论文摘要
图像配准是图像处理领域中一个基本问题,在模式识别、计算机视觉、医学图像处理、运动目标的监测与跟踪等许多方面有着重要的应用.特别地,图像配准中的形状配准作为图像特征配准中的重要问题,近年来获得了长足的发展.本文首先介绍形状配准问题,并将Lie群参数化方法和期望极大化(Expectation Maximization, EM)方法引入模型的建立与求解.具体地,本文首先将形状配准问题理解成更一般的点集配准问题,并在最近点迭代(Iterative Closest Point, ICP)模型的基础上,将期望极大化准则引入模型来克服噪声对配准算法的影响.其次,将Lie群的Riemann结构引入模型的参数化过程,形成了一个统一的求解形状配准问题的理论框架.进一步,为了提高算法对参数的鲁棒性,对参数化后的变量引入合理的约束,从而将二维形状配准问题转化为一个矩阵Lie群上的约束优化问题.再次,通过一系列的二次规划问题来逼近该问题的最优解.最后,通过一系列的对比实验表明在保持计算效率的前提下,我们所提出的模型与方法对噪声和参数比现有的多种算法具有更好的鲁棒性.