图像配准算法大总结_图像配准的方法

作者：你好赵伟 | 2024-03-15 04:50:49

踩

图像配准的方法

 
 博客总结: 
 点击打开链接 

 
 一、图像配准定义 

 
  图像配准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。 该技术在 
 计算机视觉 
 、 
 医学图像处理 
 以及 
 材料力学 
 等领域都具有广泛的应用。根据具体应用的不同，有的侧重于通过变换结果 
 融合两幅图像 
 ，有的侧重于研究变换本身以 
 获得对象的一些力学属性 
 。20世纪以来医学成像技术经历了从静态到动态，从形态到功能，从平面到立体的飞速发展。将各种图像结合起来，在同一图像上显示各自的信息，为临床医学诊断提供多数据多信息的图像，这成为极具应用价值的技术，而准确高效的图像配准则又是关键和难点。 

 
 二、图像配准方法分类 

 
  图像配准的方法大致分为三类： 

一类是基于灰度和模板的，这类方法直接采用相关运算等方式计算相关值来寻求最佳匹配位置，模板匹配（Blocking Matching）是根据已知模板图像到另一幅图像中寻找与模板图像相似的子图像。基于灰度的匹配算法也称作相关匹配算法，用空间二维滑动模板进行匹配，不同匹配算法主要体现在相关准则的选择方面。

 
   
 常用的算法： 

平均绝对差算法（MAD）
绝对误差和算法（SAD）
误差平方和算法（SSD）
平均误差平方和算法（MSD）
归一化积相关算法（NCC）
序贯相似性检测算法（SSDA）
hadamard变换算法（SATD）
局部灰度值编码算法
PIU （点击打开链接）

 
 参考博客： 
 https://blog.csdn.net/hujingshuang/article/details/47759579 

第二类是基于特征的匹配方法，首先提取图像的特征，再生成特征描述子，最后根据描述子的相似程度对两幅图像的特征之间进行匹配。图像的特征主要可以分为点、线（边缘）、区域（面）等特征，也可以分为局部特征和全局特征。区域（面）特征提取比较麻烦，耗时，因此主要用点特征和边缘特征。

 
   
  点特征包括： 

Harris (点击打开链接)
Moravec
KLT
Harr-like （点击打开链接）
HOG (点击打开链接)
LBP (点击打开链接)
SIFT （点击打开链接）
SURF (源码：点击打开链接)
BRIEF
SUSAN
FAST （点击打开链接）
CENSUS
FREAK（点击打开链接）
BRISK（点击打开链接）
ORB (点击打开链接)
光流法（点击打开链接）
A-KAZE等

 
   
  边缘特征包括： 

LoG算子
Robert算子
Sobel算子
Prewitt算子
Canny算子等

  参考博客： 
 https://blog.csdn.net/hujingshuang/article/list/6 

第三类是基于域变换的方法

采用相位相关（傅里叶-梅林变换）(点击打开链接) (代码：点击打开链接)
沃尔什变换
小波等方法

 
 在新的域下进行配准。 

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/你好赵伟/article/detail/239028