本文選題：小波變換 + 閾值函數(shù)　； 參考：《西南交通大學(xué)》2017年碩士論文

【摘要】：圖像配準(zhǔn)技術(shù)是圖像處理與模式識別領(lǐng)域中非常重要的一部分。圖像配準(zhǔn)在目標(biāo)檢測、超分辨率重建、運(yùn)動(dòng)軌跡估計(jì)、特征識別、醫(yī)學(xué)影像、地理遙感圖像等領(lǐng)域都有廣泛的應(yīng)用。每一種配準(zhǔn)方法都會針對研究領(lǐng)域特定的需要而設(shè)計(jì),所有的圖像配準(zhǔn)方法的共性就是要在不同的空間中尋找一種最優(yōu)的空間變換模型,這種變換能夠使兩幅圖像在某種意義上達(dá)到匹配。對于不同的應(yīng)用領(lǐng)域,圖像特征匹配具有不同的意義,就需要采用具有針對性的方法。根據(jù)模板圖像和待配準(zhǔn)圖像之間的關(guān)系,將圖像配準(zhǔn)分為多源圖像配準(zhǔn)、基于模板的配準(zhǔn)、多角度圖像配準(zhǔn)、時(shí)間序列圖像配準(zhǔn)四大類。本文主要討論基于模板圖像的多幀圖像配準(zhǔn),在技術(shù)層面主要是基于圖像特征的圖像配準(zhǔn)算法。采用一種疊加的圖像配準(zhǔn)技術(shù)來進(jìn)行討論和研究,來提升圖像的信噪比等相關(guān)參數(shù)。本文針對超聲TOFD圖像在信噪比提升方面進(jìn)行了討論和研究。系統(tǒng)的介紹和分析了小波圖像降噪算法相關(guān)技術(shù);采用貝葉斯估計(jì)理論進(jìn)行噪聲參數(shù)估計(jì);接下來,本文提出了一種新的閾值函數(shù)對高頻小波系數(shù)進(jìn)行壓縮處理。然后,將處理后的細(xì)節(jié)小波系數(shù)結(jié)合近似小波系數(shù)進(jìn)行反小波變換,得到新的信號;最后,采用基于最大相關(guān)的圖像配準(zhǔn)方法消除數(shù)據(jù)采集過程中的偏差,經(jīng)過多幅配準(zhǔn)圖像的疊加得到最終的去噪圖像數(shù)據(jù)。相對于傳統(tǒng)方法,信噪比提高了 12.2dB,提升幅度約為99%。本文采用單應(yīng)性估計(jì)的方法進(jìn)行圖像配準(zhǔn)。這里,對單應(yīng)性矩陣的計(jì)算方法進(jìn)行了討論和分析。分別采用SIFT算法和SURF算法提取特征點(diǎn)和特征描述向量的計(jì)算,生成模板圖像和待配準(zhǔn)圖像之間的對應(yīng)匹配關(guān)系。然后分別采用有向線性變換和Bundle Adjustment方法進(jìn)行單應(yīng)性矩陣的計(jì)算。對于超聲TOFD圖像質(zhì)量的提升,在采用降噪算法對圖像進(jìn)行預(yù)處理后,采用基于圖像特征的方法進(jìn)行圖像配準(zhǔn)。首先,采用DoG算子提取圖像中的特征點(diǎn),然后對每個(gè)特征點(diǎn)采用SIFT算法進(jìn)行標(biāo)記;在模板圖像(fixed image)和待配準(zhǔn)圖像(float image)之間的特征點(diǎn)通過最小歐式距離原則形成的對應(yīng)關(guān)系,然后采用RANSAC算法對形成的對應(yīng)關(guān)系進(jìn)行優(yōu)化,將其中部分誤匹配點(diǎn)去除,計(jì)算出兩幅圖像之間的單應(yīng)性矩陣。最后,利用單應(yīng)性矩陣進(jìn)行仿射變換,完成圖像配準(zhǔn)。利用單應(yīng)性矩陣進(jìn)行圖像配準(zhǔn)可以對圖像進(jìn)行伸縮、旋轉(zhuǎn)等變換。相對于基于最大相關(guān)方法的配準(zhǔn)結(jié)果,信噪比提升了約2dB,提升幅度約為10%。為了克服經(jīng)典SIFT、SURF等配準(zhǔn)算法中的不足,本文討論了一種多單應(yīng)性矩陣局部圖像配準(zhǔn)的方法。提出一種AGAST-DAISY特征點(diǎn)提取標(biāo)記的方法,結(jié)合紅黑樹匹配算法實(shí)現(xiàn)圖像配準(zhǔn)。首先采用AGAST算法對圖像中的特征點(diǎn)進(jìn)行提取,在選取特征點(diǎn)標(biāo)記時(shí)采用DAISY描述子,為了加快運(yùn)算速度,本文提出一種基于三階統(tǒng)計(jì)量的主成分提取算法進(jìn)行降維,然后在模板圖像和待配準(zhǔn)圖像之間采用最小歐式距離原則進(jìn)行特征點(diǎn)匹配。對于采用傳統(tǒng)RANSAC算法的隨機(jī)性帶來的不利影響,本文采用基于聚類一致性原則的方法對其進(jìn)行改進(jìn)。首先,分別采用在Jeffrey散度和Gap統(tǒng)計(jì)量原則下選取聚類數(shù)目,通過多種實(shí)驗(yàn)數(shù)據(jù)的計(jì)算機(jī)模擬驗(yàn)證,兩種原則下選取出的聚類數(shù)目相同。在確定聚類數(shù)目后,采用C-means模糊聚類的方法分別對模板圖像和待配準(zhǔn)圖像進(jìn)行聚類,形成C個(gè)聚類中心。采用紅黑樹數(shù)據(jù)結(jié)構(gòu)進(jìn)行匹配,即對應(yīng)的每個(gè)類都會形成一個(gè)單應(yīng)性變換矩陣。通過對應(yīng)類的單應(yīng)性矩陣仿射變換,實(shí)現(xiàn)圖像的局部配準(zhǔn),有效的消除了傳統(tǒng)RANSAC算法隨機(jī)性帶來的影響。從而提高了配準(zhǔn)精度。對于超聲T0FD圖像在信噪比方面,隨著疊加數(shù)目的增加,信噪比提升1dB左右,均方根誤差低于最大相關(guān)配準(zhǔn)方法0.01左右,約為最大相關(guān)配準(zhǔn)方法的85%。對于土星圖像,相對于傳統(tǒng)方法信噪比大約有10dB的提升,對比度噪聲比提升了 10左右,均方根誤差約下降了 0.02,大約為傳統(tǒng)方法的50%。對于火星圖像,信噪比有5dB的提升,對比度噪聲比提升了約45,均方根誤差下降了 0.02左右,約為傳統(tǒng)方法的60%。
[Abstract]:Image registration is a very important part of image processing and pattern recognition. Image registration is widely used in the fields of target detection, super resolution reconstruction, motion trajectory estimation, feature recognition, medical image, geographic remote sensing image and so on. Each registration method will be designed for the specific needs of the research field, all of which are designed. The similarity of image registration methods is to find an optimal space transformation model in different spaces. This transformation can make the two images match in a certain sense. For different application fields, the image feature matching has different meanings. It is necessary to adopt a targeted method. The relationship between quasi images is divided into multi source image registration, based on template registration, multi angle image registration, and time series image registration. This paper mainly discusses the multi frame image registration based on template image, and mainly is image registration algorithm based on image feature on the technical level. A superimposed image registration is adopted in this paper. The technology is discussed and studied to improve the signal to noise ratio and other related parameters. In this paper, the ultrasonic TOFD image is discussed and studied in the aspect of signal to noise ratio enhancement. The system is introduced and analyzed the correlation technology of wavelet image denoising algorithm; Bayesian estimation theory is used to estimate the noise parameters. The new threshold function compresses the high frequency wavelet coefficients. Then, the wavelet coefficients after the processing are combined with the