Bildregistrierung ist der Prozess, verschiedene Sätze von Daten in ein Koordinatensystem umzugestalten. Daten können vielfache Fotographien, Daten von verschiedenen Sensoren, von verschiedenen Zeiten, oder aus verschiedenen Gesichtspunkten sein. Es wird in Computervision, medizinischer Bildaufbereitung, militärischer automatischer Zielanerkennung, und dem Kompilieren und Analysieren von Images und Daten von Satelliten verwendet. Registrierung ist notwendig, um im Stande zu sein, die bei diesen verschiedenen Maßen erhaltenen Daten zu vergleichen oder zu integrieren.

Algorithmus-Klassifikation

Intensitätsbasiert gegen den Eigenschaft-basierten

Bildregistrierung oder Bildanordnungsalgorithmen können in den Intensitätsbasierten und das Eigenschaft-basierte klassifiziert werden. Eines der Images wird die Verweisung oder Quelle genannt, und das zweite Image wird das Ziel genannt oder hat gefühlt. Bildregistrierung ist mit räumlich dem Umwandeln des Zielimages verbunden, um sich auf das Bezugsimage auszurichten. Intensitätsbasierte Methoden vergleichen Intensitätsmuster in Images über die Korrelationsmetrik, während Eigenschaft-basierte Methoden Ähnlichkeit zwischen Bildeigenschaften wie Punkte, Linien und Konturen finden. Intensitätsbasierte Methoden schreiben komplette Images oder Subimages ein. Wenn Subimages eingeschrieben werden, werden Zentren von entsprechenden Subimages als entsprechende Eigenschaft-Punkte behandelt. Eigenschaft-basierte Methode hat Ähnlichkeit zwischen mehreren Punkten in Images gegründet. Die Ähnlichkeit zwischen mehreren Punkten in Images wissend, wird eine Transformation dann beschlossen, das Zielimage zu den Bezugsimages kartografisch darzustellen, dadurch Punkt-für-Punkt-Ähnlichkeit zwischen der Verweisung und den Zielimages gründend.

Transformationsmodelle

Bildregistrierungsalgorithmen können auch gemäß den Transformationsmodellen klassifiziert werden, die sie verwenden, um den Zielbildraum mit dem Bezugsbildraum zu verbinden. Die erste breite Kategorie von Transformationsmodellen schließt geradlinige Transformationen ein, die Übersetzung, Folge, Schuppen einschließen, und sich anderer affine verwandelt. Geradlinige Transformationen sind in der Natur so global, sie können lokale geometrische Unterschiede zwischen Images nicht modellieren.

Die zweite Kategorie von Transformationen erlaubt 'elastische' oder 'nichtstarre' Transformationen. Diese Transformationen sind dazu fähig, lokal das Zielimage zu verziehen, um sich auf das Bezugsimage auszurichten. Nichtstarre Transformationen schließen radiale Basisfunktionen (dünner Teller oder Oberflächenfugenbretter, multiquadrics, und kompakt unterstützte Transformationen), physische Kontinuum-Modelle (klebrige Flüssigkeiten) und große Deformierungsmodelle (diffeomorphisms) ein.

Räumlich gegen Frequenzbereichsmethoden

Raummethoden funktionieren im Bildgebiet, Intensitätsmuster oder Eigenschaften in Images vergleichend. Etwas von der Eigenschaft, die Algorithmen vergleicht, ist Auswüchse von traditionellen Techniken, um manuelle Bildregistrierung durchzuführen, in der ein Maschinenbediener entsprechende Kontrollpunkte (HZ) in Images wählt. Wenn die Zahl von Kontrollpunkten das Minimum überschreitet, das erforderlich ist, das passende Transformationsmodell zu definieren, können wiederholende Algorithmen wie RANSAC verwendet werden, um die Rahmen eines besonderen Transformationstyps (z.B affine) für die Registrierung der Images robust zu schätzen.

