基于分形图像模型的高效旋转-缩放-平移参数估计

本文研究在旋转-等距缩放-平移变换假设下的基于区域的亚像素图像配准问题。我们的方法基于对几何变换后的纹理图像片段的参数化建模，以及它们之间变换向量的最大似然估计。由于基于局部片段纹理的分形布朗运动建模的参数化方法，所提出的估计器 MLfBm（ML 表示“最大似然”，fBm 表示“分形布朗运动”）相比依赖于互信息或归一化相关等通用相似性度量的其他方法，能够更好地适应真实图像纹理内容。当 fBm 模型 underlying 假设完全满足时（例如具有平稳增量的各向同性正态分布纹理），观察到主要优势。在模拟与真实图像上，以及对于配准图像间高相关与弱相关的实验表明，MLfBm 估计器相比其他最先进方法提供了显著改进。它将平移向量、旋转角度和缩放因子估计误差降低了约 1.75...2 倍，并将错误匹配概率降低至多 5 倍。此外，MLfBm 估计的准确置信区间可由旋转-缩放-平移参数估计误差的克拉美-罗下界获得。该下界取决于纹理粗糙度、参考图像与模板图像中的噪声水平、这些图像间的相关性以及几何变换参数。