论文部分内容阅读
我们提出了一种基于混合框架和变分推理的配准算法(Mixture Framework and Variational Inference,MFVI)。在MFVI算法中,混合框架是一种从粗到精的配准策略来自动处理不同情况下的点集配准问题,主要包括三个主要步骤:(1)线性阶段,这是一个预匹配过程,点集的变换被限制为刚性形式;(2)回归过程,利用高斯变分混合模型弱化冗余点的影响;(3)非线性阶段,这是一个精确的点集配准过程,点集的变换被限制为一个非刚性形式。我们使用变分推断来解决参数优化问题。在变分推理框架下,我们设计了一个各向同性和各向异性的高斯变分混合模型(Gaussian Variational Mixture Model,GVMM),以减弱冗余点的影响,同时使用狄利克雷分布来控制高斯分量的混合比例,进而对缺失点进行区分。为了提升MFVI算法的鲁棒性,我们设计了模糊形状上下文(Fuzzy shape context,FSC)特征和局部向量特征的局部空间向量相似性约束项(Local Vector Similarity Constraint,LVSC)。在MFVI算法中的非线性阶段,我们首先进行基于特征互补的对应关系评估,在这一步骤中定义了FSC,然后基于FSC和全局特征差异设计了特征互补的高斯混合模型。其次,进行基于约束互补的空间变化更新。在这一步骤中,定义了局部向量特征(Local Vector Feature,LVF)建立了LVSC。并且,我们设计了带有可调节阈值策略的SIFT算法进行图像的特征点提取,利用MFVI算法进行特征点配准,从而完成了图像配准。在实验部分,本文首先测试了FSC特征的检索率。然后,我们采用了公开数据集测试了本文算法在点集配准的性能。在与当前流行算法的对比实验中,本文算法均给出了精确的配准结果,并在大部分实验中精度超过了当前流行算法。最后,我们测试了本文算法在牛津数据集、视网膜图像、遥感图像的配准性能,并与当前最先进的方法进行了比较,本文算法在大多数情况下都显示出良好的性能。