Automatic Learning Sparse Correspondences for Initialising Groupwise Registration
Automatic Learning Sparse Correspondences for Initialising Groupwise Registration
复制标题
自动学习稀疏对应初始化分组注册
DOI：
10.1007/978-3-642-15745-5_78
复制
发表时间：
2010
期刊：
影响因子：
--
通讯作者：
Tim Cootes
中科院分区：
文献类型：
--
作者：
Pei Zhang;Steve A. Adeshina;Tim Cootes
我们试图自动建立密集的对应组的图像。现有的非刚性配准方法通常涉及局部优化，因此需要精确的初始化。对于复杂结构的图像，特别是具有许多自相似部分的图像，很难获得这样的初始化。在本文中，我们表明，满意的初始化，这样的图像可以找到一个零件+几何模型。我们使用基于人口的优化策略，从大量的候选人中选择最好的部分。最佳模型的最佳匹配用于初始化分组配准算法，从而获得密集、准确的结果。我们在两个具有挑战性的数据集上证明了该方法的有效性，并对其性能进行了详细的定量评估。
We seek to automatically establish dense correspondences across groups of images. Existing non-rigid registration methods usually involve local optimisation and thus require accurate initialisation. It is difficult to obtain such initialisation for images of complex structures, especially those with many self-similar parts. In this paper we show that satisfactory initialisation for such images can be found by a parts+geometry model. We use a population based optimisation strategy to select the best parts from a large pool of candidates. The best matches of the optimal model are used to initialise a groupwise registration algorithm, leading to dense, accurate results. We demonstrate the efficacy of the approach on two challenging datasets, and report on a detailed quantitative evaluation of its performance.
DOI：
10.1023/b:visi.0000042934.15159.49
发表时间：
2005-01-01
影响因子：
19.5
作者：
Felzenszwalb, PF;Huttenlocher, DP
通讯作者：
Huttenlocher, DP