，我们得到了较好的配准结果。
MSE和SSIM指标表明，刚体变换配准在保持图像结构和内容一致性方面表现出色。
2. 仿射变换配准仿射变换是一种保持直线和平行性质的变换。
计算机视觉技术中的图像配准算法介绍
计算机视觉技术中的图像配准算法介绍图像配准是计算机视觉的一个关键任务，其目标是将多张图像从不同的视角、尺度或形变下进行对齐，以便于后续的图像处理和分析。
图像配准技术广泛应用于医学影像、遥感影像、计算机辅助设计等多个领域。
本文将介绍几种常见的图像配准算法，包括特征点匹配、相位相关法和仿射变换法。
特征点匹配是图像配准中最常用的算法之一。
该算法的思想是在图像中提取一些鲁棒的特征点，并通过匹配这些特征点来确定两幅图像之间的变换关系。
常用的特征点包括角点、边缘点和尺度不变特征点（SIFT、SURF等）。
特征点匹配算法可以分为基于局部邻域的匹配和基于全局优化的匹配。
前者主要根据特征点附近的图像信息进行匹配，例如使用局部特征描述子来计算相似性。
后者则通过全局最优化方法，如RANSAC、Hough变换等，对所有特征点进行匹配和优化，以得到更准确的变换矩阵。
相位相关法是一种基于频域的图像配准方法。
该方法通过计算图像的互相关函数（cross-correlation）来确定两幅图像间的平移参数。
互相关函数测量了两幅图像在不同平移情况下的相似性，平移参数对应于最大互相关值出现的位置。
相位相关法适用于提供噪声较小、对齐相对简单的图像，例如纹理丰富的物体或具有明确边缘的物体。
此外，相位相关法还可以通过引入多尺度和金字塔技术来增强算法的鲁棒性，以适应不同尺度和旋转情况下的图像配准需求。
仿射变换法是一种常用的几何变换方法，它能够通过应用平移、旋转、缩放和切变等操作，将一幅图像映射到另一幅图像上。
在图像配准中，仿射变换法假设两幅图像具有相似的几何形状，且变换关系可以通过线性变换来表示。
一般来说，仿射变换法需要事先提取出一些图像上的特征点，并通过最小二乘法或一致性检测等方法来优化变换参数。
仿射变换法广泛应用于平面图像的配准，例如拼接全景图像、图像纠正和图像校正等场景。
除了上述介绍的算法，图像配准还有其他一些方法，如强度匹配法、基于统计的方法和形态学变换等。
ENVI对图像进行配准校正拼接裁剪
ENVI对图像进行配准校正拼接裁剪ENVI在图像处理领域被广泛应用，其中配准、校正、拼接和裁剪是常见且重要的操作。
本文将介绍ENVI在图像配准校正拼接裁剪方面的基本原理和操作步骤。
一、图像配准图像配准是将多幅图像对准到一个统一的坐标系统中，使它们具有相同的尺度、旋转和平移。
ENVI提供了多种图像配准方法，包括基于特征点匹配的自动配准和基于控制点辅助的手动配准。
1. 自动配准ENVI的自动配准功能利用图像中的特征点进行匹配，通过计算特征点的几何变换关系来实现配准。
使用该功能时，首先选择一个参考图像，然后选择其他需要配准的图像。
ENVI将自动检测并匹配这些图像中的特征点，并计算图像之间的几何变换关系，最终实现图像的配准。
2. 手动配准对于某些情况下自动配准效果不佳或需要更精确的配准结果的场景，ENVI提供了手动配准功能。
该功能需要用户手动在图像中添加控制点，根据已知的地理坐标信息进行匹配。
通过选择足够数量的控制点，并进行几何变换，可以实现更准确的图像配准结果。
二、图像校正图像校正是指通过去除图像中的变形、噪声、光照等因素，使得图像更加准确和清晰。
ENVI提供了多种图像校正方法，如大气校正、几何校正等。
1. 大气校正在遥感图像处理中，大气校正是一个重要的步骤。
ENVI提供了不同的大气校正模型，如基于大气遥感参数的MODTRAN模型、Atmospheric and Topographic Correction (ATCOR)模型等。
用户可以根据实际需求选择合适的大气校正方法对图像进行校正，以消除大气干扰，还原地物的真实信息。
2. 几何校正几何校正是指将图像中的地物从图像坐标转换为地理坐标，使得图像与实际地理位置相符。
ENVI提供了自动几何校正功能，可以使用地面控制点或地面矢量数据进行几何校正。
通过选择合适的校正方法和参考数据，可以将图像校正为具有地理坐标的图像。
三、图像拼接图像拼接是将多幅图像按照空间位置进行组合，生成一幅更大尺寸的图像。
