图像配准综述
一、图像配准简介
图像配准用于将不同时间、不同视场、不同成像模式获取的同一目标或场景的两幅或多幅图像进行空
间几何变换,以使代表相同解剖结果的像素或体素在几何上能够匹配对应起来[1]。
配准处理就是要在两幅图像之间寻找一个空间(2D 或 3D)变换函数,经过该空间变换后,两幅图像
之间的相似度达到最大(或差异性达到最小)。设两幅待配准图像分别为 X 和 Y,空间变换函数为 T,则
它们之间的相似度为:
式中,S(
)为相似度量化系数,图像配准的过程就是寻找合适的 T,使 S 最大。
变形函数的参数由空间变换模型确定,寻找最大值的过程就是参数寻优的过程,如何选择合适的优化
算法,提高寻优速度,需要结合实际情况和算法特点而定。
图像配准流程:
(1)选择基于灰度或特征的配准方法;
(2)选择合适的变形函数;
(3)根据图像相似度建立目标函数;
(4)通过优化目标函数得到变形参数;
(5)使用得到的变形函数得到配准图像。
二、选择匹配信息
图像配准算法的研究是多年来图像处理研究的重点,由于带配准图像的多样性,图像配准算法也多种
多样。目前实现图像配准的方法主要分为两类,一类是基于变换域的图像配准方法,其中主要是基于傅里
叶变换的方法,小波变换法子提出以来一度成为图像研究领域的热点,在图像配准中也有所应用;一类是
基于空间域的配准方法,而基于空间域的配准算法又可以分为基于灰度信息和特征空间两种方法。
2.1 空间域配准法
2.1.1 基于灰度信息的配准方法
基于灰度信息方法是最早发展起来的图像配准算法,利用图像本身的灰度统计信息来度量图像的相似
程度,采用一定的那个的搜索算法令相似度达到最大,以达到配准图像的目的,一般不需要进行复杂的预
处理。基于灰度的图像配准方法实现简单,但存在着如下缺点:
(1) 对图像的灰度变化比较敏感,尤其是非线性的光照变化,将大大降低算法的性能;
(2) 在优化目标函数的过程中往往需要巨大的运算量;
(3)对目标的旋转,形变以及遮挡比较敏感。
1982 年,Rosenfeld 等人提出了互相关(cross-correlation 或者称为交叉相关)的概念,互相关给出了衣
服图像和一个模板的相似程度,是一种最基本的基于灰度统计的图像配准方法,常用于模板匹配。对于一
幅图像 相较于推向较小尺寸的模板 T,归一化二维相关系数表示了模板在图像上每一个位移位置
的相似程度。