基于特征的半自动图像配准技术的研究开题报告.docx
《基于特征的半自动图像配准技术的研究开题报告.docx》由会员分享,可在线阅读,更多相关《基于特征的半自动图像配准技术的研究开题报告.docx(13页珍藏版)》请在冰点文库上搜索。
基于特征的半自动图像配准技术的研究开题报告
毕业论文开题报告
1.结合毕业论文情况,根据所查阅的文献资料,撰写2000字左右的文献综述:
文献综述
一.课题研究的目的、意义和背景
图像配准[1]是图像处理的基本任务之一,用于将不同时间,不同传感器,不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配。
图像配准的基本问题就是找出一种图像转换方法,用以纠正图形的形变。
图像配准主要指对参考图像和待拼接图像中的匹配信息进行提取,在提取出的信息后寻找图像间的变换模型,然后由待拼接图像经变换模型向参考图像进行对齐,变换后图像的坐标将不再是整数,这就涉及到重采样与插值的技术。
图像拼接的成功与否主要是图像的配准。
图像配准可分为三类:
(1)基于象素的配准方法。
即根据待配准图像的相关函数、Fourier变换和各阶矩量之间的关系式来计算配准参数。
(2)基于特征的配准方法。
即根据需要配准图像重要相同特征之间的几何关系确定配准参数。
这类方法首先需要提取特征。
如图像的边缘、角、点、线、曲率等具有不变性的特征。
提取特征可在空间域内进行。
也可在变换域内进行。
在空间域内常使用的特征包括边缘、区域线的端点、线交叉点、区域中心、曲率不连续点等。
其中边缘和区域边界最常用.可以由边缘检测方法和区域分割方法得到:
基于特征的配准方法是图像配准中最常见的方法.对于不同特性的图像。
选择图像中容易提取.并能够在一定程度上代表待配准图像相似性的特征作为配准依据。
基于特征的配准方法在图像配准方法中具有最强的适应性[2]。
(3)基于模型的配准方法。
这种方法是根据图像失真的数学模型来进行非线性校正式的配准。
前两种方法是全局图像配准技术.需要假设图像中的对象仅是刚性地改变位置、姿态和刻度。
改变的原因往往是由受试者运动引起的。
第三类方法只适合图像中对象之间局部的非线性的、非刚性的变形校正。
这种失真通常由于成像系统空间编码的非线性引起的。
所以。
它需要根据成像系统的非线性失真模型来实现配准。
前两类方法多用于图像的初步配准,且能够解析求解,后一类方法多用于图像的精细配准.通常利用非线性规划的方法数值求解。
基于图像特征的方法是图像配准中最常见的方法,对于不同特性的图像选择图像中容易提取并且能够在一定程度上代表待配准图像相似性的特征作为配准依据。
基于特征的方法在图像配准方法中具有最强的适应性,它不是直接利用图像像素值,而是通过像素导出图像的特征。
然后以图像特征为标准,对图像重叠部分的对应特征区域进行搜索匹配。
基于特征的配准方法有两个过程:
特征抽取和特征配准。
常用到的图像特征有:
特征点(包括角点、高曲率点等)、直线段、边缘、轮廓、闭合区域特征结构以及统计特征如矩不变量、重心等等。
图像配准技术已经在许多领域中得到了广泛的应用,在图像融合、图像跟踪和卫星遥感系统几个应用领域中的作用尤为突出。
会使系统产生对目标的误信息,消除这个差异的过程就称为图像配准。
图像融合的前期工作就是图像配准,因此,配准效果将直接影响到其后续图像融合处理工作的效果。
配准的结果将直接影响跟踪的结果。
这就导致了有大量数据需要拼接或融合。
因此,在许多遥感应甩中图像配准不仅是一个关键的步骤,而且需要配准的数据量呈指数增长的趋势。
图像配准技术在许多领域中都起到了非常重要的作用,因此对图像配准技术的研究也就极为重要。
图像配准技术经过多年的研究,己经取得了一定的研究成果。
目前的图像配准技术可分为手工配准和自动配准。
手工配准的方法己经广泛地用到实际中,但需要选择大量的位置控制点,这是非常枯燥的、劳动密集性的、重复并且费时的工作,而且手动配准需要操作者的经验,人的主观性导致图像配准的精度难以保证。
