Image registration via entropy consideration and data fusion [Elektronische Ressource] / vorgelegt von Anthony Amankwah

Anthony Amankwah

Sujets

• Informatik

Informations

• Publié par: universitat_siegen
• Publié le: 01 janvier 2008
• Nombre de lectures: 24
• Langue: English
• Poids de l'ouvrage: 16 Mo

Extrait

IM


Image Registration Via Entropy Consideration and
Data Fusion




Von Fachbereich Elektrotechnik und Informatik
der Universität Siegen zur Erlangung
des Akademisches Grades
Doktor der Ingenieurwissenschaft




vorgelegt von
Anthony Amankwah (M.Sc)
geboren am 1.Oktober 1969 in Ghana




1. Gutachter: Prof. Dr. Ing. habil. Otmar Loffeld
2. Gutachter: Prof. Dr. Ing. Mihai Datcu
I

CONTENTS.............................................................................................................
.

Zusammenfassung................................................................................. ...........vii
Abstract..............................................................................................................viii
Acknowledgement.................................................................................................x
Chapter 1........................................................................ .....................................1
INTRODUCTION..................................................................................................1
1.1 Introduction.................................................................................................1
1.2 Image registration methods........................................................................1
1.3 Transformations.…………………….….…………………………..…………..2
1.4 Robust and efficient image registration methods..…...……………………..6
1.5 Problem definition and goals……………………….………….………………6
1.6 Overview of the thesis…………………………..………………..…………….7
Chapter 2………………………………………………………………………………..8
RELATED WORK………………………………….………………………..…………8
2.1 Elements of image registration……………………………………..…………8
2.2 Similarity metrics………………………….……...……………………..………9
2.2.1 Sum of absolute differences………………………………………..…….10
2.2.2 Correlation coefficient…………………..………………………………….10
2.2.3 Mutual information…………………………………………………………11
2.3 Search data strategies……………..……………………….…………………….13
2.3.1 Automatic subimage selection……………………………………………13
2.3.2 Fourier transformation………….….……….……………………...………14
2.3.3 Wavelet transform……………………………..…………….…………….16
2.4 Search space strategies…………………………………...………………….17
2.4.1 Simulated annealing…………………………..………………….……….17
II 2.4.2 Random search…………….…………… …… ………………………….19
2.4.3 Robbins-Monro stochastic approximations………….…………………..20
2.4.4 Steepest gradient decent……………………….……...…………………21
2.5 Feature-based methods…………………………..…………………………..21
2.5.1 Spatial relations methods…………….………...……………….…………22
2.5.2 Invariant descriptors methods..…….……..…………………………..…23
2.5.3 Relaxation methods…………………… ……………………….………….25
2.6 Estimation of mapping function………………………………..……………..27
2.6.1 Global mapping functions…………………………..………..……………..27
2.6.2 Local mapping models……………….……………….…………………….28
2.7 Image resampling……………….………………………………..……………29
2.7.1 Ideal interpolation……………………………………………..……………..30
2.7.2 Nearest neighbour………….….…………………..………………………31
2.7.3 Bilinear interpolation……..…………………………………….…………..32
2.7.4 Cubic interpolation…………..………...…………………..………………33
2.7.5 Truncated sinc interpolation …………………..…………….……………35
2.8 Registration quality estimation……………………………………………….36
2.8.1 Root mean square error…………… ………………….………………….36
2.8.2 Matching error…………………………….…………………..…………….37
2.8.3 Localization error……………………………………..……..………………38
2.8.4 Alignment error………….…………………………………………………….38
Chapter 3……………………………………..……………..………….………………40
Automatic Subimage Matching…………………………………...……..…………..40
3.1 Advantages of template matching……………………..………...…………..40
3.2 Automatic subimage selection…………………………..………...…………41
3.2.1 Gradient-based selection method………………...……..……………..42
3.2.2 Entropy-based selection method……………………...………...………43
3.2.3 Variance-based selection method……………………………………….45
3.2.4 Alignability-based selection method… …………………………..……..45
III 3.2.5 Avoiding outliers……………………………………………….………….46
3.3 Experiment and results……..…….………………………………………..47
3.4 Discussion and Analysis……..……………………...……………...………..56
3.5 The Sharpness of MI curves for different features… ….…..……………..58
3.6 Reliability of similarity measures…………………………….…………….…66
3.7 Summary …………………………….……………………………...…………66
Chapter 4 ………………………………….…………………………….……………..68
Entropy-based Similarity Metrics for Image Registration: Mutual Information.....69
4.1.1 Mean………………………………………………………………..……..69
4.1.2 Variance……………………………………………………...……………69
4.1.3 Joint probability…………………………………………………….……..70
4.2 Entropy and maximum likelihood…………………..……………………………71
4.3 F-divergence…………………………………..……………….....……………73
4.3.1 Cross entropy and maximum likelihood…………….……………….74
4.4 F-information…………………………………………….……….…………….75
4.4.1 Examples of F-information..………………….……………………….76
4.4.2 Sharpness of F-information similarity measure………...…………..80
4.5 Concept of Mutual Information……..……………..…………….……………81
4.6 Properties of mutual information………..……….…….…………..…………81
4.7 Estimation of probability density function……….………...………..……….83
4.7.1 Histogram-based estimator………………………….………………..84
4.7.2 Kernel-based estimator….………………………………...…………..85
4.7.3 Parameter-based method……………………………....……………..85
4.8 Concept of feature space…………………………..……….………………..85
4.9 Effect of bin size for mutual information computation……..………………90
4.9.1 Bin size selection………………………………………..……………..91
4.9.2 Experiment showing the effect of bin size ….….……………………96
4.9.3 Summary of results and findings……………………………..………96
4.9.4 Subpixel registration…………………………….………..……………96
IV 4.9.5 Sensitivity of on mutual information of correlation coefficient to noise99
4.9.6 Robustness and accuracy of MI estimation methods……………..102
4.9.7 Computational cost of MI and CC……………………..…………….104
4.10 Gradient-based search space strategy………………..……………….….105
4.11 Summary ……………………………………………………………………..108
Chapter 5……………………………………………………………………………..109
Image Registration Using a Combination of Mutual Information and Spatial
Information….…………………………………………………………..…………….109
5.1 Quantitative and qualitative information…………………..……………….110
5.2 Quantitative and a qualitative relative information……….……………….111
5.3. Spatial mutual information……………………………….………………….112
5.4 Utility of pixels……………………………..…………….……………………112
5.4.1 Computing the utility of pixels………………………….…………………112
5.5 Experiments……………………….………….………………………………114
5.5.1 Robustness of MI and SMI to noise……….……………………………..117
. 5.5.2 Accuracy and reliability………………………..…………………….117
Summary………………… …………………….……………………..……………120
Chapter 6………………………………………....………………………….……….121
Registration test images……………….…………….………………..……………121
Chapter 7 ………………………………….…………………………………………135
CONCLUSIONS…………………….……………………………………………….135
7.1 Summary……………………………………………………………………..136
7.2 Future research ……..………………………….……………………………136
REFERNCES…………………………………....……………..…………………….139