Frequenzgebiet-Methoden finden die Transformationsrahmen für die Registrierung der Images, während sie im umgestalten Gebiet arbeiten. Solche Methoden arbeiten für einfache Transformationen, wie Übersetzung, Folge und Schuppen. Die Verwendung der Phase-Korrelationsmethode einem Paar von Images erzeugt ein drittes Image, das eine einzelne Spitze enthält. Die Position dieser Spitze entspricht der Verhältnisübersetzung zwischen den Images. Verschieden von vielen Raumgebiet-Algorithmen ist die Phase-Korrelationsmethode zum Geräusch, den Verstopfungen und den anderen für medizinische oder Satellitenimages typischen Defekten elastisch. Zusätzlich verwandelt sich der Phase-Korrelationsgebrauch der schnelle Fourier, um die Quer-Korrelation zwischen den zwei Images zu schätzen, allgemein auf große Leistungszunahmen hinauslaufend. Die Methode kann erweitert werden, um Folge und kletternde Unterschiede zwischen zwei Images durch das erste Umwandeln der Images zu Klotz-Polarkoordinaten zu bestimmen. Wegen Eigenschaften des Fouriers verwandeln sich, die Folge und kletternden Rahmen können gewissermaßen invariant zur Übersetzung bestimmt werden.

Einzeln - gegen Mehrmodalitätsmethoden

Eine andere Klassifikation kann zwischen einzelner Modalität und Mehrmodalitätsmethoden gemacht werden. Methoden der einzelnen Modalität neigen dazu, Images in derselben durch denselben Typ des Scanners/Sensors erworbenen Modalität einzuschreiben, während Mehrmodalitätsregistrierungsmethoden dazu geneigt haben, durch verschiedene Typen des Scanners/Sensors erworbene Images einzuschreiben.

Mehrmodalitätsregistrierungsmethoden werden häufig in der medizinischen Bildaufbereitung verwendet, weil Images eines Themas oft bei verschiedenen Scannern erhalten werden. Beispiele schließen Registrierung von CT/MRI Gehirnimages oder ganzem Körper PET/CT Images für die Geschwulst-Lokalisierung, Registrierung von kontrasterhöhten CT Images gegen "nicht CT" erhöhte Kontrastimages für die Segmentation von spezifischen Teilen der Anatomie und Registrierung des Ultraschalles und CT Images für die Vorsteherdrüse-Lokalisierung in der Strahlentherapie ein.

Automatisch gegen interaktive Methoden

Registrierungsmethoden können gestützt auf dem Niveau der Automation klassifiziert werden, die sie zur Verfügung stellen. Manuelle, interaktive, halbautomatische und automatische Methoden sind entwickelt worden. Manuelle Methoden stellen Werkzeuge zur Verfügung, um die Images manuell auszurichten. Interaktive Methoden reduzieren Benutzerneigung durch das Durchführen bestimmter Schlüsseloperationen automatisch, während sie sich noch auf den Benutzer verlassen, um die Registrierung zu führen. Halbautomatische Methoden leisten mehr von der Registrierung geht automatisch, aber hängen Sie vom Benutzer ab, um die Genauigkeit einer Registrierung nachzuprüfen. Automatische Methoden erlauben keine Benutzerwechselwirkung und leisten die ganze Registrierung geht automatisch.

Ähnlichkeit misst für die Bildregistrierung

Bildähnlichkeiten werden in der medizinischen Bildaufbereitung weit gehend verwendet. Ein Bildähnlichkeitsmaß misst den Grad der Ähnlichkeit zwischen Intensitätsmustern in zwei Images. Die Wahl eines Bildähnlichkeitsmaßes hängt von der Modalität der einzuschreibenden Images ab. Allgemeine Beispiele von Bildähnlichkeitsmaßnahmen schließen Quer-Korrelation, gegenseitige Information, Summe von karierten Intensitätsunterschieden und Verhältnis-Bildgleichförmigkeit ein. Gegenseitige Information und normalisierte gegenseitige Information sind die populärsten Bildähnlichkeitsmaßnahmen für die Registrierung von Mehrmodalitätsimages. Quer-Korrelation, Summe von karierten Intensitätsunterschieden und Verhältnis-Bildgleichförmigkeit werden für die Registrierung von Images in derselben Modalität allgemein verwendet.