approximate wavelet coefficients to carry out the anti wavelet transform, and the new signals are obtained. Finally, the error in the data acquisition process is eliminated by the image registration method based on the maximum correlation, and the superposition of multiple registration images is finally obtained. Compared to the traditional method, the signal to noise ratio is improved by 12.2dB and the amplitude of the lifting is about 99%.. This paper uses the method of single stress estimation to register the image. Here, the calculation method of the single echo matrix is discussed and analyzed. The calculation of the feature point and the feature description vector is obtained by using the SIFT algorithm and the SURF algorithm respectively. The corresponding matching relationship between the template image and the image to be registered. Then the mono homography matrix is calculated using the directed linear transformation and the Bundle Adjustment method. For the improvement of the quality of the ultrasonic TOFD image, the image registration based on the image feature is adopted after the image is preprocessed with the denoising algorithm. The feature points in the image are extracted by the DoG operator, and then the SIFT algorithm is used to mark each feature point. The corresponding relationship between the template image (fixed image) and the registration image (float image) is formed by the minimum Euclidean distance principle, and then the corresponding relationship is optimized by the RANSAC algorithm. The single echo matrix between two images is calculated. Finally, the image registration is completed by using the homography matrix to carry out affine transformation. The image registration can be telescopic and rotated by using the single stress matrix. The signal to noise ratio is improved by about 2dB, and the signal to noise ratio is improved by about 2dB. The amplitude is about 10%. in order to overcome the shortcomings of the classical SIFT, SURF and other registration algorithms. In this paper, a method of local image registration of multiple homography matrix is discussed. A method of extracting AGAST-DAISY feature points is proposed, which combines the red black tree matching algorithm to realize the image registration. First, the AGAST algorithm is used to extract the feature points in the image. The DAISY descriptor is used in the selection of feature points. In order to speed up the operation speed, a principal component extraction algorithm based on three order statistics is proposed to reduce the dimension, and then the feature points are matched with the minimum Euclidean distance principle between the template image and the image to be registered. In this paper, we adopt the method of clustering consistency principle to improve it. Firstly, the number of clustering is selected under the principle of Jeffrey divergence and Gap statistics, and the number of clusters selected under the two principles is the same. The number of clustering is the same. After determining the number of clustering, the number of clustering is used to be fuzzy. Clustering methods are used to cluster the template image and the image to be registered to form C cluster centers. Using the red black tree data structure to match, that is, each class will form a homography transformation matrix. The local registration of the image is realized by the affine transformation of the corresponding homography matrix of the corresponding class, which effectively eliminates the traditional RANSAC calculation. The accuracy of registration is improved. As to the signal to noise ratio of the ultrasonic T0FD image, with the increase of the number of superposition, the signal to noise ratio is raised about 1dB, the root mean square error is less than 0.01 of the maximum correlation registration method, and the 85%. pair of the largest correlation registration method is about the image noise ratio of the traditional method relative to the traditional method. With the enhancement of 10dB, the contrast noise ratio increased by about 10, and the mean square root error decreased by 0.02. It was about the traditional method of 50%. for Mars images, the signal to noise ratio was raised by 5dB, the contrast noise ratio was raised about 45, the root mean square error was reduced by about 0.02, about the traditional method of 60%..

【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程芳,朱敏慧,吳一戎;改進(jìn)的多項(xiàng)式圖像配準(zhǔn)方法[J];電子與信息學(xué)報(bào);2001年11期

2 劉斌,彭嘉雄;圖像配準(zhǔn)的小波分解方法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2003年09期

3 諶安軍;;基于多尺度圖像配準(zhǔn)方法[J];電子測量技術(shù);2003年05期

4 諶安軍,陳煒,毛士藝;一種基于邊緣的圖像配準(zhǔn)方法[J];電子與信息學(xué)報(bào);2004年05期

5 劉松濤;楊紹清;;圖像配準(zhǔn)技術(shù)性能評估及實(shí)現(xiàn)概況[J];電光與控制;2007年03期

6 李玲玲;黃其民;李保;;多傳感器圖像配準(zhǔn)方法綜述[J];光盤技術(shù);2007年02期

7 劉松濤;楊紹清;;圖像配準(zhǔn)技術(shù)研究進(jìn)展[J];電光與控制;2007年06期

8 上官晉太;郭慧;岳晉;楊汝良;;圖像配準(zhǔn)測度對重疊面積變化的魯棒性分析[J];光電工程;2008年11期

9 李曉明;張繼福;;一種基于學(xué)習(xí)的自動(dòng)圖像配準(zhǔn)檢驗(yàn)方法[J];自動(dòng)化學(xué)報(bào);2008年01期

10 徐海黎;花國然;莊健;王孫安;;采用小世界免疫克隆算子的頻率域圖像配準(zhǔn)[J];西安交通大學(xué)學(xué)報(bào);2009年06期

相關(guān)會議論文 前10條

1 付宇光;唐煥文;唐一源;;一種優(yōu)化算法在圖像配準(zhǔn)中的應(yīng)用[A];第二十屆中國控制會議論文集（上）[C];2001年

2 桂秋陽;邱志明;;大口徑艦炮圖像配準(zhǔn)方式射擊精度仿真[A];中國系統(tǒng)仿真學(xué)會第五次全國會員代表大會暨2006年全國學(xué)術(shù)年會論文集[C];2006年

3 彭靜;徐曉艷;任蕾;;一種基于極對數(shù)分?jǐn)?shù)階傅里葉變換的圖像配準(zhǔn)方法[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2011)論文集【oral】[C];2011年

4 王佳佳;廖寧放;廉玉生;劉子龍;;基于八通道成像光譜儀圖像配準(zhǔn)技術(shù)研究[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

5 馮麗麗;姜慧研;李季;;一種自適應(yīng)的非剛性圖像配準(zhǔn)方法及其在肝臟配準(zhǔn)中的應(yīng)用[A];第九屆全國信息獲取與處理學(xué)術(shù)會議論文集Ⅱ[C];2011年

6 翟勝軍;姜暉;張鑫;;一種基于角點(diǎn)的圖像配準(zhǔn)方法[A];武漢(南方九省)電工理論學(xué)會第22屆學(xué)術(shù)年會、河南省電工技術(shù)學(xué)會年會論文集[C];2010年

7 吳錚;錢徽;朱淼良;;基于特征匹配的航空圖像配準(zhǔn)[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

8 楊必武;倪志斌;;圖像配準(zhǔn)中基于最大熵的模板選取算法研究[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

9 李紅波;倪國強(qiáng);;圖像配準(zhǔn)中特征點(diǎn)匹配分析與展望[A];第三屆全國嵌入式技術(shù)和信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2009年

10 滕凱風(fēng);張建秋;周柏楊;王友華;;基于免疫單純形法的魯棒多分辨率圖像配準(zhǔn)[A];2007'儀表，，自動(dòng)化及先進(jìn)集成技術(shù)大會論文集（一）[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 叢偉建;應(yīng)用于肝臟介入診療的超聲圖像分析與導(dǎo)航方法研究[D];北京理工大學(xué);2015年

2 靳峰;基于特征的圖像配準(zhǔn)關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2015年

3 黃韶杰;基于聚類的煤巖分界圖像識別技術(shù)研究[D];中國礦業(yè)大學(xué)(北京);2016年

4 馬亮;基于模塊化推掃式成像光譜儀的光譜校正與圖像配準(zhǔn)技術(shù)研究[D];中國科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

5 趙偉;SAR圖像配準(zhǔn)的穩(wěn)健核譜方法[D];西北工業(yè)大學(xué);2016年

6 宋智禮;圖像配準(zhǔn)技術(shù)及其應(yīng)用的研究[D];復(fù)旦大學(xué);2010年

7 周武;精密圖像配準(zhǔn)方法研究及在精密電子組裝中的應(yīng)用[D];華南理工大學(xué);2012年

8 黃曉陽;在體肝臟圖像配準(zhǔn)方法及應(yīng)用研究[D];廈門大學(xué);2009年

9 朱憲偉;基于結(jié)構(gòu)特征的異源圖像配準(zhǔn)技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2009年

10 王東峰;多模態(tài)和大型圖像配準(zhǔn)技術(shù)研究[D];中國科學(xué)院研究生院（電子學(xué)研究所）;2002年

相關(guān)碩士學(xué)位論文 前10條

1 楊小麗;基于輪廓的SAR圖像配準(zhǔn)方法研究[D];天津理工大學(xué);2015年

2 張海濱;圖像配準(zhǔn)技術(shù)在前列腺DWI序列圖像中的研究與應(yīng)用[D];河北大學(xué);2015年

3 汪松;在圖像配準(zhǔn)中基于點(diǎn)特征的匹配算法[D];鄭州大學(xué);2015年

4 王菲;一種改進(jìn)的紅外圖像配準(zhǔn)拼接算法研究[D];蘭州大學(xué);2015年

5 牛慧賢;基于分?jǐn)?shù)階傅里葉變換的剛性圖像配準(zhǔn)技術(shù)[D];鄭州大學(xué);2015年

6 郭莉莉;基于人工蜂群算法的SPECT-B超甲狀腺圖像配準(zhǔn)[D];河北大學(xué);2015年

7 何永亮;基于特征點(diǎn)和TPE兩點(diǎn)熵的圖像配準(zhǔn)技術(shù)研究[D];華中師范大學(xué);2015年

8 胡鐘琴;基于互信息和粒子群算法的圖像配準(zhǔn)研究[D];廣西大學(xué);2015年

9 商磊;基于改進(jìn)SIFT算法的圖像配準(zhǔn)研究[D];電子科技大學(xué);2014年

10 陳海斌;圖像分割和圖像配準(zhǔn)在近距離放射治療中的應(yīng)用研究[D];南方醫(yī)科大學(xué);2015年

本文編號：1874617