V

ZUSAMMENFASSUNG

Die Bildregistrierung ist ein Prozess, durch den die genaueste Übereinstimmung
zwischen zwei Bildern bestimmt wird. Dabei können die Bilder zu gleichen oder
unterschiedlichen Zeitpunkten, durch denselben oder verschiedene Sensoren
vom gleichen oder von einem anderen Betrachtungswinkel aufgenommen
worden sein. Es ist einer der entscheidenden Schritte in der Fernerkundung. Die
Bildregistrierung erfordert einen enormen Rechenaufwand. Dieser resultiert nicht
nur aus der Komplexität der Berechnungen, sondern auch aufgrund der immer
weiter zunehmenden Auflösung der Bilder. Für eine hohe Genauigkeit und
Robustheit als auch für einen möglichst niedrigen Berechnungsaufwand sind ein
passendes Ähnlichkeitsmaß, die Verminderung der “Search Data“ und eine
robuste Suchraumstrategie erforderlich.

Die Reduzierung der Search Data kann durch die Verwendung einiger
Subimages für die Bildregistrierung erreicht werden. Wir schlagen ein neues
Maß, genannt Alignabilty, vor, das die Fähigkeit von Subimages zeigt, robuste
und zuverlässige Ergebnisse zur Verfügung zu stellen. Wir vergleichen dieses
Merkmal mit der Entropie, der Varianz bzw. dem Betrag des Gradienten. Wir
zeigen, dass die Verwendung von Alginability nicht nur zuverlässige, sondern
auch robuste Ergebnisse in der Bildregistrierung erzeugt.

In der vorliegenden Dissertation, wird die Verwendung von Mutual Information als
ein Ähnlichkeitmaß untersucht. Wir zeigen die Auswirkung der Bin-Size auf die
Mutual Information. Durch die Erhöhung der Bin-Anzahl können mehr
Bildintensitäten unterschieden werden. Anderseits wird durch die Verringerung
der Bin-Anzahl die Mutual Information verrauscht oder schlägt fehl. Wir schlagen
VI zwei Methoden vor, die die Auswahl der Bin Size Größe formalisieren. Wir
zeigen, wie die Verwendung der vorgeschlagenen Methoden die Robustheit der
Mutual Information erhöht.

Die Mutual Information hat sich in den vergangenen Jahren zu einem populä