CN110084839B - 一种用于天文图像配准的方法 - Google Patents

一种用于天文图像配准的方法 Download PDF

Info

Publication number
CN110084839B
CN110084839B CN201910240992.8A CN201910240992A CN110084839B CN 110084839 B CN110084839 B CN 110084839B CN 201910240992 A CN201910240992 A CN 201910240992A CN 110084839 B CN110084839 B CN 110084839B
Authority
CN
China
Prior art keywords
image
registered
registration
gradient
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910240992.8A
Other languages
English (en)
Other versions
CN110084839A (zh
Inventor
黄欢
张丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201910240992.8A priority Critical patent/CN110084839B/zh
Publication of CN110084839A publication Critical patent/CN110084839A/zh
Application granted granted Critical
Publication of CN110084839B publication Critical patent/CN110084839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于天文图像配准的方法，属于天文图像配准技术领域。本发明包括步骤：首先对待配准图像和配准图像进行预处理，去除噪声；然后提取待配准图像和配准图像的灰度特征；其次计算待配准图像和配准图像之间的位移和梯度信息、互信息；最后根据配准空间，实现图像的配准。本发明采用Demons算法和梯度互信息算法相结合的改进算法，有效的改进了现有的Demons算法配准率低的问题。

Description

一种用于天文图像配准的方法
技术领域
本发明涉及一种用于天文图像配准的方法，属于天文图像配准技术领域。
背景技术
地球是目前人类生活的唯一生活场所，太阳对地球上的环境有着很大的影响。当太阳耀斑、日冕物质等活动爆发时，会出现X射线、紫外线辐射变强、日冕物质抛射等。这些物质对地球上的生物有着很大的影响，所以对天文图像进行图像处理是非常重要的。图像配准技术是多种图像处理的关键步骤，处理结果的好坏直接影响到后续步骤的有效性。现阶段已有一些文献针对图像的配准提出方法，例如基于粒子群算法，与差分结合提高算法的性能(申请号：CN201611174000.9)。基于图像特征和互信息的图像配准方法，采用Powell算法优化(申请号：CN201410379720.3)。
天文图像内部结构通常有微小的不规则运动，而天体运动存在一个普遍的现象就是星体内部结构并没有从同一的方向运动或者旋转，他们之间存在着一定的相对运动。天文图像的像素不易受精确的特征提取和判断。然而Demons图像配准即基于光流场的正力以及负内力完全自动化的灰度配准方法，也是基于光流场模型梯度的模型的方法，具有配准效率快，精度高，易于实现等特点。缺点就是配准图像无法确定足够的梯度信息，所以采用梯度信息和互信息的方法弥补这种缺点。图像互信息当做配准相似性度量指导配准搜索过程，当图像互信息取到最大值时，参考图像与待配准图像实现最优匹配，但是互信息忽略了空间信息，而梯度信息是最有效的空间特征，能弥补灰度互信息的不足，提高图像配准的准确率。
发明内容
本发明提供了一种用于天文图像配准的方法，能弥补灰度互信息的不足，提高图像配准的准确率。
本发明的技术方案是：一种用于天文图像配准的方法，所述方法的具体步骤为：
步骤1、首先对待配准图像f和配准图像r进行预处理，分别去除待配准图像和配准图像的噪声；
步骤2、提取待配准图像f和配准图像r的灰度值，计算待配准图像和配准图像之间的位移和梯度信息、互信息，再把梯度信息、互信息进行结合：
步骤2.1、根据Demons算法，计算待配准图像f和配准图像r之间的位移u；
Figure BDA0002009636270000021
其中α是归一化因子，
Figure BDA0002009636270000029
和
Figure BDA00020096362700000210
分别为待配准图像和配准图像的梯度，其中|·|表示取模运算；
步骤2.2、根据待配准图像和配准图像的灰度特征计算互信息；
I(F,R)＝H(F)+H(R)-H(F,R)
其中H(F)是待配准图像f的信息熵，H(R)是配准图像r的信息熵，H(F,R)是待配准图像f和配准图像r的联合熵；