Unklarheit

Es gibt ein Niveau der Unklarheit, die mit sich einschreibenden Images vereinigt ist, die irgendwelche räumlich-zeitlichen Unterschiede haben. Eine überzeugte Registrierung mit einem Maß der Unklarheit ist für viele Änderungsentdeckungsanwendungen wie medizinische Diagnostik kritisch.

In entfernten Abfragungsanwendungen, wo ein Digitalbildpixel mehrere Kilometer der Raumentfernung (wie die LANDSAT Bilder der NASA) vertreten kann, kann eine unsichere Bildregistrierung bedeuten, dass eine Lösung mehrere Kilometer von der Boden-Wahrheit sein konnte. Mehrere bemerkenswerte Papiere haben versucht, Unklarheit in der Bildregistrierung zu messen, um Ergebnisse zu vergleichen. Jedoch sind viele Annäherungen an die Quantitätsbestimmung der Unklarheit oder das Schätzen von Deformierungen rechenbetont intensiv oder sind nur auf beschränkte Sätze von Raumtransformationen anwendbar.

Anwendungen

Bildregistrierung hat Anwendungen in der entfernten Abfragung (Kartenzeichnen aktualisierend), und Computervision. Wegen der riesengroßen Anwendungen, auf die Bildregistrierung angewandt werden kann, ist es unmöglich, eine allgemeine Methode zu entwickeln, die für den ganzen Gebrauch optimiert wird.

Medizinische Bildregistrierung (für Daten desselben Patienten, der an verschiedenen Punkten rechtzeitig wie Änderungsentdeckung oder Geschwulst-Überwachung genommen ist) ist häufig zusätzlich, elastisch (auch bekannt als nichtstarr) Registrierung verbunden, um mit Deformierung des Themas (wegen des Atmens, der anatomischen Änderungen, und so weiter) fertig zu werden. Die nichtstarre Registrierung von medizinischen Images kann auch verwendet werden, um Daten eines Patienten zu einem anatomischen Atlas wie der Atlas von Talairach für neuroimaging einzuschreiben.

Es wird auch in astrophotography verwendet, um des Raums genommene Images auszurichten. Mit Kontrollpunkten (automatisch oder manuell eingegangen) führt der Computer Transformationen auf einem Image durch, um sich Haupteigenschaften auf ein zweites Image ausrichten zu lassen.

Bildregistrierung ist wesentlicher Teil der Panoramabildentwicklung. Es gibt viele verschiedene Techniken, die in Realtime durchgeführt und auf eingebetteten Geräten wie Kameras und Kamerakopfhörer geführt werden können.

Siehe auch

• Raumnormalisierung

Links

• Richard Szeliski, Bildanordnung und Näherei: Ein Tutorenkurs. Fundamente und Tendenzen in der Computergrafik- und Computervision, 2:1-104, 2006.
• B. Fischer, J. Modersitzki: Schlecht-aufgestellte Medizin - eine Einführung in die Bildregistrierung. Umgekehrte Probleme, 24:1-19, 2008
• Barbara Zitová, Jan Flusser: Bildregistrierungsmethoden: ein Überblick. Bildvision Comput. 21 (11): 977-1000 (2003).
• Wie man das zwei Bildverwenden Matlab einschreibt.
• elastix: ein Werkzeugkasten für die starre und nichtstarre Registrierung von Images.
• niftyreg: Ein Werkzeugkasten, um fast schritthaltend robust starr, affine zu tun (Block verwendend, der zusammenpasst) und nichtstarre Bildregistrierung (eine refactored Version des freien Form-Deformierungsalgorithmus verwendend).