用于非刚性图像配准的深度卷积神经网络
图像与视频处理
2021-04-27 v1 计算机视觉与模式识别
摘要
在不同时间或位置拍摄的图像会经历旋转、缩放、倾斜等变换。将通过变换的不同图像进行对齐的过程可通过配准完成。在分析时间序列数据以进行追踪、平均或疾病鉴别诊断时,配准是必需的。针对刚性(包括线性或仿射)变换存在高效的配准方法;然而对于非刚性(也称为非仿射)变换,现有方法计算代价高且耗时。在本报告中,我将探索深度神经网络(DNN),更具体地,深度卷积神经网络(CNN)高效执行非刚性图像配准的能力。实验结果表明,CNN 可用于高效的非刚性图像配准,且计算时间显著少于传统的 Diffeomorphic Demons 或 Pyramiding 方法。
引用
@article{arxiv.2104.12034,
title = {Deep Convolutional Neural Network for Non-rigid Image Registration},
author = {Eduard F. Durech},
journal= {arXiv preprint arXiv:2104.12034},
year = {2021}
}
备注
10 pages, 11 figures