Questions tagged «image-registration»

问题有两个不同大小的点集（为简单起见为2D）散布在两个不同大小的正方形中，问题是： 1- 如何找到小到大的任何一个？ 2-关于如何对出现的事件进行排名的想法，如下图所示？ 这是问题的简单演示和所需的解决方案： 更新1： 下图显示了所研究问题的更实际的视图。 关于注释，以下属性适用： 点的确切位置可用 点的确切大小可用 大小可以为零（〜1）=仅一个点 所有点在白色背景上都是黑色的 没有灰度/抗锯齿效果 这是我通过endolith一些小的更改实现的方法的实现（我旋转了目标而不是源，因为它更小且旋转更快）。我接受了'endolith'的回答，因为我之前在考虑这个问题。关于RANSAC到目前为止，我还没有经验。此外，RANSAC的实现需要大量代码。

46 image-processing  computer-vision  image-registration 

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？

15 local-features  image-segmentation  image-registration 

我有一组图像代表人的后表面的平均曲率。 我要做的是“扫描”图像中在图像的其他部分具有相似，反射“对应”的点（最有可能与中线对称，但不一定存在畸变）。一些图像拼接技术使用此功能来“自动检测”图像之间的相似点，但是我想针对同一图像的两面进行检测。 最终目标是找到一条连续的，最可能是弯曲的纵向线，以适应性地将背部分成对称的“两半”。 示例图像放在下面。请注意，并非所有区域都是对称的（特别是在图像中心上方，红色的垂直“条”向右偏移）。该区域应获得较差的分数，或类似的分数，但随后将从更远的对称点定义局部对称性。无论如何，我都必须使任何算法适应我的应用程序领域，但是我所追求的是som相关/卷积/模式匹配策略，我认为必须已经有了一些东西。 （编辑：下面有更多图片，还有更多说明） 编辑：根据要求，我将包括更典型的图像，无论它们行为正常还是有问题。但是它们不是彩色图像，而是灰度图像，因此颜色直接与数据大小有关，而彩色图像却没有发生这种情况（仅用于通信）。尽管与彩色图像相比，灰色图像似乎缺乏对比度，但数据梯度仍然存在，并且可以根据需要提供一些自适应对比度。 1）一个非常对称的物体的图像： 2）同一主题在不同时刻的图像。尽管有更多的“功能”（更多的渐变），但它并不像以前那样“对称”： 3）较瘦的年轻受试者，在中线具有凸度（红色的凸起，用较浅的区域表示），而不是更常见的凹形中线： 4）X射线证实有脊椎偏斜的年轻人（注意不对称）： 5）典型的“倾斜”主题（尽管在弯曲的中线周围大多是对称的，因此不能正确地“变形”）： 任何帮助都非常欢迎！

14 image-processing  cross-correlation  image-registration 

甲点云被使用统一的随机函数生成(x,y,z)。如下图所示，正在研究一个平面相交平面（轮廓），该平面与目标轮廓（即在左下角给出的）最佳（即使不是精确的）相匹配。所以问题是： 1-如何target 2D point map通过point cloud考虑以下注意事项/条件找到给定的匹配？ 2-那么什么是坐标/方向/相似度等？ 注1：感兴趣的轮廓可以沿轴旋转任何位置，也可以具有不同的形状，例如三角形，矩形，四边形等，具体取决于其位置和方向。在下面的演示中，仅显示了一个简单的矩形。 注2：可以将公差值视为点到轮廓的距离。为了在下图中证明这一点，假设公差是0.01最小尺寸的(~1)乘积tol=0.01。因此，如果我们删除其余部分并将所有剩余点投影在要研究的轮廓平面上，那么我们将能够检查其与目标轮廓的相似性。 注意3：可以在“ 点模式识别”中找到一个相关主题。

14 image-processing  computer-vision  image-registration  point-cloud 

我很难理解在利用Y'UV图像中的色度二次采样时如何计算数据速率： 我有以下示例进行计算： 图像分辨率：352*288 频率：25 fps 对于（4：4：4），示例计算如下： (352px * 288px) * 3 color channels * 25 fps * 8 bit = 60 825 600 bit/s 到目前为止，一切都很好。 但是现在来了（4：2：0）： (352px*288px) * 1.5 color channels * 25 * 8 = 30 412 800 bit/s 现在，尝试将此示例转换为例如（4：1：1），我意识到我不确定自己是否正确理解如何计算1.5个颜色通道的比率。 我对计算的第一个猜测是在（4：2：0）的情况下： 2/4*3=1.5 color channels 同样，对于（4：1：1），我将计算颜色通道的比率为： 1/4*3=0.75 color channels 但是我根本不确定这是否是正确的方法。 …

10 image-processing  image-processing  matlab  fourier-series  wavelet  transform  image-processing  matlab  image  image-processing  image-registration  segmentation  image-processing  edge-detection  canny-edge-detector  tracking  image  fft  stft  image-processing  preprocessing  segmentation  image-processing  computer-vision  image-segmentation  thresholding  frequency-spectrum  wave  image-processing  edge-detection  window-functions  image-processing  optical-flow  image-processing  ocr  text-recognition  image-processing  computer-vision  frequency-spectrum  image-processing  image-processing  computer-vision  fourier-transform  dsp-core  wave  image-processing  3d 

我正在尝试使用霍夫变换进行边缘检测，并希望使用渐变图像作为基础。 我迄今所做，给出的图像I尺寸的[M,N]和它的部分衍生物gx，gy是计算中的每个像素作为梯度角thetas = atan(gy(x,y) ./ gx。同样，我将梯度幅度计算为magnitudes = sqrt(gx.^2+gy.^2)。 要构建霍夫变换，我使用以下MATLAB代码： max_rho = ceil(sqrt(M^2 + N^2)); hough = zeros(2*max_rho, 101); for x=1:M for y=1:N theta = thetas(x,y); rho = x*cos(theta) + y*sin(theta); rho_idx = round(rho)+max_rho; theta_idx = floor((theta + pi/2) / pi * 100) + 1; hough(rho_idx, theta_idx) = hough(rho_idx, theta_idx) + …

9 image-processing  edge-detection  image-processing  computer-vision  image-registration  discrete-signals  noise  bpsk  snr  demodulation  bpsk  multipath  synchronization  timing  image-processing  filters  algorithms  edge-detection  sampling  demodulation  bpsk  synchronization  timing  fft  fourier-transform  delay  audio  speech-recognition  soft-question  discrete-signals  discrete-signals  autocorrelation  frequency  computer-vision