И.М.Журавель "Краткий курс теории обработки изображений"

В оглавление \ К следующему разделу \ К предыдущему разделу

Регистрация изображений с помощью нормированной кросс-корреляции

Иногда одни изображения являются подмножествами других. С помощью методов нормированной кросс-корреляции существует возможность определения их расположения и регистрации.

Обзор примеров
Приведенные примеры включают следующие шаги:

• Шаг 1: Считывание изображения.
• Шаг 2: Выбор подобласти для каждого изображения.
• Шаг 3: Нормированная кросс-корреляция и поиск координат пиков.
• Шаг 4: Поиск общих относительных различий между изображениями.
• Шаг 5: Анализ подизображения, полученного из основного изображения.
• Шаг 6: Отображение вырезанного изображения на пустом изображении с размерами исходного.
• Шаг 7: Свойство прозрачности исходного изображения. Шаг 1: Считывание изображения. onion=imread('onion.png'); peppers=imread('peppers.png'); imshow(onion) figure, imshow(peppers)

Шаг 2: Выбор подобласти для каждого изображения

Важной является процедура выбора похожей подобласти. Изображение sub_onion является тем эталоном, на основании которого производится поиск sub_peppers. Методы выбора этой подобласти делятся на итеративные и неитеративные.

% неитеративный
rect_onion=[111 33 65 58];
rect_peppers=[163 47 143 151];
sub_onion=imcrop(onion,rect_onion);
sub_peppers=imcrop(peppers,rect_peppers);
% или 
% итеративный
[sub_onion,rect_onion]=imcrop(onion);
[sub_peppers,rect_peppers]=imcrop(peppers);
% отображение подизображений
figure, imshow(sub_onion)
figure, imshow(sub_peppers)



Шаг 3: Нормированная кросс-корреляция и поиск координат пиков

Вычисление нормированной кросс-корреляции и отображение ее поверхности. Пики матрицы кросс-корреляции, которые попали на подизображение (sub_images) свидетельствуют о наивысшей корреляции. Функция normxcorr2 работает только с полутоновыми изображениями, однако попробуем применить ее для обработки подизображений.

c=normxcorr2(sub_onion(:, :, 1), sub_peppers(:, :, 1));

figure, surf(c), shading flat



Шаг 4: Поиск общих относительных различий между изображениями

Общие различия между изображениями характеризуются положением пиков в матрице кросс-корреляции, а также размерами и местонахождением подизображений.

% поиск на основании корреляции
[max_c, imax]=max(abs(c(:)));
[ypeak, xpeak]=ind2sub(size(c), imax(1));
corr_offset=[(xpeak-size(sub_onion, 2)) 
               (ypeak-size(sub_onion, 1))];
% относительное месторасположение подизображений
rect_offset=[(rect_peppers(1)-rect_onion(1)) 
               (rect_peppers(2)-rect_onion(2))];

% поиск на основании общих относительных различий
offset=corr_offset+rect_offset;
xoffset=offset(1);
yoffset=offset(2);

Шаг 5: Анализ подизображения, полученного из основного изображения

Подизображение на исходном изображении.
xbegin=xoffset+1;
xend=xoffset+size(onion, 2);
ybegin=yoffset+1;
yend=yoffset+size(onion, 1);

% Получение рассматриваемого подизображения и сравнение его с исходным
extracted_onion=peppers(ybegin:yend, xbegin:xend, :);
if isequal(onion, extracted_onion) 
   disp('onion.png получено из peppers.png')
end

Шаг 6: Отображение подизображения на пустом изображении с размерами исходного

Расположим подизображение на исходном изображении на основании анализа различий.
recovered_onion=uint8(zeros(size(peppers)));
recovered_onion(ybegin:yend, xbegin:xend, :)=onion;
figure, imshow(recovered_onion)



Шаг 7: Свойство прозрачности исходного изображения

Создание прозрачной (или полупрозрачной) маски для непрозрачного исходного изображения.
[m, n, p]=size(peppers);
mask=ones(m, n); 
i=find(recovered_onion(:, :, 1)==0);
mask(i)=.2; % экспериментирование с различными значениями прозрачности
% наложение полупрозрачного рисунка
figure, imshow(peppers(:,:,1)) % отображение только красной составляющей
hold on
h=imshow(recovered_onion); % отображение recovered_onion
set(h, 'AlphaData', mask)



В оглавление \ К следующему разделу \ К предыдущему разделу