当在有限的时间内高精度、准确的配准图像以及图像分析时,就需要找到一种很少或几乎不用手工的自动化技术来配准多模态图像。
自动图像配准是在整个在配准过程中不需要人干预的一种配准技术,它也是图像配准技术的最终发展目标[3,4]。
二.图像配准的国内外研究现状
当前,主流的图像配准方法主要包含四个步骤:
特征检测、特征匹配、变换模型估计以及重采样和变换。
图像配准方法以图像处理的空间域为区分准则,可以分为:
时域方法和频域方法。
如点法、曲线法、表面法、矩和主轴法、相关法(时域和频域)、最大互信息法、非线性变换技术、流体力学模型、光流场模型等。
在基于特征的配准方法中,HulLi等人基于轮廓方法,采用链码相关等相似性准则配准图像。
Francisco等人通过提取典型海岸线特征轮廓达到了配准多传感器卫星图像的目的。
在此基础上提出了结合链码相关和不变矩等特征方法的配准技术。
在基于区域的配准方法中[5],其主要方法为相关法和互信息等。
Jordi等人分析了多传感器图像自动配准中的问题,引入了一种相似性准则来替代相关系数,能够得到较好的配准精度。
Kuglin等人利用Fourie变换的平移不变性,提出了相位相关技术,用于图像整像素的平移检测问题。
Foroosh等人将该方法扩展到亚像素级别,他利用互功率谱最大点周围的形状来估计图像的平移。
采用取对数及线性回归的方法估计图像的平移。
由于在理想情况下,存在平移的图像间的互功率谱矩阵的秩为1,因此scottHoge等人采用奇异值分解的方法(SVD),分解矩阵,并将互功率谱方法扩展到了高维情形,这一方法主要用于医学图像处理中。
目前国内外研究图像配准技术比较多的应用领域有:
红外图像处理、遥感图像处理、数字地图定位川和医学图像处理等领域。
侧重研究的方面主要有:
图像融合、地景与地图的匹配、复杂场景下的小目标运动跟踪检测、飞机和导弹的导航及目标定位、基子模板匹配的图像识别等。
通常针对多源图像间存在平移、旋转、比例缩放、几何失真和扭曲等差异而进行配准研究,其中,存在平移差异或具有微弱几何失真下的平移差异的配准是研究的主要内容。
由于图像配准技术在各领域应用的重要性以及自然环境的复杂性,图像配准技术己经成为近年研究的热点问题之一。
迄今已报道了多种图像配准方法,主要有互相关法、傅立叶变换法、点映射法和弹性模型法。
基于小波变换的配准方法是近年来兴起的配准新方法,并且越来越引起人们的高度重视,该方法可以极大地减少图像配准时的计算量。
为了达到快速高精度配准的目的,将小波变换与传统的图像配准方法有效的结合起来是一种可行的方法。
通过上面的分析,我们可以看出图像配准技术经过多年的研究,己经取得了一定的研究成果,但是在应用方面仍有一定的限制。
目前为止还没有发现一种具有通用性的配准方法。
目前国内外同行都在研究图像配准的方式及与其相关的技术。
作为图像配准的最终方式,图像的自动配准技术内容也在积极的研究过程中[6]。
图像配准技术[7]最早在美国七十年代从事的飞行器辅助导航系统、武器投射系统的末制导以及寻地等应用研究中提出,并且得到军方的大力支持与赞助。
经过长达二十多年的研究,最终成功地应用于潘兴II式中程导弹及战斧式巡航导弹上,使其弹着点平均圆半径误差不超过十几米,从而大大提高了导弹的命中率。
八十年代后,随着科学技术的发展,在很多不同领域都有大量图像配准技术的研究,如遥感图像处理、模式识别、自动导航、医学诊断、计算机视觉等。
各个领域的图像配准技术都是针对各自具体的应用背景,并结合实际情况度身定制的特定技术。
但是不同领域的配准技术之间在理论方法上又具有很大的相似性,在某一领域的配准技术很容易移植到其他相关领域。
在国内[8],图像配准技术起步相对较晚,但后来获得了很大的发展。
李智提出了基于轮廓相似性测度的图像配准方法,它适用于轮廓特征比较丰富的图像的配准郭海涛等提出了一种将遗传算法(GeneticAlgorithm,简称GA)用于图像配准的算法。
