用于图像配准的恶魔算法(用于虚拟人)
我试图制作一个应用程序，将java中的2幅图像与opencv进行比较。在尝试了各种方法之后，我遇到了名为恶魔算法的算法。
在我看来，它似乎给出了不同的形象，通过对每个地方的一些转变。但我无法理解，因为我找到的推荐信对我来说太复杂了。
即使是恶魔算法也做不到我所需要的--我对学习它感兴趣。
谁能简单地解释一下恶魔算法中发生了什么，以及如何编写一个简单的代码来在2幅图像上使用该算法。
回答 2
Stack Overflow用户
发布于 2014-02-05 18:30:58
我可以概述一下可变形图像配准的一般算法，恶魔就是其中之一。
该算法由三个部分组成:相似度度量、变换模型和优化算法。
相似度度量用于计算像素/斑块之间基于像素/基于补丁的相似性。常用的相似性度量是SSD、单模态图像的归一化互相关，而多模态图像配准则采用互信息等信息论方法。
在可变形配准的情况下，它们通常有一个规则的网格叠加在图像上，并且通过求解一个优化问题使网格变形，从而使变换中施加的相似性度量和平滑惩罚最小化。在可变形配准中，一旦网格发生变形，就利用像素级网格的B-脊线插值来计算像素级的最终变换，从而使转换是平滑和连续的。
求解该优化问题的一般方法有两种，有些人采用离散优化，将其作为MRF优化问题来解决，而有些人则采用梯度下降，我认为恶魔使用梯度下降。
在基于MRF的方法中，一元代价是网格中每个节点变形的代价，是计算网格中各节点间的相似性，使得网格平滑的成对代价一般为potts/截短二次势，从而保证网格中相邻节点的位移几乎相同。一旦你有一元和成对的成本，你把它提供给一个MRF优化算法，在网格级别得到位移，然后使用B样条插值来计算像素级的位移。这个过程在几个尺度上以粗到细的方式重复，并且在每个尺度上运行多次(每次减少每个节点的位移)。
在基于梯度下降的方法中，用图像上的相似性度量和网格变换来表示问题，然后计算出它们所表示的能量函数的梯度。能量函数是用迭代梯度下降最小化的，但是这些方法会陷入局部极小值，而且速度很慢。
一些流行的方法是DROP，Elastix，itk提供了一些工具。
Stack Overflow用户
发布于 2014-07-21 03:40:33
如果你想了解更多有关可变形图像配准的算法，我会建议你去看看公平(指南)，公平是Matlab的一个工具箱，所以你会有例子来理解这个理论。
http://www.cas.mcmaster.ca/~modersit/FAIR/
然后，如果您想要具体地看到某个恶魔示例，这里有另一个工具箱：
https://stackoverflow.com/questions/21576890
复制相似问题
腾讯云开发者
