CN107492118A - 一种基于目标图像补偿的两步图像配准方法 - Google Patents
一种基于目标图像补偿的两步图像配准方法 Download PDFInfo
- Publication number
- CN107492118A CN107492118A CN201710537819.5A CN201710537819A CN107492118A CN 107492118 A CN107492118 A CN 107492118A CN 201710537819 A CN201710537819 A CN 201710537819A CN 107492118 A CN107492118 A CN 107492118A
- Authority
- CN
- China
- Prior art keywords
- target image
- registering
- translation
- compensation
- reference picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于目标图像补偿的两步图像配准方法。本发明假设旋转‑尺度‑平移(RST)变换模型,针对目标图像和参考图像之间存在大位移情形的图像配准问题,采用由粗到精的两步法策略,第一步首先使用对大位移不敏感的配准方法完成粗略估计,然后根据粗略估计值对目标图像进行位移逆补偿,之后第二步使用精度较高的配准方法完成高精度估计,最后使用位移补偿后残余变换模型得到的合成公式对前两步估计的结果完成结果合成,得到大位移情形下的高精度亚像素估计结果。
Description
技术领域
本发明涉及一种图像配准(image registration)方法。
背景技术
图像配准是把两幅或多幅对同一目标的不同图像对齐到同一个坐标系的过程,其中不同的图像可能从不同时间、不同角度或不同相机拍摄得到。图像配准是许多图像处理及应用的基础,比如,超分辨率图像重建(super-resolution image reconstruction)、图像拼接(image mosaicing)及图像融合(image fusion)。在众多性能指标中,配准精度是最为重要的,它将直接影响后续处理的效果及性能,一般来说,亚像素(sub-pixel)精度是许多应用的基本要求。一般可以把图像配准方法分为两大类:基于区域(area-based)的图像配准方法与基于特征(feature-based)的图像配准方法;其中,基于区域的图像配准针对某个相似度直接对图像灰度值进行处理,而基于特征的图像配准则从图像中提取出一些特征点然后进行匹配。
待配准图像之间的位移值比较大时,获得成功的图像配准变得困难,特别地,获得高精度亚像素精度变得尤为困难,此时,一般选用基于由粗到精策略的两步配准方法,即:第一步首先使用对大位移不敏感的配准方法(比如,相位相关法、基于特征的配准方法等)完成粗略估计,然后根据粗略估计值进行位移补偿,之后在第二步使用精度较高的配准方法(比如,基于梯度的配准方法)完成高精度估计,最后完成结果合成。
常见的变换模型包括平移变换模型、刚体变换(即旋转-平移“rotation-translation”:RT)模型、相似变换(即旋转-尺度-平移“rotation-scale-translation”:RST)模型、仿射变换模型、投影变换模型等。本发明基于RST模型。一般地说,任何一个变换模型都可以分解成基本变换模型的有序组合,在RST变换模型中,一般可看作是旋转变换、尺度变换及平移变换的有序组合;而且,这种组合的结果一般与组合次序密切相关。在基于由粗到精策略的两步配准方法中,由于第一步的估计结果为粗略值,位移补偿必然不彻底,则位移补偿之后得到的变换模型将与补偿方式密切相关,它实际上决定了进行第二步精细估计的残余变换模型。
本发明针对存在大位移情形的图像配准,基于由粗到精的两步法策略,在位移补偿时对目标图像进行逆补偿,而且,本方法考虑目标图像位移补偿对第二步精细估计残余变换模型的影响,在最后结果合成时进行误差补偿,这样可以进一步提高配准精度。
参考文献:
B. Zitova and J. Flusser, "Image registration methods: A survey," Imageand Vision Computing, Vol.21, No.11, pp.977-1000 (2003)。
B.D. Lucas and T. Kanade, "An iterative image registration techniquewith an application to stereo vision," in Imaging Understanding Workshop,pp.121-130 (1981)。
D. Keren, S. Peleg, and R. Brada, "Image sequence enhancement usingsub-pixel displacement," in CVPR'88, pp.742-746 (1988)。
X. Li, "Gradient-based registration of rotated, scaled, andtranslated images," in SPIE, MIPPR 2013: Pattern Recognition and ComputerVision , vol. 8919, 2013, p. 891917。
C.D. Kuglin and D.C. Hines, "The phase correlation image alignmentmethod," in IEEE International Conference on Cybernetics and Society, pp.163-165 (1975)。
