机器视觉 2022-05-12 11261
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，方法简单较为死板，一般效果不会太好。第二类是基于特征的匹配方法，如sift、surf点特征，或者向量特征等等，适应性较强。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)或者沃尔什变换、小波等方法，在新的域下进行配准。
1. 基于模板匹配的图像配准
板匹配时图像配准算法中简单而常见的算法。在模板匹配中对图像的配准有整幅图像进行的撇皮，也有局部图像和局部图像之间进行的匹配。在模板匹配过程中通常对模板进行平移，计算对应关系。一般情况下，采用模板和图像的相关运算计算相关值，相关值越大表示匹配越好。
模板匹配对形态固定的图案具有较好的效果，但是随着配准图像在数量级的扩大，计算复杂度会增加，实时性会增加，随着图像拍摄环境和成像条件的多变，算法的适应性会变差。
2. 基于灰度的图像配准
灰度图像配准是利用灰度信息来测量图像的相同部分，方法简单，但是对目标的变动和扭曲会影响配准效果。较为常见的是求其相似性代价函数，将图像的灰度差做平方和运算。
灰度图像配准方法不需要提取图像的几何特征，所以有很高的识别精度和适用性，单也因为图像灰度信息鼠标比较大，因此运算量大，效率低。
3. 相位相关法、傅里叶-梅林变换(基于变换域的方法)
基于变换域的方法有很多，这里安利下我之前的博客：傅里叶-梅林变换进行图像配准 ，也就是采用了基于相位相关的方法进行的，博客中给出了Matlab的源码。
相位相关法师对图像进行参数转换，利用转换后的参数进行运算，图像由参数变换转换到频域，利用傅里叶变换得到平移后的结果，再在频域实现匹配图像的配准。在傅里叶变换后，图像的平移成分转换到了相位，计算相位的最大匹配位置，就可以得到原始图像的平移量了，这就是相位相关。
更进一步，我们引入傅里叶-梅林变换的概念。我们通过相位相关只能得到平移量，那么如果有旋转和缩放呢?是否还记得传统图像中的对数-极坐标变换呢?
没错，将二者结合起来：相位相关得到平移位置，对数变换得到尺度，极坐标变换得到旋转角，这就是傅里叶-梅林变换。更详细的说明，参见我原先的博客吧。
4. 基于模型的图像配准
基于模型的配准方法是依据数学模型进行对比，并且可以通过对比度来进行图像配准分析。首先对序列图像建立数据模型，之后以迭代求解出相关模型之间对应的相关未知量，最后通过这些计算出的未知量对图像进行配准。
这类方法的优点在于可以快读的进行序列图像间的水平移动、扭曲、拓展和收缩等形状变化，统计效果很好。缺点在于使用此方法有整体优良的收敛效果，需要有一个好的初始配准估计值，否则会匹配失败。
5. 基于特征的图像配准
这类方法首先分析两幅待配准图像，提取特征域，在特征域进行匹配，根据特征域计算得到特征向量。这里要提到，特征分为点特征(如sift、surf等)、线特征、统计特征等等。这类方法依据使用的特征不同，会表现出不同的效果。比较经典的配准方式是SURF特征+Ransac筛选，得到匹配点对坐标来计算图像变换参数。
6. 消除误匹配算法
使用任何类型的匹配算法，匹配误差都是不可避免的，处于初始匹配结果后有大量的异常点，这些异常点可以通过随机抽样一致性算法(Random Sample Consensus，也就是我们常说的Ransac)来消除误匹配。Ransac是一种不确定和随机的算法，每次运算得到的结果可能会不同，但其具有有效的整体估计效果，即使匹配失败超过50%的数据，仍然能得到合理的结果。