王小睿等提出并实现了一种自动图像配准方法,用于图像的高精度配准,但实际上它是一种使用互相关函数作为相似性测度的半自动的图像配准方法;熊兴华等提出了将遗传算法和最小二乘法结合用于图像的子像素级配准。
由此可见,图像配准技术经过多年的研究,已经取得了很多研究成果,例如在图像的匹配度判断方面研究出了多种技术方法。
但是由于图像配准的输入数据来源的多样性,以及不同的应用对图像配准的要求各不相同,同时,由于影响图像配准的因素的多样性,以及配准问题的复杂性,图像配准的技术还有待于进一步发展,目前国内外同行都在研究图像配准的方式与其相关的技术,例如作为图像配准的最终方式,图像的自动配准技术内容也在积极的研究过程中。
在过去20年中,图像获取设备的研究有了巨大的突破,涌现了大量新的仪器和获取图像的方法,从而将人们的目光直接引到自动图像配准上来。
其中比较典型的例子就出现在医学领域和遥感图像处理领域。
医学影像设备在最近10年中得到迅速的发展,并广泛应用于临床诊断和治疗中。
由于成像的原理和设备不同,存在有多种成像模式。
从大的方面来说,可以描述生理形态的解剖成像模型和描述人体功能或代谢功能的成像模式。
基于多种原因,临床上需要对同一个病人进行多种模式或同一种模式的多次成像。
即同时从几幅图像获得信息,进行综合分析。
单一模式只使用一种成像设备,可用于观察病灶生长,对比手术前后的治疗效果等。
当一种成像模式所提供的信息不能满足需时,可以采用多种模式成像。
例如,在CT上观察骨组织,而从M犯上得到软组织信息;或将来源于PET,SPECT的功能信息与来源于CT,M犯的解剖信息结合起来分析。
在遥感图像领域,随着科学技术的发展,越来越多的卫星被用于观测地面信息,如landsat,sPot卫星等。
它们可以获取不同波段的大地信息,而每个波段对大地各种特征的敏感程度又有显著的不同。
因此,人们迫切需要将这些信息整合到一起,方便研究我们赖以生存的地球。
首先,这就涉及到将图像进行配准并融合的问题;而图像配准是这一目的得以实现的先决条件。
人们研究了各种各样的配准方法,同时也不断的改进图像获取设备来更好的研究地面信息。
这一方面的应用主要有观测大气云层,预报天气,探测地面环境变化和大地资源等。
同样的,图像配准有助于我们观察植物的微小生长变化,以及对未知目标的检测等研究。
总之,图像配准是一个有利于科学技术进步的重要研究领域。
由于图像配准在多个领域的广泛应用及其本身的复杂性,它已经成了当前数字图像研究的热点问题之一。
而当今配准领域的几大热点、难点为:
(1)多源图像配准;
(2)全自动配准技术研究;(3)高精度(亚像素级别)的图像配准;(4)提高配准速度(5)提高大几何位移情况下的配准的成功率[9,10]。
参考文献:
[1]谌安军,陈炜,毛士艺.一种基于边缘的图像配准方法.电子与信息学报,2004,
Vol.26.No.5:
679-684
[2]刘金根,吴志鹏,殷世民.一种基于特征区域分割的图像拼接算法.西安电子科技大学学报,2002,(6):
768-771.
[3]章毓晋.图象处理和分析[M],清华大学出版社,1999.
[4]李智,张雅声.基于轮廓特征的图像配准研究[J].指挥技术学院学报,Vo1.9,No.3,Sept1998.
[5]高征兵,晏磊,赵红颖,张罡.基于特征匹配的地图图像自动配准技术研究.影像技术,2004年第2期:
pp47~50
[6][6]钟力,胡晓峰.重叠图像拼接算法.中国图像图形学报,第3卷第5期,1998.5
[7]钟平,于前洋,金光.基于特征点匹配技术的运动估计及补偿方法.光电子.激光,第15卷第1期,2004.1
[8]倪国强,刘琼,多源图像配准技术分析与展望,光电工程,2004,Vol.31.No.9:
1-6
[9]罗述谦,吕维雪.医学图像配准技术[J].国外医学生物医学工程分册,1999,22
(1):
70~73.
