图像配准算法通常基于诸如SIFT(尺度不变特征变换)之类的点特征。

我看到了一些关于线特征的参考,但是我想知道是否可以匹配图像段点。例如,给定的源和变换后的图像:



我可以对每个图像进行边缘检测,模糊处理和分水岭变换:



遗憾的是,每个图像的分割结果差异太大,无法匹配各个片段。

我看到了一些有关匹配形状和形状描述符的文章,这些文章对于仿射变换是不变的,因此这个领域似乎很有希望...

是否有任何分割方法对图像的仿射(或射影)变形更鲁棒?

评论

我的常识告诉我,较小的区域对全球转型更为稳健。因此,细分应该有很多小细分。此外,某些特定形状对于某些转换是不变的(例如从圆到旋转)

MSER(最大稳定的极端区域)是区域,而不是点。而且它们对于仿射变换是不变的。严格来说,这不是分割方法。

@nikie如果您将评论作为答案,我会接受。我对分割感兴趣,因为区域特征包含一些有关图像变换的信息,可能会用于猜测图像之间的变换。我一定会研究有关MSER的论文。

我目前正在使用组件树来开发CBIR。图像的组件树表示形式不会太大地依赖于图像的变形(甚至是投影),不同的级别将允许比较和操作达到不同的细节级别,并且应该比低纹理图像上的当前技术更好地工作。目前这只是一个研究主题,刚刚开始,但希望该方法有所帮助,否则我将不会获得资助。但是,如果有人按照这些方针做了一些事情,可能会很有用。

@penelope这些在CBIR上的工作对于我们具有一组具有相似特征的图像的图像拼接(我特别感兴趣)也可能有用。当前流行的方法是在点描述符(例如,SIFT)上进行高维搜索,这可能导致图像之间的错误匹配,而“区域”或“分量”而不是点可能能够区分这些图像。您是否对有关图像的组件树表示的论文有任何参考?非常感谢。

#1 楼

MSER(最大稳定的极端区域)是区域,而不是点。而且它们对于仿射变换是不变的。但这并不是一种分割方法,严格来讲,

非正式地,想法是在各种阈值下找到斑点,然后选择在一定阈值范围内形状/区域变化最小的斑点。这些区域对于较大范围的灰度和几何变换应该是稳定的。

#2 楼

我目前正在使用组件树来研究CBIR,这应该是一个相对较新的想法。使用组件树来描述图像的一些预期优势将是:


图像的组件树表示形式并不会太依赖于图像的变形(甚至是射影)
检查树的不同级别将允许比较和操作达到不同的细节级别
区分和描述应该比低纹理图像上的当前技术更好。

我刚刚开始通过与该主题相关的研究,我对我的目标只有一个模糊的想法:用分量树表示图像,然后通过找到向量化表示直接比较所述分量树。我可能会在几周(或几个月)后说出更多的话,但是现在我只能提供推荐给我的论文列表作为组件树的介绍(我尚未阅读):


P。 Salembier和M.H.F.威尔金森:“关联运营商”
V. Vilaplana,F。Marques和P. Salembier:“用于对象检测的二进制分区树”
P。 Soille,L. Najman:“关于图像处理和空间数据聚类的形态层次表示法”

我可以在找到相关内容时更新答案。

也,如果您的目标是以某种方式更准确地匹配图像区域而不是仅是点,因为区域可能更具区分性,那么在J. Sivic和A. Zisserman中有一个很好的建议:“视频Google:一种文本检索方法视频中的对象匹配”。

我指的是有关空间一致性的部分,其中仅当特征点在两个图像中都保持相似的空间配置时,才接受特征点之间的一组匹配。因此,匹配不仅取决于所提取特征的类型(DoG,MSER等)还是描述符(SIFT),而且还会查看特征点的较宽环境,从而使其(至少一点)取决于地区。