图像配准中的互信息
来源:互联网 发布:专业数据分析软件 编辑:程序博客网 时间:2024/04/29 11:05
图像配准是为了解决两幅不同来源的图像匹配问题。例如,楼外的一颗大树开花了,小明路过觉得好看,就拿相机拍了一张照片。结果回屋拷出来一看不满意,于是小明从窗户又拍了一张。两张照片拍摄角度和距离不一样(也即存在投影变换),同时照片细节也有差异(第二次拍摄的时候起风了,树叶子都有轻微的位移)。那么问题来了:怎么样让计算机把两幅图片中的树,像素对像素的给匹配起来?
互信息配准算法是解决此问题较好的方法之一。它是利用信息论中的熵思想。我们知道,熵是对随机变量不确定度的衡量。一个离散随机变量X的熵可以表示为:
那么对于联合分布
可以证明,X的条件熵是一定小于其自身的熵,也即
啥时候等号成立呢?当X和Y完全独立的时候,有兴趣的同学可以推导一下,很简单。从物理意义上也比较好理解:当X和Y完全独立,我们知道Y的值,和随机变量X没有一点关系,当然X的不确定度就没有减小。所以此时条件熵和熵相等。
有了条件熵之后,就可以定义随机变量
这个公式不太直观,不过如果这么解释就易懂多了:
换言之,互信息就是,当引入一个和X具有相关性的随机变量Y之后,条件熵所消除的不确定度。
下面回到图像配准问题,假设现在待配准的两幅图像分别是
其中
有了互信息作为小明拍摄的两幅图片之间相似性的度量,我们就可以开始配准啦。首先要建立变换模型,由于两张照片之间是存在角度和距离的变化,可以用投影变换来仿真。令
其中
如何让搜索过程能够最好、最快地收敛到全局最优解,是图像配准中的另一个重要问题,这个目前还在学习中,留待下次记录。遗传算法、模拟退火等都可以用来求解。
互信息配准的优点是只使用了图像本身的信息,也即底层信息。它不像SIFT匹配等方法,需要人工设定的特征点提取。同时,由于互信息具有较好的鲁棒性,这种方法对局部差异不太敏感,例如灰度不均、几何失真、数据缺失等等。缺点就是运算量大,配准时间依赖搜索算法。
- 图像配准中的互信息
- 图像配准中的互信息
- 互信息图像配准
- 互信息图像配准
- 图像配准之 互信息篇(简介)
- 图像配准之 互信息篇(续)
- 【图像配准】基于互信息的图像配准算法:MI、EMI、ECC算法
- 【图像配准】基于互信息的图像配准算法:MI、EMI、ECC算法
- 图像的熵、联合熵、互信息
- MATLAB计算图像互信息值
- opencv计算图像互信息熵
- opencv计算图像互信息熵
- 信息论中的MI(互信息公式)
- ITK Viola-Wells 互信息测度配准示例
- 图像相似性度量—— 归一化互信息实现
- 图像的归一化互信息Normlized Mutual Information
- 图像相似性度量——互信息计算Matlab实现
- 互信息
- 使用一个ContentProvider操作多张表
- sql server中char和varchar的区别
- React---状态和生命周期
- SQL数据库访问指定行数据
- log4j使用
- 图像配准中的互信息
- Python中(Dict和Set类型、函数、切片 、迭代 )
- vue开发:vue+axios实现登录拦截
- Beautiful Soup记录
- [JZOJ5127]塔
- 柯西收敛准则
- java泛型
- Python学习之闭包
- PHP 正则表达式