【图像配准】图像互信息值图像配准【含Matlab源码 3159期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、互信息配准简介

1 互信息配准流程
信息论中将互信息定义为信息之间的关系，可以表示为两个随机变量之间统计相关性的度量，由此可以得出图像互信息的计算方法。作为图像多模态配准中的度量，图像互信息利用对图像灰度值的统计数据形成单个图像的灰度值概率函数和两个图像相似部分对应的灰度值联合概率函数，以此来衡量两幅图像的相关程度。在图像配准的过程中，认为两幅图像的相关性最大时对应的互信息也最大。基于互信息的图像配准最早在1995年被用于医学图像配准中，此后研究人员对于互信息的配准方法做了大量研究。

对于以互信息作为相似性测度的图像配准来说，目标就是寻找一个空间变换模型，使得两幅图像中的对应点相互对齐，以便进行比较或融合。基于互信息的图像配准流程如图1所示。

图1 基于互信息的图像配准流程图
它的流程可以概括为：首先提取两幅图像的特征空间信息，计算紫外图像与可见光图像之间的互信息，然后通过优化搜索算法对空间变换矩阵进行更新迭代，从中找出使两幅图像相似性测度互信息最大的最优变换矩阵T，最后根据变换矩阵实现对紫外图像的空间变换，使其在空间上与可见光图像配准，达到图像融合的要求。

2 图像互信息相关理论
基于图像灰度信息的相似性测度是一种通过统计和概率估计的方法对图像进行匹配的表示相似程度的参数。常见的图像灰度信息相似性测度包括互相关法、均方差和法及互信息法等。在多模态图像中最常用的为互信息法，互信息法是一种不需要对源图像做预处理的方法，被广泛应用于医学图像配准中。互信息法对于各种模式的图像配准都具有有效性，鲁棒性及可靠性较高。本文采用基于互信息的相似性测度来提高紫外与可见光图像的匹配精度，下面介绍一些图像互信息的基本概念。
1）熵
在信息论中，熵表示随机变量的不确定性。假设随机事件xi出现的概率为pi，则信息量为：I(xi)=-log 2pi，单位为bit。而信息量的数学期望为信源的平均信息量，即信源的信息熵。
假设一个随机变量X内存在N个随机事件X={x1,x2，…，xn}，随机事件出现的概率集合为P={p1,p2，…，pn}，也就是随机变量X的概率密度函数为p(x），则随机变量X的熵可以定义为

此外联合熵表示两个随机变量的相关性。联合熵越小表示这两个随机变量越相关，若两个随机变量越不相关，它们的联合熵会越大。假设pXY(x,y）是两个随机变量X,Y的联合概率密度函数，则联合熵的数学定义为

2）图像互信息
图像互信息可以度量两幅图像的统计独立程度，基于前面熵和联合熵的定义，给定紫外与可见光图像UV和V，他们的互信息可以定义为

或

式（3）中，MI(V,UV）为可见光与紫外光图像的互信息，H(V),H(UV）和H(V,UV）分别表示可见光图像的熵、紫外光图像的熵、可见光与紫外光图像的联合熵。式（4）中，p(v,uv）表示可见光与紫外光图像的联合概率密度函数，p(v）和p(uv）分别表示可见光图像的概率密度函数和紫外光图像的概率密度函数。根据互信息的定义，对于可见光与紫外光的互信息计算流程如图2所示。

图2 紫外光与可见光图像互信息计算流程
可见光图像和紫外光图像的像素灰度值分别表示为LV(i,j),LUV(i,j):

其中，i=1,2，…，m,j=1,2，…，n，其中i,j分别表示像素的横纵坐标，m,n分别表示图像的宽高像素数。先将可见光图像和紫外图像对应坐标的像素值整合成一个二维向量（LV(i,j),LUV(i,j)),i=1,2，…，m,j=1,2，…，n。然后通过直方图估计法估计出两个图像的联合概率密度p(v,uv）和边缘概率密度p(v）=∑p(v,uv),p(uv）=∑p(v,uv）。最后，根据式（4）计算出两幅图像的互信息。

⛄二、部分源代码

% 以下是基于互信息的图像配准matlab的示例代码：
%
% 读取需要配准的两幅图像
% 复制
fixed = imread(‘image3_1.jpg’);
moving = imread(‘image3_2.jpg’);
% 对图像进行灰度化处理
% 复制
fixed = rgb2gray(fixed);
moving = rgb2gray(moving);
% 定义图像配准的参数
% 复制
optimizer = registration.optimizer.OnePlusOneEvolutionary;
metric = registration.metric.MattesMutualInformation;
optimizer.InitialRadius = 0.009;
optimizer.Epsilon = 1.5e-4;
optimizer.GrowthFactor = 1.01;
metric.NumberOfSpatialSamples = 500;
metric.NumberOfHistogramBins = 50;
% 进行图像配准
% 复制
tform = imregtform(moving,fixed,‘affine’,optimizer,metric);
% 对移动图像进行变换
% 复制
registered = imwarp(moving,tform,‘OutputView’,imref2d(size(fixed)));
% 显示配准结果
% 复制
figure;
% imshowpair(fixed,moving,‘montage’);

subplot(2,3,1), imshow(fixed), title(‘参考图像’);
subplot(2,3,2), imshow(moving), title(‘待配准图像’);
subplot(2,3,3), imshowpair(fixed,moving,‘blend’,“Scaling”,“joint”), title(‘叠加图像’);
subplot(2,3,4), imshowpair(fixed,moving,‘diff’), title(‘不同图像’);
subplot(2,3,5), imshowpair(fixed,registered,‘blend’), title(‘配准图像’);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]侯思祖,陈宇,刘雅婷.基于互信息的紫外成像仪中图像配准研究[J].半导体光电. 2020,41(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合