Псеводградиентный алгоритм измерения межкадровых деформаций цифровых изображений с использованием взаимной информации
Введение
Цифровые изображения в настоящее время все больше используются в области техники, связанные с получением, обработкой и передачей информации. Это объясняется тем, что цифровые изображения в сравнении с одномерными сигналами являются более ёмкими носителями информации. При обработке последовательности изображений важной задачей является измерение их межкадровых геометрических деформаций (МГДИ). Решение этой задачи требуется в медицинской диагностике, в радиолокации, в навигации, дистанционном исследовании планет, и т. д.
При измерении МГДИ перспективным направлением является использование псевдоградиентных процедур (ПГП), которые предполагают небольшие вычислительные затраты и не требуют предварительной оценки параметров исследуемых изображений, обеспечивают высокую точность измерения при воздействии сложного комплекса помех, применимы к обработке изображений в условиях априорной неопределенности.
Для решения практических задач измерения МГДИ важное значение имеет опред
СОДЕРЖАНИЕ
Список основных сокращений……………………………………………………4
Введение……………………………………………………………………………..5
1. Теоретические концепции исследуемой области……………………………7
1.1 Оценивание взаимных геометрических деформаций изображений…….7
1.2 Меры подобия изображений…………………………………………...……14
1.3 Меры различия изображений…………………………………………….....18
1.4 Псевдоградиентные процедуры оценивания параметров межкадровых геометрических деформаций изображений.......……………………...……24
1.5 Выводы и постановка задачи исследования………………………………28
2 Псеводградиентный алгоритм измерения межкадровых деформаций цифровых изображений с использованием взаимной информации…...29
2.1 Постановка задачи……………………………………………………………29
2.2 Псеводградиентный алгоритм измерения межкадровых деформаций цифровых изображений……………………………………………………...30
2.3 Основные результаты и выводы…………………………………………...39
3 Определение оптимального количества итераций для псевдоградиентного алгоритма измерения межкадровых деформаций цифровых изображений с использованием взаимной информации…...40
3.1 Постановка задач……………………………………………………………..40
3.2 Создание деформированных изображений……………………………….41
3.3 Применение разработанного псевдоградиентного алгоритма измерения межкадровых деформаций цифровых изображений с использованием взаимной информации……………………………………………………….45
3.4 Определение оптимального количества итераций для псевдоградиентного алгоритма измерения межкадровых деформаций цифровых изображений с использованием взаимной информации…...50
3.5 Выводы…………………………………………………………………………54
Заключение………………………………………………………………………...55
Список литературы……………………………………………………………….56
СПИСОК ЛИТЕРАТУРЫ
1. Kuglin, C. The phase correlation image alignment method / C. Kuglin, D. Hines // Proceedings of International Conference on Cybernetics and Society, IEEE Systems. –1975. – P. 163-165.
2. De Castro, E. Registration of translated and rotated images using finite Fourier transform / E. De Castro, C. Morandi // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1987. – V. 9, №5. – P. 700-703.
3. Reddy, B. An fft-based technique for translation, rotation, and scale-invariant image registration / B. Reddy,B. Chatterji // IEEE Transactions on Image Processing. –1996. –V.5, № 8. – P. 1266-1271.
4. Ojansivu, V. Image Registration Using Blur-Invariant Phase Correlation / V. Ojansivu , J. Heikkilä // Signal processing letters. – 2007. – V.14, № 7. – P. 449-452.
5. Foroosh, H. Extension of phase correlation to subpixel registration / H. Foroosh, J. Zerubia, M. Berthod // IEEE Transactions on Medical Imaging. – 2002. – V. 11, № 3. – P. 188-200.
6. Stone, H.A fast direct Fourier-based algorithm for subpixel registration of images / H. Stone, M. Orchard, E. Chang, S. Martucci // IEEE Trans. Geosci. Remote Sensing. – 2001. –V. 39, №10. – P. 2235-2243.
7. Anuta, P.E. Spatial registration of multispectral and multitemporal digital imagery using fast Fourier transform techniques / P.E. Anuta // IEEE Trans. Geoscience Electronics . – 1970. – V. 8, №. 4. – P. 353-368.
8. Понс, Д. Компьютерное зрение. Современный подход / Д. Понс, Ж. Форсайт // М. : Вильямс. – 2004. – 926 с.
9. Goshtasby, A.A. Image registration. Principles, tools and methods / A.A. Goshtasby // Advances in Computer Vision and Pattern Recognition. Springer. – 2012. – 441 p.
10. Васильев, К.К. Оценивание параметров деформаций многомерных изображений, наблюдаемых на фоне помех / К.К. Васильев, А.Г. Ташлинский // Распознавание образов и анализ изображений: новые информационные технологии: труды IV Всероссийская конф. в 2 ч. – Новосибирск: СО РАН. – 1998. – Ч. 1. – С. 261-264.
11. Панкова, Т.Л. Эффективность алгоритмов прецизионного совмещения цифровых изображений / Т.Л. Панкова, А.Л. Резник // Автометрия. – 1991. – № 5. – С. 39-43.
12. Степанов, О.А. Предельно достижимая точность совмещения гауссовских изображений / О.А. Степанов // Автометрия. – 1990. – № 5. – С. 16-23.
13. Ташлинский, А.Г. Оценивание параметров пространственных деформаций последовательностей изображений / А.Г. Ташлинский // Ульяновск : УлГТУ. – 2000.
14. Nocedal, J. Numerical optimization/ J. Nocedal, S.J. Wright // New York : Springer-Verlag. – 1999.
15. More, J.J. Line Search Algorithms with Guaranteed Sufficient Decrease / J.J. More, D.J. Thuente // ACM Transactions on Mathematical Software. –1992. –V.20, №3. – P. 286-307.
16. Maitre, H. A dynamic programming algorithm for elastic registration of distorted pictures based on autoregressive model / H. Maitre, Y. Wu // IEEE Trans. Acoustics, Speech, and Signal Processing. – 1989. – V. 37, № 2. – P. 288-297.
17. Parizeau, M. A Comparative Analysis
Дисперсия отношения отображения яркостей
Данная мера объединяет корреляционное отношение, которое измеряет дисперсию отображения яркостей, и дисперсию отношения яркостей [76]. Суть ее заключается в использовании не значений яркости, а отношение значений яркости при вычислении корреляционного отношения. Использование отношения яркостей, а не их значения, позволяет успешно справляться с масштабированием яркостей, которые возникают, например, из-за разного коэффициента усиления сенсоров. Использование дисперсии отношения отображений, а не дисперсии отношения позволяет избежать чувствительности к характеристикам сенсоров, а также к уровням экспозиции камер.
С вычислительной точки зрения данная мера немного медленнее корреляционного отношения, так как треб