步骤2.3、计算梯度信息G(F，R)；
Figure BDA0002009636270000022
其中|·|表示取模运算，θ表示梯度向量之间的夹角，
Figure BDA0002009636270000023
是待配准函数f的梯度，
Figure BDA0002009636270000024
是配准图像r的梯度；
Figure BDA0002009636270000025
其中ω(θ)表示梯度方向的相似程度；
Figure BDA0002009636270000026
步骤2.4、互信息和梯度信息结合为；
Inew(F,R)＝G(F,R)I(F,R)
步骤3、利用梯度信息和互信息进一步改进Demons函数，当配准误差E达到最小时，则根据图像配准空间计算图像的配准位移unew；
Figure BDA0002009636270000027
其中β为权重，0≤β≤1；
步骤4、利用改进的Demons函数计算得到的待配准图像f和配准图像r之间的新位移unew作为配准相似性测度，计算当前映射参数下的配准测度值；当达到最大时，则实现两幅图像的最优匹配，最终寻找出最优的空间映射参数。
进一步地，在配准空间中，配准误差E来衡量，E最小时，图像配准的正确率越高；配准误差E由相似函数、变换误差函数和平滑正则化组成；它们用相似度度量像素距离的平方，用变换场梯度的平方作为平滑正则化；得到的迭代配准算法如下：
Figure BDA0002009636270000031
其中F是待配准图像频域，R是配准图像频域，RT和FT分别是配准图像和待配准图像的配准空间转化，S是转换域描述了每个原始像素点的在X和Y轴的平移，其中
Figure BDA0002009636270000036
是图像转换域，δi表示的是噪声的不确定性，δx是转换常数，U是线性搜索得到的迭代更新的转换域，||||2是2范数。
本发明的有益效果是：本发明采用Demons算法和梯度互信息算法相结合的改进算法，有效的改进了现有的Demons算法配准率低的问题。
附图说明
图1是本发明的流程图。
具体实施方式
实施例1：如图1所示，一种用于天文图像配准的方法，所述方法的具体步骤为：
步骤1、首先采用全变分TV的方法对待配准图像f和配准图像r进行预处理，分别去除待配准图像和配准图像的噪声；
Figure BDA0002009636270000032
Figure BDA0002009636270000033
Figure BDA0002009636270000034
Figure BDA0002009636270000035
其中λ为松弛因子，f0和r0分别是被噪声污染的待配准图像和配准图像，后边步骤迭代求配准误差E的最小值，去除图像中的噪声，有利于提高图像配准的准确率；
步骤2、提取待配准图像f和配准图像r的灰度值，计算待配准图像和配准图像之间的位移和梯度信息、互信息，再把梯度信息、互信息进行结合：
步骤2.1、根据Demons算法，计算待配准图像f和配准图像r之间的位移u；
Figure BDA0002009636270000041
其中α是归一化因子，
Figure BDA0002009636270000042
和
Figure BDA0002009636270000043
分别为待配准图像和配准图像的梯度，其中·表示取模运算；
步骤2.2、根据待配准图像和配准图像的灰度特征计算互信息；
Figure BDA0002009636270000044
Figure BDA0002009636270000045
其中p(f)是待配准图像灰度等级为i的像素出现的概率，p(r)是配准图像灰度等级为i的像素出现的概率。
Figure BDA0002009636270000046
其中，对于待配准图像f和配准图像r,pfr(f,r)为概率密度分布函数。
I(F,R)＝H(F)+H(R)-H(F,R)
其中H(F)是待配准图像f的信息熵，H(R)是配准图像r的信息熵，H(F,R)是待配准图像f和配准图像r的联合熵。当互信息I(F,R)取到最大值时，待配准图像与配准图像实现最优配准。
步骤2.3、计算梯度信息G(F，R)；
Figure BDA0002009636270000047
其中|·|表示取模运算，θ表示梯度向量之间的夹角，
Figure BDA0002009636270000048
是待配准函数f的梯度，
Figure BDA0002009636270000049
是配准图像r的梯度；
Figure BDA00020096362700000410
其中ω(θ)表示梯度方向的相似程度；
Figure BDA00020096362700000411
步骤2.4、互信息和梯度信息结合为；
Inew(F,R)＝G(F,R)I(F,R)
步骤3、利用梯度信息和互信息进一步改进Demons函数，当配准误差E达到最小时，则根据图像配准空间计算图像的配准位移unew；
Figure BDA0002009636270000051
其中β为权重，0≤β≤1；