[10]张志佳,黄莎白,史泽林,新的基于边缘特征的图像相关匹配算法,红外与激光工程,Vol.32.No.6:
635-638
[11]J.P.Hua,Q.M.Liao,Wavelet-basedMultiscaleCornerDetection,IEEETrans.Proc.ofICSP,pp.341-344,2000.
[12]韦燕凤,赵忠明,闰冬梅,曾庆业.基于特征的遥感图像自动配准算法.电子学报,2005,33(l):
161一165
[13]仵建宁,郭宝龙,冯宗哲,一种基于兴趣点匹配的图像拼接方法,计算机应用,Vol.26No.3,Mar2006
[14]李晓明,郑链,胡占义.一种基于学习的自动图像配准检验方法,北京理工大学,北京.
[15]张元,王广宇,吕运朋.数字图像的不变特性与特征提取.郑州大学学报.2000,Vol.32(4),pp:
57-59
[16]刘小军,周越,基于轮廓特征的SAR图像自动配准,人工智能及识别技术,2007年2月
[17]高 峰,文贡坚,一种准自动高精度图像配准算法,国防科技大学,2001
毕业论文开题报告
2.本课题要研究或解决的问题和拟采用的研究手段(途径):
一.本课题要研究或解决的问题是对图像进行基于特征的半自动的配准。
基于特征的配准重点是特征的提取和匹配。
半自动的配准要求是手动取点。
半自动的基于特征的图像配准需要手工选取特征点,程序将自动寻找到相匹配的特征点。
然后自动计算仿射变换参数,并将两幅图像进行拼接,合成一幅图像[11]。
二.常采用的手段和途径:
1.基于特征图像配准的步骤:
根据特征选择和特征匹配方法的不同所衍生出的具体配准方法也是最多种多样的。
但他们的共同点都是首先要对待配准图像进行预处理,也就是特征提取的过程,在利用提取的特征完成两幅图像特征之间的匹配,通过特征的匹配关系建立图像之间的配准映射变换。
其基本步骤如下:
1)图像预处理
图像预处理是用来消除或减小待匹配图像之间的灰度偏差和几何变形,使图像匹配过程能够顺利的进行。
2)特征选择
a.基于特征的提取:
1.点特征
(1)点特征算子提取法
(2)基于小波多尺度的广义特征点提取算法
2.边缘特征
(1)Robert边缘检测算子
(2)高斯-拉普拉斯算子(LOG算子)(3)Canny算子
3.区域特征
b.特征点提取方法:
(1)边缘点提取方法,如LOG算子、Canny算子、基于小波变换的算法等;
(2)角点提取算法,如SUSAN角点提取、基于角度判别的角点检测等方法;
c.在参考图像和待配准图像上,选择边界、线状物交叉点、区域轮廓明显的特征,或利用特征提取算子自动提取特征。
3)特征匹配
基于特征的匹配分为点、线、面的特征匹配。
一般经过三个过程:
①特征提取;②利用一组参数对特征作描述;③利用特征的参数进行特征匹配。
在两幅图像中用同一种特征提取法提取出特征点,根据相似性原则对两幅图像中的特征点进行匹配,找出两幅图像中相同的特征点对应关系。
该方法虽然只找出像素点的匹配关系,计算量较小,但提取特征点算法的计算量过大。
它采用一定的配准算法,实现两幅图像上对应的明显特征点的匹配,将匹配后的特征点作为控制点或同名点。
“控制点”的选择应注意以下几个方面:
一是分布尽量均匀;二是在相应的图像上有明显的识别标志;三是要有一定的数量保证。
4)空间变换
根据控制点的图像坐标,建立图像间的映射关系。
5)重采样
通过灰度变换,对空间变换后的待配准图像的灰度值进行重新赋值。
2.基于特征的图像配准方法优点:
①图像的特征点比图像的像素点要少很多,因此大大减少了匹配过程的计算量;
②特征点的匹配度量值对位置的变化比较敏感,可以大大提高匹配的精确程度;
③特征点的提取过程可以减少噪声的影响,对灰度变换、图像形变以及遮挡都有较好的适应能力[12,13]。
3.基于特征的图像配准方法:
