用于图像拼接的相位相关 2D（ImageJ 中的 Stitch 2D）答案

【问题标题】：phase correlation 2D (Stitch 2D in ImageJ) for image stitching用于图像拼接的相位相关 2D（ImageJ 中的 Stitch 2D）
【发布时间】：2012-02-17 07:28:50
【问题描述】：

现在我使用标准相位相关进行图像拼接。它给出了正常的结果，但在硬图像上给出了错误的结果，但 ImageJ(FIJI) 中的 Stitch 2D 插件在大多数情况下给出了很好的结果。本文所描述的插件中使用的算法http://bioinformatics.oxfordjournals.org/content/25/11/1463.full.pdf 但我无法理解。 “然而，在真实图像中，F−1(Q) 包含几个标记不同的峰相关性高的翻译。此外，每个峰描述了八个由于傅立叶的周期性，不同的可能平移（在 3D 中）空间。为了确定正确的移位，我们选择 n 个最高的局部最大值（3×3×3 邻域）来自 F−1(Q) 并评估它们的八种可能通过对重叠区域的互相关进行翻译图像 A，B。选择相关性最高的峰作为平移两个图像之间。如果没有一个峰值超过某个限制，则瓷砖被假定为不重叠。” 谁能解释一下如何实现它？

【问题讨论】：

如果您使用的是 2-D Phase Correlation，我建议您阅读介绍材料或原始论文。使用互相关检查 8 个最佳峰（对于 3-D）是浪费时间。
似乎该算法在“Kuglin,C.D. and Hines,D.C. (1975) The phase correlation image alignment method. In Proceedings of the IEEE, International Conference on Cybernetics and Society, pp. 163–165 。”但我找不到这篇论文。
这是 Graham Thomas 的另一篇重要论文，bbc.co.uk/rd/publications/rdreport_1987_11.shtml 我想你会发现它教会了你所需要的一切。
我在这篇论文中只找到了一些关于过滤的信息。如果我平滑初始图像怎么办？它有助于过滤假峰吗？还是我必须过滤空间域？
您是否将输入窗口化为相位相关？还是它为你做的？这是必不可少的。

标签： image-processing opencv computer-vision cross-correlation image-stitching

【解决方案1】：

从引文看来：

他们使用相位相关来找到多个候选者（“我们从 F−1(Q) 中选择 n 个最高局部最大值（3×3×3 邻域）”）用于两个之间的重叠段图片
然后他们在原始图像数据中使用一些匹配（“通过图像 A、B 的重叠区域的互相关。”）
要从中选择最佳候选者（“选择相关性最高的峰作为两幅图像之间的平移。”），
如果最佳候选匹配得足够好（“如果没有一个峰值超过特定限制，则假定图块不重叠。”）。

【讨论】：

是的，我在你解释的层面上理解它，但我不理解第2项）“一些匹配”的方法。看起来他们找到了N个最佳峰，但下一步该怎么做？
通过匹配我的意思是，对于在步骤 1 中找到的每个峰，然后他们比较图像 A 和 B 中相应的重叠区域，并确定这两个区域的相似程度（如果它们重叠，它们应该是) 他们在此匹配步骤中使用互相关 (en.wikipedia.org/wiki/Cross-correlation)。如果图像 A 和 B 中的重叠部分更相似，这会为每个峰值（互相关系数）提供另一个数字。然后在第 3 步中，他们选择这些数字中最大的一个（即最相似的重叠区域）。
匹配的其他名称是“图像比较”和“模板匹配”。此处讨论了一些技术（互相关除外）：stackoverflow.com/questions/843972/…
由于相位相关是一种归一化互相关，为每个峰计算额外的相关值不会改善结果。
相位相关是在原始图像数据的傅里叶变换上计算的。在第二步中，您使用原始图像数据的相关性。