[发明专利]一种基于卢卡斯‑卡纳德图像对齐的图像配准方法

权利要求书

1.一种基于卢卡斯-卡纳德图像对齐的图像配准方法，其特征在于，主要包括直接每像素损失函数(一)；卢卡斯-卡纳德算法(二)；粗略对齐(三)；用卷积神经网络(CNN)特征图替换金字塔(四)；球型拼接(五)。

2.基于权利要求书1所述的直接每像素损失函数(一)，其特征在于，图像对齐(配准)需要移动和变形常量模板图像以找到与参考图像的最佳匹配；图像配准的核心是生成的变形模型，其被参数化以表示相对相机场景运动的自由度；通过迭代地找到更好的参数集来使图像变形成对应的模型，进行对齐；

为了评估一致性，必须定义图像相似度的度量；在卢卡斯-卡纳德(LK)的标准形式中，使用平方差(SSD)的和；这给出了以下目标函数：

argminPΣx||Ir(W(x;p))-It(x)||2---(1)]]>

其中，I_r是参考图像，I_t是模板图像，x是图像像素位置，是生成的变形模型，旨在解决的变形参数向量为p。

3.基于权利要求书1所述的卢卡斯-卡纳德算法(二)，其特征在于，在LK对齐中，在每次迭代中，使用公式(1)中的损失函数相对于变形参数向量p的梯度，并确定使更接近函数最小值的参数更新Δp；

Δp=argminPΣx||It(W(x;p))-Ir(W(x;p))||2---(2)]]>

以下更新法则：

线性化公式(2)导致一个封闭形式的解决方案：

Δp=(ΣxJTJ)-1ΣxJTr---(4)]]>

其中，

J=-▿ItdW(x;p)dp|p=0---(5)]]>

r＝I_r(W(x；p))-I_t(x)(6)

会聚处的形状在很大程度上取决于图像内容，即图像中存在的纹理和模糊度的数量和类型；由于损失格局通常在实际转化附近局部凸起，因此优化需要良好的初始化才能成功地收敛于正确的解决方案。