图像配准算法大总结

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。
————————————————
版权声明：本文为CSDN博主「鬼 | 刀」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/gaoyu1253401563/article/details/80631601