基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。     

肌骨超声图像特征检测及拼接

目的 肌骨超声宽景图像易出现解剖结构错位、断裂等现象,其成像算法中的特征检测影响宽景图像的质量,也是超声图像配准、分析等算法的关键步骤,但目前仍未有相关研究明确指出适合提取肌骨超声图像特征点的算法。本文利用结合SIFT （scale invariant feature transform）描述子的FAST（features from accelerated segment test）算法以及SIFT、SURF（speeded-up robust features）、ORB（oriented FAST and rotated binary robust independent elementary features（BRIEF））算法对肌骨超声图像序列进行图像拼接,并对各算法的性能进行比较评估,为肌骨超声图像配准、宽景成像提供可参考的特征检测解决方案。方法 采集5组正常股四头肌的超声图像序列,每组再采样10幅图像。利用经典的图像拼接算法进行肌骨图像的特征检测以及图像拼接。分别利用上述4种算法提取肌骨超声图像的特征点;对特征点进行特征匹配,估算出图像间的形变矩阵;对所有待拼接的图像进行坐标变换以及融合处理,得到拼接全景图,并在特征检测性能、特征匹配性能、图像配准性能以及拼接效果等方面对4种算法进行评估比较。结果 实验结果表明,与SIFT、SURF、ORB算法相比,FAST-SIFT算法所提取的特征点分布更均匀,可以检测到大部分肌纤维的端点,且特征点检测时间最短,约4 ms,其平均匹配对数最多,是其他特征检测算法的25倍,其互信息和归一化互相关系数均值分别为1.016和0.748,均高于其他3种特征检测算法,表明其图像配准精度更高。且FAST-SIFT算法的图像拼接效果更好,没有明显的解剖结构错位、断裂、拼接不连贯等现象。结论 与SIFT、SURF、ORB算法相比,FAST-SIFT算法是更适合提取肌骨超声图像特征点的特征检测算法,在图像配准精度等方面都具有一定的优势。     

基于特征点的图像配准与拼接技术研究

图像配准与拼接成功的关键在于特征点提取和匹配。针对传统的sift算法提取特征点计算量大、耗时长的问题,文章采用改进后的surf算法先对两幅图像的重叠部分提取特征点,使用bbf（best-bin-first）查找初始匹配对后采用ransac算法剔除误匹配并计算两幅图的变换关系,最后采用无缝拼接技术实现了图像的平滑镶嵌。     

柱面全景图像自动拼接算法

提出了一种基于特征点匹配的柱面全景图像拼接算法。首先将360°环绕拍摄的序列图像投影到柱面坐标系下;然后提取各图像的SIFT（Scale Invariant Feature Transform,尺度不变特征变换）特征点,通过特征点匹配完成两幅图像的配准;再根据配准结果计算出图像间的变换参数;最后采用加权平均的融合方法对两幅图像进行无缝拼接。实验表明,算法可以有效、快速地自动生成柱面全景图像。     

基于特征点的图像拼接方法

提出了一种基于特征点匹配的全景图像拼接方法.该方法首先利用sift算法提取各图像中的特征点并利用Harris算法对图像特征点提取进行了优化,然后采用基于K-d树的BBF算法查找和确定初始匹配点对,完成特征点的粗匹配,再根据图像配准结果使用稳健的RANSAC算法对粗匹配的特征点进行筛选,计算出图像间变换矩阵H,最后采用渐入渐出的加权平均的融合算法对两幅图像进行无缝拼接,形成一幅完整的全景画面.实验结果验证了该方法的有效性,拼接效果较好.     

基于特征点的伪匹配点去除算法

基于特征点的图像配准中伪匹配点的存在影响变换矩阵的计算精度,容易造成图像配准失败.根据SIFT特征匹配中存在的伪匹配点,提出一种伪匹配点去除算法.两幅待配准图像的正确匹配点在坐标位置上有差值相似性,伪匹配点的坐标差值与正确匹配点的坐标差值差异大,利用这种坐标差值的波动对伪匹配点进行去除.实验结果表明,待配准图像中的伪匹配点得到了有效去除,与RANSAC算法相比,时间复杂度大幅减小.     

基于SIFT的遥感图像配准方法

针对多传感器遥感图像配准问题,改进了一种基于SIFT的图像自动配准方法.首先提取图像中适应尺度变化的局部不变特征点,提出了利用最近邻特征点距离与次近邻特征点距离之比的互对应约束得到初始匹配点对,然后利用RANSAC(Random Sample Concensus)算法删除误匹配特征点对.试验结果表明:该方法能够实现多传感器遥感图像和不同分辨率图像的自动配准.     