1.点特征
点特征是配准中常用到的图像特征之一。
基于角点的图像配准方法的主要思路是:
首先在两幅图像中分别提取角点,再以不同的方法建立两幅图像中角点的相互关联,从而确立同名角点,最后以同名角点作为控制点确定图像之间的配准变换。
,因此基于角点的配准方法的难题就是两幅图像之间同名点的匹配问题。
已报道的解决点匹配问题的方法包括松弛法,相对距离直方图聚集束检测法,Hausdorff距离及相关方法等等。
这些方法都对检测到的角点要求比较苛刻,比如有求同样多的数目简单的变换关系等等。
这样就使得基于角点的配准方法产生了局限性,不能适应普遍的配准应用。
在基于点特征的图像配准方法中,Besl等首先将ICP策略引入到图像配准算法中,通过迭代过程使两点集间距离不断减小,最终实现3D点特征的配准。
点特征的半自动提取具有人机交互性,需要人工干预,其基本原理是完全由人工选择控制点,即由作业人员根据一定的资料或完全凭借经验,通过目视在缩放后的图像上选择一定数量的控制点。
注意事项有以下三点:
1.在选择控制点数据时,一定要严格检查数据的准确性,同时尽可能的保证控制点在图像上分布均匀且数量充足;2.在手工选点时,一定要选在图像上有明显的,精确定位的识别标志的点作为控制点。
3.在手工选点时,同样也要尽可能的保证控制点在图像上分布均匀且数量充足,这是进行和保证精度所必须的[14,15]。
2.轮廓与曲线特征
基于轮廓提取的图像配准方法是在检测出图像的边缘后,提取图像目标轮廓,然后确定目标重要特征之间的几何关系。
基于轮廓提取的图像配准方法主要是对目标区域的高水平特征进行匹配。
所以目标有意义的边缘必须首先提取出来。
在提取边缘时,应选择良好边缘定位性能的锐化算子,即这个算子只提取单边缘.且边缘定位要准确;同时该算子具有一定的抗干扰能力。
基于边缘的配准方法:
控制结构是图像的边缘,通过利用边缘的长度,方向等信息来实施边缘间的匹配。
对某些噪声不敏感,经典的边缘检测算子如Robert算子、Laplace算子等对噪声太敏感,增强边缘的同时也增强了噪声。
基于计算机视觉理论的Marr边缘算子、基于生理视觉模型的Canny边缘增强算子能够满足上述要求.同时能对弱边缘进行较好的增强。
3.闭合区域特征
Goshiasby等人最早应用分割区域方法来配准图像。
他们提出使用具有闭合边界的区域的重心作为控制点来配准图像。
首先必须选择一种适当的分割方法,要求能尽量多的分割出独立的有闭合边界的区域。
该文使用一种迭代闽值方法进行图像分割,提取出孤立的分割区域,以各个区域的重心作为控制点。
直方图聚集束法被用来确定两幅图像的控制点之间的相互关联,最后用关联好的控制点计算图像的配准变换。
在文献中,他们对基于区域重心的方法进行了改进,主要贡献是提出了一种区域边界的优化算法,这样使得两幅图像中相对应的闭合区域有了更好的相似性,最终以提高其重心作为控制点的精度,使得配准精度达到亚像素级。
4.基于控制点的配准方法:
以控制结构为图像中的显著点,也为控制点,然后对控制点进行匹配,估计几何变换参数并进行配准。
很多特征都可以作为控制点,可以将他们分为内在和外部的控制点。
1.内在控制点指图像中不依赖于图像数据本身的一些点,他们通常是为了配准的目的放入场景中的标记点,很容易识别的。
2.外在的控制点指的是那些从数据中得到的点,这些点可以是手工得到的,也可以是自动获取的。
手工的控制点是用人的交互性来得到的点。
得到控制点后,就可以对这些控制点进行匹配了。
另一幅图像中匹配的控制点可以用手工点击得到。
手工配准过程中,待配准图像和参考图像中的配准控制点由操作员手工选取一些特殊并且容易识别的点,如:
道路交叉点、桥梁等。
经此,配准控制点标识和控制点匹配同时手工完成。
为了得到可接受的、好的配准结果,必须在整幅图像上选择大量的控制点[16,17]。