B.S. Reddy and B.N. Chatterji, "An FFT-based technique fortranslation, rotation, and scale-invariant image registration," IEEETransactions on Image Processing, Vol.5, No.8, pp.1266-1271 (1996)。
发明内容
本发明提供一种基于目标图像补偿的两步图像配准方法,它针对存在大位移情形的图像配准问题,采用由粗到精的两步法策略,在位移补偿时对目标图像进行逆补偿,而且,与常规基于两步法的图像配准方法相比,本方法考虑目标图像位移补偿对第二步精细估计残余变换模型的影响,在最后结果合成时进行误差补偿,可以进一步提高配准精度。
本发明方法的具体细节详见“附图”部分及“具体实施方式”部分。
附图说明
图1是图像配准问题的一般性示意图,其中(11)为参考图像,(12)为目标图像,(13)表示配准过程,(14)为(11)和(12)配准后叠加示意图。
图2是本专利图像配准方法的示意图,其中,输入两幅图像分别看作为参考图像(211)和目标图像(212),经过第一阶段粗略估计(22)之后得到第一阶段的粗略估计结果(23),然后对目标图像(212)进行位移补偿(24),之后进行第二阶段的精细估计(25)并得到第二阶段的估计结果(26),最后进行结果合成(27)并得到最终估计结果(28),此外,箭头线(291)表示引用目标图像数据(212)以进行目标图像位移补偿(24),箭头线(292)表示结果合成(27)时引用第一阶段估计结果(23),箭头虚线(293)表示结果合成(27)将与目标图像位移补偿(24)有关。
图3是本专利图像配准方法的执行步骤,对照于图2,(31)对应(211)和(212),(32)对应(22)及(23),(33)对应(24),(34)对应(25)及(26),(35)对应(27)及(28)。
具体实施方式
下面结合附图对本发明进行详细说明。
如前所述,本发明的图像配准方法假定RST变换模型,它包括三类共四个参数:平移(为水平方向平移,为垂直方向平移,为矩阵转置操作)、旋转角度及缩放因子,且假定参考图像与目标图像之间的关系为,其中,及表示旋转运算;那么,图像配准目的即估计出、及的值。
本方法共由如下五个步骤组成:
步骤1)读入待配准图像数据与。
步骤2) 选用对大位移不敏感的配准方法完成参考图像与目标图像之间的粗略估计,且估计结果分别记作、及。
步骤3) 对目标图像进行逆补偿得到:,然后对与之间进行公共区域提取。
步骤4) 选用精度较高的配准方法完成与之间的高精度估计,且估计结果分别记作、及。
步骤5) 参考图像与目标图像之间的最终估计结果分别记作、及,它们的值分别通过如下方式得到:,,及。
Claims (1)
1.一种图像配准方法,其特征在于:基于旋转-尺度-平移(rotation-scale-translation:RST)变换模型;定义为参考图像,为目标图像,并定义它们的关系为,其中,,为水平方向坐标值,为垂直方向坐标值,为矩阵转置操作,平移,为水平方向平移,为垂直方向平移,为旋转角度,为缩放因子,表示旋转运算:,且为正弦函数及为余弦函数;
本发明由如下步骤组成:
步骤1) 读入待配准图像数据;
步骤2) 使用对大位移不敏感的配准方法完成参考图像与目标图像之间的粗略估计,估计结果分别记作、及;
步骤3) 对目标图像进行逆补偿得到:,然后对与之间进行公共区域提取;
步骤4) 使用精度较高的配准方法完成与之间的精细估计,估计结果分别记作、及;
步骤5) 参考图像与目标图像之间的最终估计结果分别记作、及,它们的值分别通过如下方式得到:,,及。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710537819.5A CN107492118A (zh) | 2017-07-04 | 2017-07-04 | 一种基于目标图像补偿的两步图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710537819.5A CN107492118A (zh) | 2017-07-04 | 2017-07-04 | 一种基于目标图像补偿的两步图像配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107492118A true CN107492118A (zh) | 2017-12-19 |
Family
ID=60644581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710537819.5A Pending CN107492118A (zh) | 2017-07-04 | 2017-07-04 | 一种基于目标图像补偿的两步图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107492118A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509114A (zh) * | 2011-11-22 | 2012-06-20 | 李京娜 | 基于改进的结构相似度的图像配准方法 |
CN103544710A (zh) * | 2013-11-08 | 2014-01-29 | 河南工业大学 | 一种图像配准方法 |
CN103679702A (zh) * | 2013-11-20 | 2014-03-26 | 华中科技大学 | 一种基于图像边缘矢量的匹配方法 |
CN105869141A (zh) * | 2015-12-15 | 2016-08-17 | 乐视致新电子科技(天津)有限公司 | 图像配准方法及装置 |
-
2017
- 2017-07-04 CN CN201710537819.5A patent/CN107492118A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509114A (zh) * | 2011-11-22 | 2012-06-20 | 李京娜 | 基于改进的结构相似度的图像配准方法 |
CN103544710A (zh) * | 2013-11-08 | 2014-01-29 | 河南工业大学 | 一种图像配准方法 |
CN103679702A (zh) * | 2013-11-20 | 2014-03-26 | 华中科技大学 | 一种基于图像边缘矢量的匹配方法 |
CN105869141A (zh) * | 2015-12-15 | 2016-08-17 | 乐视致新电子科技(天津)有限公司 | 图像配准方法及装置 |
Non-Patent Citations (1)
Title |
---|
李相国等: "《基于相位相关与Keren算法的图像配准》", 《微计算机应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5294343B2 (ja) | 画像位置合わせ処理装置、領域拡張処理装置及び画質改善処理装置 | |
Pollefeys | Visual 3D Modeling from Images. | |
US20160217577A1 (en) | Enhanced phase correlation for image registration | |
Thirthala et al. | The radial trifocal tensor: A tool for calibrating the radial distortion of wide-angle cameras | |
CN103544710A (zh) | 一种图像配准方法 | |
Zhu et al. | Image mosaic method based on SIFT features of line segment | |
Yan et al. | Image stitching with single-hidden layer feedforward neural networks | |
Keller et al. | A projection-based extension to phase correlation image alignment | |
Pedone et al. | Blur invariant translational image registration for $ N $-fold symmetric blurs | |
Alyousefi et al. | Multi-camera motion estimation with affine correspondences | |
Wang et al. | A real-time correction and stitching algorithm for underwater fisheye images | |
CN106651756B (zh) | 一种基于sift和验证机制的图像配准方法 | |
CN108961381B (zh) | 用于对物体的三维几何模型着色的方法和装置 | |
CN107481275A (zh) | 一种基于参考图像补偿的两步图像配准方法 | |
Li | High-accuracy subpixel image registration with large displacements | |
Shimizu et al. | Multi-parameter simultaneous estimation on area-based matching | |
CN107492118A (zh) | 一种基于目标图像补偿的两步图像配准方法 | |
JP2019220032A (ja) | 原画像を目標画像に基づいて変形した表示画像を生成するプログラム、装置及び方法 | |
Jackson et al. | Adaptive registration of very large images | |
Marchand | Ibisa: making image-based identification of ancient coins robust to lighting conditions | |
Zhang et al. | Image mosaic of bionic compound eye imaging system based on image overlap rate prior | |
Zhu et al. | Image stitching using simplified SIFT | |
Ogawa et al. | SIFT-based multi-frame super resolution for 250 million pixel images | |
Li | An improved two‐stage image registration algorithm for super‐resolution | |
Peng et al. | Deep-Learning-Based Precision Visual Tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171219 |
|
WD01 | Invention patent application deemed withdrawn after publication |