一种快速稳健的图像配准算法

本文对图像配准问题进行了研究,提出了一种快速、稳健的基于特征点匹配的配准算法。采用小波变换建立图像金字塔,从分辨率最低的图像层开始进行特征点匹配,在次一层匹配时以上层匹配结果为粗值,在原始图像上得到初始匹配点后采用RANSAC算法稳健估计变换矩阵H;为了提高配准算法的精度,采用变换矩阵H引导两幅原始图像上的所有特征点重新进行匹配,对得到的匹配点集重新用RANSAC算法估计变换矩阵,并采用LM非线性优化算法进一步优化。通过实验分析对比,本文的算法比原算法速度更快,更稳健。     

融合GMS与VCS+GC-RANSAC的图像配准算法

针对当前图像配准算法配准时间过长、配准正确率低等问题,提出一种基于网格运动统计（GMS）、矢量系数相似度（VCS）与图割随机抽样一致性（GC-RANSAC）的图像配准算法。首先,通过ORB（Oriented FAST and Rotated BRIEF）算法对图像进行特征点提取,并对特征点进行暴力匹配。之后,通过GMS算法对图像中的粗匹配特征点进行网格划分,利用网格中正确匹配点邻域内具有较高特征支持量的原理对粗匹配对进行筛选;并引入图像匹配对在进行矢量运算时VCS不超过某一设定阈值的原理对匹配对进行部分剔除,以利于算法后期的快速收敛。最后,运用GC-RANSAC算法进行局部最优模型拟合,得到精匹配特征点集,实现高精度的图像配准和拼接。通过与ASIFT+RANSAC、GMS、AKAZE+RANSAC、GMS+GC-RANSAC等算法对比,实验结果表明,该算法在平均匹配精度上提高了30.34%,平均匹配时间缩短0.54 s。     

一种基于SIFT和改进RANSAC的稳健图像拼接算法

针对图像间因存在旋转以及采集图像时光线强度的差异等现象而导致的拼接效果不理想和拼接速度慢的问题,作者提出了一种基于SIFT和改进RANSAC的稳健图像拼接算法,具体包括SIFT特征提取、图像配准以及图像的加权平均融合等步骤。其中,该文重点研究了图像配准这一阶段,此阶段包括图像的初始匹配和精确配准两步,实验证明该拼接算法不仅可以很好的拼接存在平移、旋转、尺度缩放、视角以及光照变化的图像,而且较之传统的RANSAC算法,改进的RANSAC算法迭代次数变少了并且运行时间也减少了,拼接效率得到了明显的提高。     

基于遗传算法的深度图像配准方法研究

深度图像配准主要应用于物体三维建模、历史建筑修复重建、虚拟博物馆、利用虚拟现实界面教学,以及复杂结构分析等广泛领域.遗传算法多用于深度图像粗配准,但通过加强其局部搜索能力,也能实现细配准.系统论述了遗传算法在深度图像图像配准的应用,并通过实验加以具体说明.     

基于改进头脑风暴优化算法的医学图像配准方法

针对精准医疗中图像配准方法收敛速度慢、精度不够高的问题,提出一种基于改进头脑风暴优化（Improved brain storm optimization, IBSO）算法的医学图像配准方法。配准过程分为3个阶段：首先,将待配准图像进行多分辨率分解;然后,使用IBSO算法对低分辨率图像进行全局粗配准;最后,利用单纯形搜索法对高分辨图像精配准。相比粒子群和单纯形结合算法、差分进化和Powell结合算法,以及头脑风暴和Powell结合算法,在单模态实验中,所提算法平均耗时较以上3种算法分别降低了32.89%、13.91%和13.66%,且最大误差、平均误差最小;在多模态实验中,互信息、归一化互信息、交叉累计剩余熵与归一化互相关指数均优于上述3种配准算法。实验结果表明,所提算法可以有效地提升医学图像配准的精度与速度。     

基于ICP算法的医学图像几何配准技术

几何配准是医学图像领域研究的重要内容，医学图像几何配准的目标就是建立术前和术中两组点的变换关系。该文利用股骨为模型，讨论了基于轮廓特征的ICP医学图像几何配准算法，从技术上实现了术前建模和术中取点，并编制相应的ICP算法程序。     

一种遥感影像的自动配准方法

图像配准技术是图像融合、图像镶嵌以及影像三维重建的基础．提出了一种基于SUSAN(Smallest Univalue Segment Assimilating Nucleus)算子的图像配准方法．利用SUSAN算子提取两幅图像的角点，通过粗匹配和细匹配两个步骤得到匹配角点对．根据这些角点对对图像配准．试验表明该方法能有效的实现影像自动配准．     