图像配准
主要包括：a、互相关法：在目标图像S（i,j）上寻找与参考图像的临时窗口W(l，m)最相似的窗口Si,jM(l,m)，用互相关相似性测度：
b、最大互信息法：一个系统中包含另一个系统的信息的多少
熵H(A)=- ，a∈A
随机变量A、B的联合熵：H(A,B)= - ，a∈A，b∈B
两系统间的互信息I(A,B)=H(B)-H(B/A)
=
算法流程：
人机交互
二、理论基础
1、空间变换方式：
1)rigid变换：任意两点间距离变换前后保持不变
2)affine变换：变换前后平面中，任意两条直线的平行关系保持不变
3)projective变换：直线变换后仍为直线，但相互平行关系不保证
4)curved变换：直线很可能被映射成曲线
2、插值方法：
1）最近邻插值（NN）：把离插值点距离最近的点的灰度值赋给插值点。
f(n)=f(v),v=argmin(d(n,ni))
2）双线性插值（BI）：分别沿两个坐标方向取线性插值
f(n)=∑wif(ni)，wi为权重，与到n距离成反比
3）部分体积插值法（PV）:根据权重分配，将联合直方图上各像素对的频度值以小数增加
h(f(u),f(vi))=h(f(u),f(vi))+wi,wi为权重
一、概述
1) 配准步骤：
N
Y
2、本质：定义一个相似度测试，并寻找一个空间变换关系使得经过变换后的两幅图像的相似性达到最大。
校正范围：全局/局部
变换方式：线性：刚性rigid/仿射型affine/投射型projective
非线性：曲线型curved
耦合紧密
图像处理中图像配准算法的使用技巧
图像处理中图像配准算法的使用技巧图像配准是图像处理中常见的任务之一，它是指将两幅或多幅图像在空间上进行对齐的过程。
通过图像配准，我们可以使得不同来源、不同角度或者不同感光条件下获取的图像能够准确对齐，从而方便后续的图像分析与处理。
本文将介绍常见的图像配准算法以及它们的使用技巧。
一、基本概念与原理在开始介绍图像配准算法之前，我们首先来了解一些基本概念与原理。
1. 图像配准的目标图像配准的目标是通过对两幅或多幅图像进行变换，使得它们在某种准则下达到最佳的对齐效果。
常见的配准准则包括最小化均方误差、最大化互信息等。
2. 变换模型图像配准的核心是通过对图像进行一定的变换，将它们对齐。
常用的变换模型包括平移、旋转、缩放、仿射变换等。
不同的变换模型适用于不同的应用场景。
3. 配准误差评估在进行图像配准后，我们需要对配准结果进行评估。
常见的评估指标包括均方差、互信息、相对误差等。
二、常见的图像配准算法1. 特征点匹配法特征点匹配法是一种常用的图像配准算法。
它通过在图像中提取特征点，然后在两幅或多幅图像中寻找对应的特征点，最后利用对应的特征点计算出图像之间的变换关系。
常见的特征点匹配算法包括SIFT、SURF、ORB等。
使用技巧：- 在选择特征点时，应选择具有鲁棒性和独特性的点，避免选择到噪声点或者重复点。
- 对于大场景或者复杂场景，可以先对图像进行分区域处理，以降低计算量并提高匹配的准确性。
- 在进行特征点匹配时，可以使用RANSAC算法去除误匹配的点，提高匹配结果的准确性。
2. 相关性匹配法相关性匹配法是一种基于图像之间的互相关性进行配准的算法。
它通过计算图像之间的互相关系数，来寻找最佳的配准变换关系。
这种方法相对于特征点匹配法更加直接，适用于一些相对简单的图像。
使用技巧：- 在计算互相关系数时，可以使用加速技术，如傅里叶变换、局部相干性算法等，提高计算效率。
- 在进行配准时，可以先进行图像的预处理，如亮度调整、去噪等操作，提高配准效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
20 2019-8-20
中南大学生物医学工程研究所 图像配准
Moravec算子
k 1
V1
(g ri,c
g )2 r i1,c
ik
k 1
V 2
(g ri,ci
g )2 r i1,ci1
ik
V 3
k 1
( g r ,ci
g )2 r ,ci1
取候选点中的极值点作为特征点。在一定大小的窗口内, 将候选点中兴趣值不是最大者均去掉，仅留下一个兴趣 值最大者，该像素即为一个特征点。