步骤4、利用改进的Demons函数计算得到的待配准图像f和配准图像r之间的新位移unew作为配准相似性测度，计算当前映射参数下的配准测度值；当达到最大时，则实现两幅图像的最优匹配，最终寻找出最优的空间映射参数。
进一步地，在配准空间中，配准误差E来衡量，E最小时，图像配准的正确率越高；配准误差E由相似函数、变换误差函数和平滑正则化组成；它们用相似度度量像素距离的平方，用变换场梯度的平方作为平滑正则化；得到的迭代配准算法如下：
Figure BDA0002009636270000052
其中F是待配准图像频域，R是配准图像频域，RT和FT分别是配准图像和待配准图像的配准空间转化，S是转换域描述了每个原始像素点的在X和Y轴的平移，其中
Figure BDA0002009636270000056
是图像转换域，δi表示的是噪声的不确定性，δx是转换常数，U是线性搜索得到的迭代更新的转换域，||||2是2范数。
通过利用图像的相似结构度指数SSIM测试待配准图像f和配准图像r的准确度：
Figure BDA0002009636270000053
其中，μf为待配准图像的均值，μr为配准图像的均值。
Figure BDA0002009636270000054
和
Figure BDA0002009636270000055
分别为待配准图像和配准图像的方差，δfr为彼此的方差，C1和C2的目的是为了防止分母为零设置的系数。图像结构相似度指数的取值范围为0到1，SSIM的值越大，相似程度越大。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种用于天文图像配准的方法，其特征在于：所述方法的具体步骤为：
步骤1、首先对待配准图像f和配准图像r进行预处理，分别去除待配准图像和配准图像的噪声；
步骤2、提取待配准图像f和配准图像r的灰度值，计算待配准图像和配准图像之间的位移和梯度信息、互信息，再把梯度信息、互信息进行结合：
步骤2.1、根据Demons算法，计算待配准图像f和配准图像r之间的位移u；
Figure FDA0003513192900000011
其中α是归一化因子，
Figure FDA0003513192900000012
和
Figure FDA0003513192900000013
分别为待配准图像和配准图像的梯度，其中|·|表示取模运算；
步骤2.2、根据待配准图像和配准图像的灰度特征计算互信息；
I(F,R)＝H(F)+H(R)-H(F,R)
其中H(F)是待配准图像f的信息熵，H(R)是配准图像r的信息熵，H(F,R)是待配准图像f和配准图像r的联合熵；
步骤2.3、计算梯度信息G(F，R)；
Figure FDA0003513192900000014
其中|·|表示取模运算，θ表示梯度向量之间的夹角，
Figure FDA0003513192900000015
是待配准函数f的梯度，
Figure FDA0003513192900000016
是配准图像r的梯度；
Figure FDA0003513192900000017
其中ω(θ)表示梯度方向的相似程度；
Figure FDA0003513192900000018
步骤2.4、互信息和梯度信息结合为；
Inew(F,R)＝G(F,R)I(F,R)
步骤3、利用梯度信息和互信息进一步改进Demons函数，当配准误差E达到最小时，则根据图像配准空间计算图像的配准位移unew；
Figure FDA0003513192900000021
其中β为权重，0≤β≤1；
步骤4、利用改进的Demons函数计算得到的待配准图像f和配准图像r之间的新位移unew作为配准相似性测度，计算当前映射参数下的配准测度值；当达到最大时，则实现两幅图像的最优匹配，最终寻找出最优的空间映射参数；
在配准空间中，配准误差E来衡量，E最小时，图像配准的正确率越高；配准误差E由相似函数、变换误差函数和平滑正则化组成；它们用相似度度量像素距离的平方，用变换场梯度的平方作为平滑正则化；得到的迭代配准算法如下：
Figure FDA0003513192900000022
其中F是待配准图像频域，R是配准图像频域，RT和FT分别是配准图像和待配准图像的配准空间转化，S是转换域描述了每个原始像素点的在X和Y轴的平移，其中
Figure FDA0003513192900000023
是图像转换域，δi表示的是噪声的不确定性，δx是转换常数，U是线性搜索得到的迭代更新的转换域，|| ||2是2范数。
CN201910240992.8A 2019-03-28 2019-03-28 一种用于天文图像配准的方法 Active CN110084839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910240992.8A CN110084839B (zh) 2019-03-28 2019-03-28 一种用于天文图像配准的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910240992.8A CN110084839B (zh) 2019-03-28 2019-03-28 一种用于天文图像配准的方法