一种改进的SSDA图像匹配算法

介绍了一种快速的块匹配算法——SSDA算法,分析了现有SSDA算法的缺点:算法本身没有抗干扰性能、计算过程中没有利用图像自身的特点。针对现有算法的缺点提出改进,仿真结果表明改进算法在抗噪性能、计算速度上都比原算法有所提高。     

ASRNet: Adversarial Segmentation and Registration Networks for Multispectral Fundus Images

Multispectral imaging (MSI) technique is often used to capture images of the fundus by illuminating it with different wavelengths of light. However, these images are taken at different points in time such that eyeball movements can cause misalignment between consecutive images. The multispectral image sequence reveals important information in the form of retinal and choroidal blood vessel maps, which can help ophthalmologists to analyze the morphology of these blood vessels in detail. This in turn can lead to a high diagnostic accuracy of several diseases. In this paper, we propose a novel semi-supervised end-to-end deep learning framework called “Adversarial Segmentation and Registration Nets” (ASRNet) for the simultaneous estimation of the blood vessel segmentation and the registration of multispectral images via an adversarial learning process. ASRNet consists of two subnetworks: (i) A segmentation module S that fulfills the blood vessel segmentation task, and (ii) A registration module R that estimates the spatial correspondence of an image pair. Based on the segmention-driven registration network, we train the segmentation network using a semi-supervised adversarial learning strategy. Our experimental results show that the proposed ASRNet can achieve state-of-the-art accuracy in segmentation and registration tasks performed with real MSI datasets.     

基于平衡系数的Active Demons非刚性配准算法

经典的Active demons算法利用参考图像和浮动图像的梯度信息作为驱动力,并使用均化系数调节两种驱动力之间的强度.该算法克服了Demons算法单一使用参考图像的梯度信息作为驱动力的缺点,但是Active demons算法中的均化系数无法同时兼顾大形变和小形变区域的准确配准,还会导致配准的收敛速度和精确度相互制约的问题.为此,本文提出一种新的Active demons非刚性配准算法.提出的算法在Active demons扩散方程中引入一个称为平衡系数的新参数,与均化系数联合调整驱动力,不仅可以兼顾图像中同时具有的大形变和小形变区域的准确配准,而且在一定程度上缓和了收敛速度和精确度相互制约的问题.为了进一步提高配准的收敛速度和精确度,避免陷入局部极值,在新的配准算法的实现中引入由粗到细的多分辨率策略.在Checkboard测试图像、自然图像和医学图像上的实验结果表明,提出的算法较经典的Active demons算法收敛速度更快,配准精度平均提高了54.28%,接近最新的TV-L1光流场图像配准算法的配准精度,解决了Active demons算法存在的问题.     

基于隐含相似性的光学和SAR图像配准方法

异质图像配准是多源图像融合的关键步骤之一,通常需要精确提取和匹配图像的同名特征,这种同名特征在成像机理差异巨大的光学和SAR图像中进行提取和匹配十分困难,利用相同场景图像中的隐含相似性可以有效避开这一难点.为了对光学和SAR图像进行配准,提出了一种基于隐含相似性的光学和SAR图像配准方法,该算法首先选用高梯度幅值像素作为隐含特征点集,然后通过像素迁移来构建相似测度准则函数,并用遗传算法对准则函数解空间进行全局优化搜索来获取配准解,这样就将图像配准问题归于模型参数优化求解过程.实验结果表明,该方法有效可行,配准图像能达到像素级配准精度.     

用改进的粒子群算法实现多模态刚性医学图像的配准

多模态医学图像的配准在医学诊断和治疗计划中起着重要的作用．提出了一种基于轮廓特征点和改进的粒子群优化算法((Particle Swarm Optimization，PSO))求解的配准方法．该方法首先用Canny算子提取图像的边缘，用ISODATA算法进行聚类分析提取出轮廓特征点，然后用两轮廓匹配点对的欧几里德距离平均值的极小值作为两个特征点对配准准则，并用改进的PSO算法求解配准所需的空间变换参数．实验证明；该方法配准精度能够达到亚像素级，能够避免陷入局部极小值而且速度得到明显改善，其应用于多模态医学图像的配准是可行的．     

非刚性医学图像配准研究综述

非刚性配准技术是医学图像配准中的一个重要研究课题,是非刚性组织配准,不同个体之间的配准以及个体同图谱配准的基础。该文提出了多项式法、样条函数法等基于空间变换的配准方法,以及弹性模型、粘性流体模型和光流场模型等基于物理模型的配准方法两大类方法。同刚性配准相比,非刚性配准技术还不成熟,计算效率和稳定性还需要进一步提高,仍是一个非常活跃的研究领域。