如果两个特征点之间的距离过短，则去掉其中一个。否 则，在影像校正时，三角形边长过短将使解算出来的仿 射变换参数出现错误。
22 2019-8-20
中南大学生物医学工程研究所 图像配准
15 2019-8-20
中南大学生物医学工程研究所 图像配准
半自动匹配
1. 用户先把主辅图像进行预处理，先进行重采样、旋转、 去除噪声等，使两幅影像的分辨率、角度等基本一致后， 再进行配准。
2. 用户先指定三个控制点，程序根据三个控制点算出主辅 图像旋转、平移和尺度差异，再用金字塔模板匹配方法进 行配准。
3. 具有积分特性(在一个模板内计算SUSAN 面积),这样 就使得SUSAN 算法在抗噪和计算速度方面有较大的改 进。
23 2019-8-20
中南大学生物医学工程研究所 图像配准
SUSAN 算法
用一个一定半径的圆模板放置在图像上（如图）。如果模 板上存在一区域，使该区域上对应图像的每一像素处的灰 度值与圆心的灰度值相同（或相近），那么就定义该区域 为核值相似区，即USAN，其中像素的个数定义为这个模 板的面积。
再对第二层用同样方法进行一次采 样率为1/n的重采样，又得到第三 层（顶层）。
原始影像作为金字塔影像的底层。
8 2019-8-20
中南大学生物医学工程研究所 图像配准
金字塔影像匹配的步骤
第一步：顶层的匹配，得到一个平移初始值 。 第二步：根据平移初始值乘以n得到第二层平移量初始值，
13 2019-8-20
中南大学生物医学工程研究所 图像配准
校正步骤
几何精校正一般可分为以下四个步骤： 1.建立原始图像与校正后图像的坐标系。 2.确定控制点对。 3.选择畸变数学模型，比如一次、二次、三次多项式。 4.几何校正的精度分析。
14 2019-8-20
中南大学生物医学工程研究所 图像配准
比值为常数时取极大值为1。但实际上两幅不同图像的P值
介于0和1之间，很难达到理想值。根据经验取某个阈值P0， 如果P> P0，则匹配成功； P< P0，则匹配失败。
7 2019-8-20
中南大学生物医学工程研究所 图像配准
ห้องสมุดไป่ตู้
金字塔模板匹配
为了加快搜索速度，很多影像匹配 方法使用金字塔影像。
对影像进行一次采样率为1/n(n=2,3) 的重采样，即把影像的每n×n个像 素变为一个像素，这样就得到一对 长、宽都为原来1/n的影像，把它 作为金字塔的第二层。
5 2019-8-20
中南大学生物医学工程研究所 图像配准
模板匹配
模板匹配法是在一幅影像中选取一个的影像窗口作模板， 大小通常为5×5或7×7，然后通过相关函数的计算来找到它 在搜索图中的坐标位置。设模板T放在搜索图S上平移，模 板覆盖下的那块搜索图叫做子图Si,j，子图的中心点在S图 中的坐标(i,j)，叫参考点。
1 20 02
2 (20 02 )2 4121
3 (30 312 )2 (321 03)2 4 (30 12 )2 (21 03 )2
5 (30 312 )(30 12 )[( 30 12 )2 3(21 03)2 ] (321 03)(21 03) [3(30 12 )2 (21 03)2 ]
中南大学生物医学工程研究所 图像配准
直方图匹配
31 2019-8-20
中南大学生物医学工程研究所 图像配准
Hu不变矩
1962年Hute提出Hu不变矩，它对于匹配影像之间的平移、 旋转和大小尺度变化具有自适应性 ，但它只适用于相似 变换，不适于仿射变换。Hu最初用以下7个不变矩公式来 描述目标特征:
中南大学生物医学工程研究所 图像配准
用遥感软件进行几何校正
遥感软件的几何校正功能是利用地面控制点 (Ground Control Point,GCP)进行的几何校正，它通 常用多项式来近似描述遥感图像的几何畸变过程，并利 用控制点求得这个几何畸变模型，然后利用此模型进行 几何校正，这种校正不考虑畸变的具体原因，而只考虑 如何利用畸变模型来校正图像。
19 2019-8-20
中南大学生物医学工程研究所 图像配准
Moravec算子
Moravec算子是利用灰度方差提取特征点的算子，它在四 个主要方向上，选择具有最大-最小灰度方差的点作为特 征点。其步骤为：
1 计算各像元的兴趣值（Interest Value）。在以像素为中 心w×w的影像窗口中（如5×5的窗口），计算图中所示四 个方向相邻像素灰度差的平方和：
