图像配准分割

图像配准算法通常基于点特征，例如SIFT（尺度不变特征变换）。

我看到了一些有关线要素的参考，但是我想知道是否可以匹配图像段而不是点。例如，给定的源和转换后的图像：

我可以对每个像素进行边缘检测，模糊和分水岭变换：

遗憾的是，在每个图像上的分割结果差异太大，无法匹配各个段。

我看到了一些关于匹配形状和形状描述符的论文，这些关系对于仿射变换是不变的，所以这个领域似乎很有希望...

是否存在任何更鲁棒的仿射（甚至射影）图像变形方法？

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

非正式地讲，该想法是找到处于各种阈值的斑点，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。

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

• 图像的分量树表示形式不会太大地依赖于图像的变形（即使是射影）
• 检查树的不同级别将允许比较和操作达到不同的详细程度
• 对于低纹理图像，区分和描述应该比当前技术更好。

当我刚开始与该主题相关的研究时，我对我的目标只有一个模糊的想法：用分量树表示图像，然后比较所述的分量树，或者直接通过找到矢量化表示来进行比较。我可能会在几周（或几个月）后说更多话，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MHF Wilkinson：“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”

如果可以找到相关的内容，我也许可以更新答案。

另外，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中提出了一个很好的建议：“视频Google：文本检索视频中对象匹配的方法”。

我指的是涉及空间一致性的部分，其中仅当特征点在两个图像中都保持相似的空间配置时，才接受一组特征点之间的匹配。因此，匹配不仅取决于提取的特征的类型（DoG，MSER等）还是描述符（SIFT），而且还着眼于特征点的较宽环境，从而使其（至少一点）取决于地区。