An iterative image registration technique with an application to stereo vision笔记

【摘要】 主要讲了图像配准的一种方法–利用图像的空间强度梯度和牛顿迭代法找到好的匹配。此方法更快（仅从较少的匹配中筛选）且适用于旋转、尺度、裁剪等变换。

【简介】 图像配准在计算机视觉中的图像匹配，模式识别和运动分析中应用广泛。但是现存的方法代价大且不能处理旋转或者其他变形的情况。

提出了一种新的技术–采用空间强度梯度信息找到最佳匹配。这样就可以利用更多图像信息找到两幅图的最佳匹配。这种方法比按固定顺序计算可能的配准位置需要比较的次数更少。此法利用了许多应用中两幅图已经近似配准了，且可以处理任何线性形变。最后介绍了其在双目视觉系统中的应用。

【配准问题介绍】
给定函数F(x)和G(x)，分别表示各自在两幅图中的像素值，x是个向量。要求一个视差矢量h，使F(x+h)和G(x)的某些距离测度最小，其中x是R中的一些区域（难道不是R的全部？）。如图1

三种典型的距离度量：

本文将提出一种更一般化的图像差度度量方法，L2 norm和归一化相关都是该方法的特例。L1 norm可以看做是L2 norm的一种合理逼近。
【现存技术】

1. 一种最显而易见的配准方法就是穷举搜索h的可能值空间，计算其距离。但非常低效。
2. 爬山法。根据上次的h计算其附近可以使函数值下降的h作为下个h值，这样迭代。但可能会陷入局部最优。
3. 序贯想相似性检测算法（SSDA）。SSDA通过人为设定一个固定阈值，及早地终止在不匹配位置上的计算，以此减小计算量，达到提高运算速度的目的。选取一个误差准则，设定一个不变阈值。在子图象中随机选取一点，计算它与模板中相应点的绝对误差值， 将每一