4 2019-8-20
中南大学生物医学工程研究所 图像配准
配准方法分类
按照配准算法所利用的图像信息，可以分为基于区域的方 法和基于特征的方法 。基于区域的匹配主要是模板匹配和 基于相位（频率）的匹配方法；基于特征的匹配包括基于 特征点集的匹配和基于线特征（图像中边缘信息）的匹配 算法。
按自动化程度可以分为人工、半自动和全自动三种类型 。
通过特征建立两幅图像之间的多项式变换关系，达到以点 代面的效果。
对于非特征像素点，利用上述多项式变换关系来进行几何 校正，从而实现两幅图像之间逐像素的配准。
11 2019-8-20
中南大学生物医学工程研究所 图像配准
人工匹配步骤
1. 人工选取控制点 2. 多项式匹配
12 2019-8-20
2 2019-8-20
中南大学生物医学工程研究所 图像配准
图像配准
参考图像（主图像） 待配准图像（辅图像）
配准图像
3 2019-8-20
中南大学生物医学工程研究所 图像配准
用词说明
各种图像配准的文献都会出现“配准、匹配、几何校正” 三个词，它们的含义比较相似。
一般两幅图像之间用“配准（register, registration）”； 寻找同名特征(点) 的过程叫“匹配（match, matching）”; 根据主辅图像之间的几何变换关系，对辅图像进行逐像素 处理变为配准图像的过程叫做“几何校正（geometric correction）”。
28 2019-8-20
中南大学生物医学工程研究所 图像配准
局部不规律，整体具有一定规律性的特性。 基本单元的重复性 粗糙性 方向性
29 2019-8-20
中南大学生物医学工程研究所 图像配准
提取纹理特征的方法
灰度共生矩阵。 基于小波的Gabor算子。
30 2019-8-20
在它m×m个像元的邻域内进行模板匹配。 第三步：根据第二层匹配值乘以n得到第三层平移量初始值，
再进行一次模板匹配。 如果影像尺寸不是特别大，可以只用两层金字塔。
9 2019-8-20
中南大学生物医学工程研究所 图像配准
基于特征的配准算法
基于特征的算法(feature-based matching)先提取图像 显著特征，再进行特征匹配，大大压缩了图像信息的数据 量，同时保持了图像的位移、旋转、比例方面的特征，故 在配准时计算量小，速度较快、鲁棒性好。当两幅图像之 间的线性位置关系不明确时，应使用基于特征的匹配。
图像配准
中南大学生物医学工程研究所
图像配准的用途意义
图像配准（或图像匹配）是评价两幅或多幅图像的相似性 以确定同名点的过程。图像配准算法就是设法建立两幅图 像之间的对应关系,确定相应几何变换参数,对两幅图像中的 一幅进行几何变换的方法。
图像配准是图像分析和处理的基本问题。它在航空影像自 动制图、图像三维重构、计算机视觉、遥感融合、模式识 别、医学图像处理、影像分析等领域都有重要应用。
角点提取-SUSAN算子
SUSAN 算法是由英国牛津大学的S. M. Smith , J . M. Brady 首先提出的,它主要是用来计算图像中的角点特征的。 SUSAN 算法的特点:
1. 对角点的检测比对边缘检测的效果要好,适用于基于 角点匹配的图像配准;
2. 无需梯度运算,保证了算法的效率;
6 2019-8-20
中南大学生物医学工程研究所 图像配准
相似性测度
用以下测度来衡量T和Si,j的相似程度：
MM
S i, j (m, n) T (m, n)
P
m1 n1
MM
MM
[S i, j (m, n)]2
[T (m, n)]2
m1 n1
m1 n1
根据施瓦兹不等式，0 P 1 ，并且在 S i, j (m, n) T (m, n)
V4
k 1
(g ri,ci
g )2 r i1,ci1
ik
ik
其中k INT (w / 2)
取其中最小者作为该像素的兴趣值： V= min{V1，V2，V3，V4}
21 2019-8-20
中南大学生物医学工程研究所 图像配准
给定一经验阈值，将兴趣值大于该阈值的点（即窗口的 中心点）作为候选点。阈值的选择应以候选点中包括所 需要的主要特征点而又不含过多的非特征点为原则。
一般来说特征匹配算法可分为四步:
1.特征提取;
2.特征描述;