algorithm - 用于图像配准的恶魔算法(用于假人)

Question

我试图制作一个应用程序来比较 java 和 opencv 中 2 个图像之间的差异。在尝试了各种方法后，我遇到了名为 Demons algorithm 的算法。 .

对我来说，它似乎通过在每个地方进行一些变换来给出图像的差异。但我无法理解，因为我找到的引用资料对我来说太复杂了。

即使是恶魔算法也做不到我需要的我有兴趣学习它。

任何人都可以简单地解释一下恶魔算法中发生了什么，以及如何编写一个简单的代码来在 2 张图像上使用该算法。

Answer 1

我可以给你一个可变形图像配准的通用算法的概述，恶魔就是其中之一

该算法有 3 个组成部分，一个相似性度量、一个转换模型和一个优化算法。

相似性度量用于计算像素/补丁之间基于像素/基于补​​丁的相似性。常见的相似性度量是单模态图像的 SSD、归一化互相关，而在多模态图像配准的情况下使用互信息等信息论度量。

在可变形配准的情况下，它们通常有一个规则的网格叠加在图像上，网格通过解决优化问题来变形，该优化问题被制定使得相似性度量和对变换施加的平滑度惩罚最小化.在可变形配准中，一旦网格发生变形，就会使用像素级网格的 B-Spine 插值计算像素级的最终变换，从而实现平滑连续的变换。

解决优化问题有两种通用方法，有些人使用离散优化并将其作为 MRF 优化问题解决，而有些人使用梯度下降，我认为恶魔使用梯度下降。

在基于 MRF 的方法中，一元成本是网格中每个节点变形的成本，它是补丁之间计算的相似性，强加网格平滑度的成对成本通常是 potts/truncated 二次势这确保网格中的相邻节点具有几乎相同的位移。获得一元和成对成本后，将其提供给 MRF 优化算法并获得网格级别的位移，然后使用 B 样条插值法计算像素级位移。这个过程在几个尺度上以粗略到精细的方式重复，并且该算法在每个尺度上运行多次(每次都减少每个节点的位移)。

在基于梯度下降的方法中，他们使用相似性度量和在图像上计算的网格变换来制定问题，然后计算他们制定的能量函数的梯度。使用迭代梯度下降使能量函数最小化，但是这些方法可能会陷入局部最小值并且非常慢。

比较流行的方法有DROP，Elastix，itk提供了一些工具