用MATLAB自动化图像配准

由Garima Sharma和AndyThé，Mathworks

图像配准是从两个或更多数据集对齐图像的过程。它涉及集成图像以创建复合视图，提高信噪比，并提取从单个图像中不可能获得的信息。图像配准在遥感，医学成像，制图和其他应用程序中，依赖于从图像获得精确信息 - 例如，从卫星图像中发现某种区域如何被淹没，或检测来自MRI扫描的肿瘤。

确定有效的图像配准方法是情况依赖性的，并且可以是复杂且耗时的过程。它需要仔细选择点变换模型，以在图像之间提供参考点，以及用于比较信息以识别正确对齐图像所需的参数的方法。

图像自动配准有两种常用的方法:基于特征的配准算法和基于强度的配准算法。在本文中，我们将使用一个发烧检测的例子来说明一个基于强度的自动图像配准工作流Imregister（）和图像处理工具箱™中的相关功能。此工作流程是一种快速有效的方法来集成来自不同摄像机的图像。

图像注册词汇表

参考（固定）图像：在目标方向中的图像，指定为2D或3D灰度图像

目标(移动)图片:要转换为与参考图像对齐的图像，参考图像指定为2D或3D灰度图像

基于强度的注册：基于相对强度模式的图像对齐

基于功能的注册：使用特征检测，提取和匹配的图像对齐图像

发烧检测示例：目标和挑战

2003年严重急性呼吸系统综合症(SARS)爆发期间，台湾桃园国际机场开始对乘客进行发烧检查，以控制这种致命病毒的传播。由于不可能对每个乘客进行单独检查，临床医生使用了红外热成像技术，这是一种通过分析热数据的红外图像来检测发烧的无创技术。

虽然这种方法是有效的，但实现起来很有挑战性。红外相机对环境条件非常敏感，必须对它们进行正确的校准，以考虑所有可能影响温度读数的因素，包括室温、相对湿度、反射面和被摄对象与相机的距离。有效的热筛检还依赖于对身体部位的一致识别，从而产生可靠的热信息——在我们的例子中，眼睛周围区域。

我们将使用MATLAB构建筛选热门原型^®、前视红外(FLIR)摄像头和网络摄像头。红外摄像头可以以100毫埃文斯的增量测量面部温度，而网络摄像头则提供更详细的面部特征信息。通过注册来自两个来源的图像，我们将能够从网络摄像机图像(图1)检测眼睛周围的位置，并从红外摄像机图像测量眼睛周围的温度。

图1所示。摄像头的图像。

红外相机的图像获取与标定

使用图像采集工具箱™，我们将从网络摄像头和IR相机捕获图像，并将其导入MATLAB工作区。IR相机使用GigE vision^®接口，而网络摄像头使用标准Directhow^®接口。

为了校准红外相机，我们调整了被摄对象的距离、湿度、发射率(表面通过辐射散发热量的相对功率)和其他特性。在图像采集过程中，大气温度为295.15K，墙壁和被摄体的发射率为0.98。

可视化图像

我们用imshow（）在图像处理工具箱中的功能。由于我们已经捕获了16位数据，其中实际的温度读数以100 mk为增量测量，我们执行对比度调整以在显示器上显示图像之前缩放数据（图2）。

图2.具有对比度调整的热红外图像。

我们使用相同的图形窗口中显示两个图像imshowpair（）．

此函数提供多种可视化选项，包括'falsecolor'，用于使用不同色带创建复合RGB图像，以及'混合'，用于可视化alpha混合图像（图3）。

图3.上底：'falsecolor'，'diff'和'混合'可视化的两个图像。

注册图像

我们将红外图像指定为固定图像，网络摄像机图像指定为运动图像，以此开始配准过程。固定的图像是静态的参考。我们的目标是使运动图像与固定图像对齐。由于基于灰度的图像配准算法需要灰度，因此我们使用rgb2gray ()．

要对齐图像，我们使用图像处理工具箱Imregister（）功能。除了一对图像之外，基于强度的自动图像配准需要度量，优化器和变换类型。我们获得了“指标”和'优化器'值使用imregconfig ()与之'多峰'选项。然后我们将返回的值插入Imregister（）作为图像配准的起点。

要开始注册过程，我们使用Imregister（）默认的转换类型'翻译'并通过调用来查看结果imshowpair（）．两幅图像中的主体轮廓有些错位(图4)。头部和肩膀周围图像之间的间隙表明了比例和旋转方面的问题。

图4。默认的注册。

请注意，从基于优化的图像登记获得良好结果频繁涉及多种修改优化器和度量值。注意，这也是如此imshowpair（）在它的默认模式下，对于我们示例中的图像可以很好地工作，但它可能不适用于所有的图像对。最好是探索所有的可视化样式imshowpair（）,如'falsecolor'，'差异'，'混合'，和“蒙太奇”，识别特定图像对的最佳选择。

为了考虑缩放和旋转失真，我们切换转换类型Imregister（）从'翻译'来'相似'．