19.5.1. КОРРЕЛЯЦИОННАЯ ПРИВЯЗКА
Классический способ взаимной
привязки (совмещение) пары функций состоит в том, что формируется величина,
измеряющая корреляцию между этими функциями, и находится положение максимума функции
корреляции [16, 17]. Рассмотрим применение этого способа в случае двух
измерений. Пусть массивы
и
представляют два дискретных
изображения, которые требуется привязать друг к другу. В простейшей форме мера
корреляции определяется следующим образом:
, (19.5.1)
где
- индексы элементов в окне
размером
элементов,
которое расположено внутри зоны поиска
размером
элементов. Рис. 19.5.1
иллюстрирует соотношение между зоной поиска и окном. Вообще, функцию корреляции
требуется вычислить для всех
возможных смещений окна в зоне поиска
для того, чтобы определить ее максимальное значение и получить оценку ошибки
совмещения.
Рис. 19.5.1. Зона
поиска при корреляционной привязке и площадь окна.
Применение этой простой меры
корреляции связано с двумя основными трудностями. Во-первых, функция корреляции
может иметь довольно размытый максимум, что затрудняет его обнаружение. Следует
отметить, что мера корреляции (19.5.1) не учитывает пространственную структуру
сравниваемых изображений. Во-вторых, шум на изображении может скрыть максимум
корреляции. Обе трудности можно преодолеть, улучшив меру корреляции таким
образом, чтобы в ней учитывались статистические свойства изображений
и
.
Улучшенная мера корреляции
определяется как
, (19.5.2)
где массивы
получаются сверткой
массивов, описывающих изображения, с функциями
, представляющими собой импульсные
характеристики пространственных фильтров:
. (19.5.3)
Импульсные характеристики
выбираются так, чтобы максимизировать пиковую корреляцию в том случае, когда
сравниваемые изображения совмещены наилучшим образом. Эти характеристики можно
получить с помощью теории согласованной фильтрации дискретных массивов,
развитой в предыдущем разделе. Пусть
- вектор, полученный разверткой по
столбцам фрагмента
, соответствующего окну, а вектор
составлен из
элементов фрагмента
при заданном сдвиге
. Полное число
различных векторов
составляет
. Элементы векторов
и
обычно сильно
коррелированы. Поэтому в соответствии с методом согласованной фильтрации
случайных полей первый шаг обработки должен состоять в «отбеливании», т. е. в
умножении этих векторов на матрицы отбеливающих фильтров
и
:
, (19.5.4а)
. (19.5.4б)
Матрицы
и
определяются через
ковариационные матрицы изображений
, (19.5.5а)
. (19.5.5б)
Матрицы
и
можно представить в
следующем виде:
, (19.5.6а)
, (19.5.6б)
где матрицы
и
образованы из собственных
векторов ковариационных матриц
и
, а
и
- диагональные матрицы из их
собственных значений.
Мера корреляции (19.5.2)
записывается в виде нормированного скалярного произведения
. (19.5.7а)
Можно показать, что возможно
другое представление этой меры:
, (19.5.7б)
где
. Используя формулу (19.5.7а) надо
производить «отбеливание» вектора
и всех
векторов
, тогда как формула
(19.5.76) требует лишь одного умножения вектора
на матрицу
. Ясно, что вторая формула
предпочтительнее первой, если все вычисления выполняются обычными средствами.
Чтобы найти матрицы
, необходимо
вычислить два набора собственных векторов и собственных значений ковариационных
матриц двух сравниваемых изображений в пределах окна. Если окно содержит
элементов, то
каждая из ковариационных матриц
и
будет иметь размер
. Например, если
, то ковариационные
матрицы
и
будут
иметь размер
.
Вообще вычисление собственных векторов и собственных значений для таких больших
матриц оказывается трудоемкой задачей для всех вычислительных машин, за исключением
самых мощных. Однако в особых случаях эти вычисления можно заметно упростить
[14]. Например, если изображения моделируются реализациями разделимого
марковского процесса и отсутствует шум, то свертка (19.5.3) сводится к свертке
изображения с маской обнаружения перепадов (17.4.6), когда
, (19.5.8)
где
- коэффициент корреляции смежных
элементов изображения. Если оба изображения пространственно некоррелированы,
то
и
операции свертки не требуются. В другом предельном случае когда
,
. (19.5.9)
Этот оператор представляет собой
один из видов оператора Лапласа. Таким образом, когда изображения сильно
коррелированы, вычисление улучшенной меры корреляции (19.5.2) сводится к
обычной корреляции контурных изображений двух сцен.
Рис. 19.5.2. Графики
зависимости улучшенной меры корреляции изображений от величины сдвига.
На рис. 19.5.2 приведены
результаты моделирования на вычислительной машине совмещения изображений
естественных сцен с использованием улучшенной меры корреляции (19.5.7а). При
моделировании изображение танка было смещено по горизонтали на три элемента и
по вертикали на четыре элемента. Затем была вычислена мера корреляции этой пары
изображений в окне размером
элементов для зоны поиска размером
элемента. На рис.
19.5.2 представлены кривые нормированной меры корреляции. Следует заметить,
что при
(что
соответствует обычной корреляции) довольно трудно различить пик величины
. При
или больше
имеет четкий пик в
точке, соответствующей правильному положению объекта.