Publications (2)

Publication Number Publication Date
CN110084839A CN110084839A (zh) 2019-08-02
CN110084839B true CN110084839B (zh) 2022-07-22

Family

ID=67413788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910240992.8A Active CN110084839B (zh) 2019-03-28 2019-03-28 一种用于天文图像配准的方法

Country Status (1)

Country Link
CN (1) CN110084839B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113827340A (zh) * 2021-09-09 2021-12-24 王其景 一种管理手术患者信息的导航系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325111A (zh) * 2013-06-05 2013-09-25 哈尔滨工程大学 一种基于互信息的非刚性声纳图像配准方法
CN103854276A (zh) * 2012-12-04 2014-06-11 株式会社东芝 图像配准及分割装置和方法，以及医学图像设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854276A (zh) * 2012-12-04 2014-06-11 株式会社东芝 图像配准及分割装置和方法，以及医学图像设备
CN103325111A (zh) * 2013-06-05 2013-09-25 哈尔滨工程大学 一种基于互信息的非刚性声纳图像配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hermite算子在图像配准中的应用;张明慧等;《计算机工程与应用》;20100721(第21期);178-180 *
Multi-modal_diffeomorphic_demons_registration_based_on_mutual_information;Ying li 等;《2011 4th International Conference on Biomedical Engineering and Informatics (BMEI)》;20111212;800-804 *
声纳图像配准中的Demons 算法;王达等;《中南大学学报（自然科学版）》;20131026;第44卷(第10期);4074-4080 *

Also Published As

Publication number Publication date
CN110084839A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN102629374B (zh) 基于子空间投影和邻域嵌入的图像超分辨率重建方法
CN104933678B (zh) 一种基于像素强度的图像超分辨率重建方法
CN109579872B (zh) 一种星敏感器仪器星等估计方法
CN109584282A (zh) 一种基于sift特征与光流模型的非刚性图像配准方法
CN109636722B (zh) 一种基于稀疏表示的在线字典学习超分辨率重建的方法
CN110796616A (zh) 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法
CN110751680A (zh) 一种具有快速对齐算法的图像处理方法
CN107301631B (zh) 一种基于非凸加权稀疏约束的sar图像降斑方法
CN110738693B (zh) 一种地基成像雷达多角度图像配准方法
CN107292855B (zh) 一种结合自适应非局部样本和低秩的图像去噪方法
CN110084839B (zh) 一种用于天文图像配准的方法
CN106934398B (zh) 基于超像素聚类和稀疏表示的图像去噪方法
CN115272306A (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN113362281B (zh) 基于WSN-LatLRR的红外和可见光图像融合方法
CN114063074A (zh) 一种基于小波阈值变换的sar图像溢油检测方法
CN114298950A (zh) 一种基于改进的GoDec算法的红外与可见光图像融合方法
CN111340741B (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
Hu et al. An adaptive nonlocal Gaussian prior for hyperspectral image denoising
CN111461999B (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN109886988A (zh) 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN116091562A (zh) 基于二维投影线段的建筑物点云自动配准的方法
CN112686814B (zh) 一种基于仿射低秩的图像去噪方法
CN112927169B (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法
CN113256693A (zh) 基于K-means与正态分布变换的多视角配准方法
CN113592953A (zh) 一种基于特征点集的双目非合作目标位姿测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant