本文讲述如何利用Matlab Image Processing Toolbox中的图像配准工具实现线性正投影、仿射、投影、多项式、分段线性、局部加权平均配准的过程。
实验平台
X86 PC，Windows XP sp2, Matlab 7.1
资源的获取
matlab工具的使用方法：查看帮助mage Processing Toolbox User's Guide——Image registration。
涉及配准方法简介
该工具箱提供的配准方法均需手工选择图像间的匹配点对(control points pair)，均属于交互配准方法。其基本过程为：读入图像数据－>在两副图像上选择足够匹配点－>选择配准算法，计算变换参数－>变换图像。
假设input image(输入图像)为欲进行配准的图像，base image为配准是的参考图像。以下是我参考matlab帮助给出了简介。
1．线性正投影(linear conformal)：最简单。平面映射成平面。
当输入输入图像与参考图像对比，只是存在全局的平移、旋转、缩放或其三者组合的差别时(正方形仍对应正方形)，选择此配准方法。此方法至少需要2对匹配点。
2．仿射(affine)：将平行线转换成平行线。
当输入图像形状存在切变现象(正方形对应平行四边形)，选此法。至少需3对匹配点。
3．投影(projective)：将直线映射成直线。
如果输入图像呈现倾斜，翘起现象，选此法。至少需4对匹配点。
4．多项式(polynomial)：将直线映射成曲线。
如果输入图像出现不规则曲变，采用此法。Matlab中提供有2、3、4次幂的实现，分别至少需要6，10，10对匹配点。
5．分段线性(piecewise linear)
如果输入图像的各个局部之间的退化模式明显不一样，选此法。至少需要4对匹配点。
6．局部加权平均(local weighted mean)
与分段线性一致，但效果较之好。至少需要6对(推荐12对)匹配点。
实验步骤
1．读取图像数据。
因为源图像以矩阵形式存在一个二进制的文件里，用fread可将其读取到变量矩阵中。将读取文件编制成一个子函数(RTIread.m)，源代码如下：
function imMatrix=RTIread(FILENAME,SIZE)
%RTIreadRead the image matrix from binary "Registration Test Image" file.
%imMatrix=RTIread(FILENAME,SIZE) opens the file FILENAME, and reads the
%number of elements specified by SIZE.
%
%FILENAME is a string containing the name of the file to be opened.
%Valid entries for SIZE are:
%Nread N elements into a column vector.
%infread to the end of the file.
%[M,N]read elements to fill an M-by-N matrix, in column order.
%N can be inf, but M can't.
%
%It returns the image matrix.
fid=fopen(FILENAME,'r');
imMatrix=fread(fid,SIZE,'uint8=>uint8');
fclose(fid);
%image(imMatrix);
这里我们选取了两张600×600的图片，文件名为“casitas84”和“casitas86”。运行以下代码读取图像矩阵：
% 1. Read the images into the MATLAB
workspace.
base=RTIread('casitas84',[600,600]);
input=RTIread('casitas86',[600,600]);
2．选取匹配点(control points)。
根据预定的配准方法，选定足够的匹配点对。运行下列代码：
% 2.Specify control point pairs n the images and
save.
cpselect(input,base);%please
select 15 points for test.
出现GUI界面。
操作很简单，只需注意选点要均匀布开，以增加其代表性。选定完毕，File-> Save Points to
Workspace将数据保存到工作区中。Workspace立刻多出两个N×2的数组(其中N为选定的匹配点对数)，分别为input_points和base_points，如：
input_points =
119.5185193.5926
168.9012242.9753
105.9383140.5062
459.0247131.8642
313.3457257.7901
292.3580165.1975
276.308633.0988
283.7160380.0123
76.3086297.2963
135.567983.7160
360.2593313.3457
94.8272446.6790
70.1358354.0864
181.2469361.4938
381.2469460.2593
252.8519433.0988
3．利用十字相关法调整选定了的匹配点。
这步可选。运行代码：
% 3.Fine-tune the control points using
cross-correlation.
input_points_corr =
cpcorr(input_points,base_points,input,base); %optimism the
points
input_points_corr为优化后在输入图片的对应匹配点。
4．计算变换公式的参数。
利用cp2tform，选定变换类型(即配准方法)，计算变换参数。以下只需选定一种即可。
% 4.Specify the type of transformation to be used
and infer its parameters
% (1) not Fine-tune points
Tlinear =
cp2tform(input_points,base_points,'linear conformal');
Taffine =
cp2tform(input_points,base_points,'affine');
Tprojective =
cp2tform(input_points,base_points,'projective');
Tpolynomial2 =
cp2tform(input_points,base_points,'polynomial',2);
Tpolynomial3 =
cp2tform(input_points,base_points,'polynomial',3);
Tpolynomial4 =
cp2tform(input_points,base_points,'polynomial',4);
Tpiecewise =
cp2tform(input_points,base_points,'piecewise linear');
Tlwm =
cp2tform(input_points,base_points,'lwm');
% (2)Fine-tune points
fTlinear =
cp2tform(input_points_corr,base_points,'linear
conformal');
fTaffine =
cp2tform(input_points_corr,base_points,'affine');
fTprojective =
cp2tform(input_points_corr,base_points,'projective');
fTpolynomial2 =
cp2tform(input_points_corr,base_points,'polynomial',2);
fTpolynomial3 =
cp2tform(input_points_corr,base_points,'polynomial',3);
fTpolynomial4 =
cp2tform(input_points_corr,base_points,'polynomial',4);
fTpiecewise =
cp2tform(input_points_corr,base_points,'piecewise
linear');
fTlwm =
cp2tform(input_points_corr,base_points,'lwm');
诸如Tlinear的变量为一个称为TFORM的数据结构，尚没做仔细研究：
Tlinear =
ndims_in:
2
ndims_out:
2
forward_fcn:
@fwd_affine
inverse_fcn:
@inv_affine
tdata:
[1x1 struct]
5．变换图像。
% 5.Transform the unregistered image to bring it
into alignment.
title('image registration polynomial
method');
subplot(2,2,1);
imshow(base);
title('Base image');
subplot(2,2,2);
imshow(input);
title('Input image');
subplot(2,2,3);
imshow(imtransform(input,Tpolynomial2));
title('registered image');
subplot(2,2,4);
imshow(imtransform(input,fTpolynomial2));
title('registered image(fine-tune
points)');
结果如下：
总结
1．image和imshow区别。前者视base，input此类二维图片矩阵为索引图像，在系统的index库中选取颜色。
2．选择适当的方法来建立转换参数，并非算法越复杂越好，应参考成像因素(退化因素)。
3．尚没有看出十字相关法的好处。
4.
利用cpselect选择匹配点，cpselect可以返回一个GUI句柄。欲实现如下功能：当打开cpselect GUI
时，m文件程序暂停运行，关闭之后继续执行。因为对GUI编程不懂， 使用了waitfor,pause函数都没法实现。尝试中……
)
