基于邻域结构和高斯混合模型的非刚性点集配准算法

Teeshop5

摘 要：非刚性点集配准算法在实际应用中要求对噪声、遮挡或异常点具有很好的鲁棒性。该文采用高斯混合模型
/ h) t# ^' P8 M9 M2 h- L并结合点的邻域结构信息实现非刚性点集配准。使用高斯混合模型表示模型点集，通过高斯径向基函数构建变换模
型。并根据点的邻域结构信息决定高斯混合模型中每个高斯组成部分所占的比例。在 EM 算法的期望步(E-step)阶
) C1 m0 x8 Y* C; V6 j; I段求解点的对应关系，在最大化步(M-step)阶段求解异常点比例系数和变换的闭合形式解，直至算法收敛得到最优
/ g. p* a1 Y' m1 i2 M! w8 I解。通过在合成数据和实际的视网膜图像上的实验，与目前几种先进的点集配准方法进行了比较，证明该算法具有
2 }) H5 E: C! ]8 A" \% T# T( P较好的配准效果和鲁棒性。
3 c( l: Z4 M7 V$ Q5 [; j0 a+ C关键词：图像配准；非刚性点集配准；高斯混合模型；结构描述符
1 引言
点集配准是图像配准的主要方法之一，也是计
+ c" U- k, I- G算机视觉领域的一个基本问题。经常应用在医学图
3 I8 Q6 h, ~, F8 p  n像处理、模式识别、遥感影像处理等领域。非刚性
: `# @3 `# S8 G2 q点集配准处理非刚性变换形式下的配准问题，找到
& ^1 Q1 t1 j9 l$ v5 a3 h准确的对应关系和变换模型较为困难，尤其是在变
; C6 Y8 e7 K' ]& o" ?0 l- S: k形尺度较大，存在大量噪声、异常点或有遮挡的情
况下。目前还没有非常理想的算法能够很好地解决
/ U3 H3 c9 g4 l* C) c# D
  p2 {2 J5 N2 q& y7 P. ~5 T


* C1 g; L5 j$ x5 e7 L
3 t0 B$ K) f+ l6 C3 U附加下载：

游客，如果您要查看本帖隐藏内容请回复

( |/ l  r( |3 h) O: S, y

ESCAPE

看看呀