圖像識別匹配技術原理要點(編輯修改稿)

　

【文章內容簡介】 其代價非常小甚至可以忽略不計。(2) 最大互信息法(Maximization of Mutual Information)互信息是信息論的一個基本概念，是兩個隨機變量統計相關性的測度。最大互信息法幾乎可以用在任何不同模式圖像的配準，特別是當其中一個圖像的數據部分缺損時也能得到很好的配準效果。當含有相同內容的兩幅圖像通過幾何變換在空間對齊時，它們所包含的灰度值的互信息量最大。因此最大化的互信息量可以作為圖像配準準則。基于最大互信息[8]的配準過程實質上是搜索最佳的幾何變換參數，使兩幅圖像的互信息達到最大。該方法采用整幅圖像的所有像素共同組成特征空間，再根據特征空間確定一種空間變換，使一幅圖像經過該變換后和另一幅圖像的互信息最大，最終實現配準。互信息(Mutual Information,MI)是信息論中的一個測度，用于描述兩個變量間的統計相關性，或一個變量中包含的另一個變量中的信息的多少，表示兩個隨機變量之間的依賴程度，一般用熵來表示。熵表達的是一個系數的復雜性和不確定性。變量A的熵定義為：, (), ()將待配準的兩幅醫學圖像定義為浮動圖像A和參考圖像B，它們是關于圖像灰度的兩個隨機變量集。設它們的邊緣概率分布分別為、聯合概率分布，則它們的互信息為：, ()當兩幅圖像的空間位置達到一致時，其中一幅圖像表達另一幅圖像的信息，即其互信息應為最大。繼互信息測度提出后，學者們對基于Shannon熵的方法做了進一步的研究，相繼提出了比互信息更為穩定的，其它一些形式的熵測度，稱為歸一化的互信息，例如Studholme提出了歸一化互信息測度(nrimalized mutual information, ):, （）(3) 基于小波的圖像配準方法近年來圖像配準的重要發展之一是采用小波變換進行圖像局部特征提取，該方法的關鍵技術是二維離散小波分解。設在平面內的二維圖像,基于二維離散小波變換的圖像分解是將該原始圖像在某一尺度上分別在方向上進行小波分解，每次分解后的低頻部分用表示，高頻部分用表示。在某一尺度上，圖像可以經過方向和方向的離散小波變換后分解為4個子圖像，在方向和方向都是高頻子圖像,在方向是低頻，在方向是高頻子圖像和在方向是高頻方向是低頻的子圖像。低頻子圖像給出了原圖像的概貌，高頻子圖像給出了原圖像的細貌。對于二維正交小波變換有其快速算法Mallat算法，它把小波變換的計算問題轉化為小波變換后系數的計算問題：在實際操作中，給出尺度層上的離散采樣值數據，要計算尺度層上的小波變換系數，即分解算法的問題。基于小波變換的圖像配準方法有多分辨率分析的優勢，能夠提高配準的速度。 灰度相關的配準方法基于灰度信息的圖像配準方法一般不需要對圖像進行復雜的預先處理，而是利用圖像本身具有灰度的一些統計信息來度量圖像的相似程度。主要特點是實現簡單，但應用范圍較窄，不能直接用于校正圖像的非線性形變，在最優變換的搜索過程中往往需要巨大的運算量。經過幾十年的發展，人們提出了許多基于灰度信息的圖像配準方法，大致可以分為三類：互相關法（也稱模板匹配法）、序貫相似度檢測匹配法、交互信息法。 互相關法是最基本的基于灰度統計的圖像配準[9]方法，通常被用于進行模板匹配和模式識別。它是一種匹配度量，通過計算模板圖像和搜索窗口之間的互相關值，來確定匹配的程度，互相關值最大時的搜索窗口位置決定了模板圖像在待配準圖像中的位置。序貫相似度檢測匹配法(Sequential Similarity Detection Algorithms，)是由Barnea等人提出來的。方法的最主要的特點是處理速度快。該方法先選擇一個簡單的固定門限，若在某點上計算兩幅圖像殘差和的過程中，殘差和大于該固定門限，就認為當前點不是匹配點，從而終止當前的殘差和的計算，轉向別的點去計算殘差和，最后認為殘差和增長最慢的點就是匹配點。這種方法的基本思想是基于對誤差的積累進行分析。所以對于大部分非匹配點來說，只需計算模板中的前幾個像素點，而只有匹配點附近的點才需要計算整個模板。這樣平均起來每一點的運算次數將遠遠小于實測圖像的點數，從而達到減少整個匹配過程計算量的目的。 交互信息法最初是Viola等人于1995年把交互信息引入到圖像配準的領域的，它是基于信息理論的交互信息相似性準則。初衷是為了解決多模態醫學圖像的配準問題。交互信息用來比較兩幅圖像的統計依賴性。首先將圖像的灰度視作具有獨立樣本的空間均勻隨機過程，相關的隨機場可以采用高斯—馬爾科夫隨機場模型建立，用統計特征[10]概率密度函數來描述圖像的統計性質。交互信息是兩個隨機變量和之間統計相關性的量度，或是一個變量包含另一個變量的信息量的量度。交互信息圖像配準方法一經提出，有不少基于此類的研究，尤其在醫學圖像的配準問題上。比如將交互信息和梯度結合起來改善其極值性能的算法、多分辨率圖像金字塔法等等。但交互信息是建立在概率密度估計的基礎上的，有時需要建立參數化的概率密度模型，它要求的計算量很大，并且要求圖像之間有很大的重疊區域，由此函數可能出現病態，且有大量的局部極值。 本文接下來將要陳述灰度相關的幾種配準方法，大致可分為：線匹配法、比值匹配法和塊匹配法。比值匹配法是指將待配準圖像的一定間隔的行或列的像素的比值作為模板；塊匹配法是指將待配準圖像的正方形區域的像素的集合作為模板。比值匹配法是從一幅圖像的重疊區域中部分相鄰的兩列上取出部分像素，然后以它們的比值作為模板，在另一幅圖像中搜索最佳匹配，這種算法計算量較小，但精度低；塊匹配法是以一幅圖像重疊區域中的一塊作為模板，在另一幅圖像中搜索與此模板最相似的匹配塊，這種算法精度較高，但計算量過大。而設計一種基于灰度相關的算法，既能實現水平、垂直位移上的配準，同時也能實現繞光軸旋轉這種情況是本文的核心。第3章 線匹配法 線匹配法基本介紹及原理針對圖像的平移、旋轉、尺度變換等整體匹配，提出了一種圖像線性變換的匹配算法[11]。首先定義待匹配圖像匹配點間的線性變換模型，以對應像素灰度差平方和