|
作者：hjimce 一、背景意义 写这篇博文是应为目前为止我看到了好多领域里的经典paper算法都有涉及到移动最小二乘（MLS）。可见这个算法非常重要，先来看一下它的相关经典应用： 1、图像变形。在图像处理领域paper：《Image Deformation Using Moving Least Squares》利用移动最小二乘的原理实现了图像的相关变形，而且这篇paper的引用率非常高，可以说是图像变形算法的经典算法，Siggraph上面的paper。 利用移动最小二乘实现图像变形 2、点云滤波。利用MLS实现点云滤波，是三维图像学点云处理领域的一大应用，我所知道点云滤波经典算法包括：双边滤波、MLS、WLOP。 3、Mesh Deformation。用这个算法实现三角网格模型的变形应用也是非常不错的，相关的paper《3D Deformation Using Moving Least Squares》 OK，接着我就以《Image Deformation Using Moving Least Squares》算法为例，进行讲解基于移动最小二乘的图像变形算法实现。 二、算法实现 在这里我没有打算将算法原理的推导过程，直接讲算法的实现步骤公式。 这篇paper根据变换矩阵的不同，可以分为三种变形方法，分别是仿射变换、相似变换、刚性变换。其中刚性变换的效果是最好的，我这边从简单的讲，只讲仿射变换的变形算法实现： 问题：原图像的各个控制顶点坐标p，原图像上的像素点v的坐标。变形后图像的控制顶点位置q，求v在变形后图像中对应位置f(v)。 总计算公式为： 上面中lv(x)和f(v)是同一个函数。因为x就是我们输入的原图像的像素点坐标v。 因此我们的目标就是要知道p*，q*，变换矩阵M。这样输入一个参数x，我们就可以计算出它在变换后图像中的位置了。 OK，只要我们知道上面公式中，各个参数的计算方法，我们就可以计算出变形后图像对应的坐标点f(v)了。 1、权重w的计算方法为： 也就是计算v到控制顶点pi的距离倒数作为权重，参数a一般取值为1。 这一步实现代码如下： //计算各个控制顶点的权重，也就是计算点t到各个顶点的距离1/sqr(d)while(iter!=p.end()){double temp;if(iter->x!=t.x || iter->y!=t.y)temp=1/((iter->x-t.x)*(iter->x-t.x)+(iter->y-t.y)*(iter->y-t.y));else//如果t为控制顶点，那么需要把该控制顶点的权重设置为无穷大temp=MAXNUM;w.push_back(temp);iter++;}2、q*，p*的计算公式如下： double px=0,py=0,qx=0,qy=0,tw=0;while(iterw!=w.end()){px+=(*iterw)*(iter->x);//所有控制顶点p的加权位置py+=(*iterw)*(iter->y);qx+=(*iterw)*(iterq->x);//所有控制顶点q的加权位置qy+=(*iterw)*(iterq->y);tw+=*iterw;//总权重iter++;iterw++;iterq++;}pc.x=px/tw;pc.y=py/tw;qc.x=qx/tw;qc.y=qy/tw;3、仿射变换矩阵M的计算公式如下:只要把相关的参数都带进去就可以计算了。 最后贴一些完整的MLS源代码： //输入原图像的t点，输出变形后图像的映射点f(v)MyPoint CMLSDlg::MLS(const MyPoint& t){if(p.empty())//原图像的控制顶点p，与输入点t为同一副图像坐标系下return t;MyPoint fv;double A[2][2],B[2][2],M[2][2];iter=p.begin();w.erase(w.begin(),w.end());//计算各个控制顶点的权重，也就是计算点t到各个顶点的距离1/sqr(d)while(iter!=p.end()){double temp;if(iter->x!=t.x || iter->y!=t.y)temp=1/((iter->x-t.x)*(iter->x-t.x)+(iter->y-t.y)*(iter->y-t.y));else//如果t为控制顶点，那么需要把该控制顶点的权重设置为无穷大temp=MAXNUM;w.push_back(temp);iter++;}vector<double>::iterator iterw=w.begin();vector<MyPoint>::iterator iterq=q.begin();//q为目标图像的控制点的位置，我们的目标是找到t在q中的对应位置iter=p.begin();MyPoint pc,qc;double px=0,py=0,qx=0,qy=0,tw=0;while(iterw!=w.end()){px+=(*iterw)*(iter->x);//所有控制顶点p的加权位置py+=(*iterw)*(iter->y);qx+=(*iterw)*(iterq->x);//所有控制顶点q的加权位置qy+=(*iterw)*(iterq->y);tw+=*iterw;//总权重iter++;iterw++;iterq++;}pc.x=px/tw;pc.y=py/tw;qc.x=qx/tw;qc.y=qy/tw;iter=p.begin();iterw=w.begin();iterq=q.begin();for(int i=0;i<2;i++)for(int j=0;j<2;j++){A[i][j]=0;B[i][j]=0;M[i][j]=0;}while(iter!=p.end()){double P[2]={iter->x-pc.x,iter->y-pc.y};double PT[2][1];PT[0][0]=iter->x-pc.x;PT[1][0]=iter->y-pc.y;double Q[2]={iterq->x-qc.x,iterq->y-qc.y};double T[2][2];T[0][0]=PT[0][0]*P[0];T[0][1]=PT[0][0]*P[1];T[1][0]=PT[1][0]*P[0];T[1][1]=PT[1][0]*P[1];for(int i=0;i<2;i++)for(int j=0;j<2;j++){A[i][j]+=(*iterw)*T[i][j];}T[0][0]=PT[0][0]*Q[0];T[0][1]=PT[0][0]*Q[1];T[1][0]=PT[1][0]*Q[0];T[1][1]=PT[1][0]*Q[1];for(int i=0;i<2;i++)for(int j=0;j<2;j++){B[i][j]+=(*iterw)*T[i][j];}iter++;iterw++;iterq++;}//cvInvert(A,M);double det=A[0][0]*A[1][1]-A[0][1]*A[1][0];if(det<0.0000001){fv.x=t.x+qc.x-pc.x;fv.y=t.y+qc.y-pc.y;return fv;}double temp1,temp2,temp3,temp4;temp1=A[1][1]/det;temp2=-A[0][1]/det;temp3=-A[1][0]/det;temp4=A[0][0]/det;A[0][0]=temp1;A[0][1]=temp2;A[1][0]=temp3;A[1][1]=temp4;M[0][0]=A[0][0]*B[0][0]+A[0][1]*B[1][0];M[0][1]=A[0][0]*B[0][1]+A[0][1]*B[1][1];M[1][0]=A[1][0]*B[0][0]+A[1][1]*B[1][0];M[1][1]=A[1][0]*B[0][1]+A[1][1]*B[1][1];double V[2]={t.x-pc.x,t.y-pc.y};double R[2][1];R[0][0]=V[0]*M[0][0]+V[1]*M[1][0];//lv（x）总计算公式R[1][0]=V[0]*M[0][1]+V[1]*M[1][1];fv.x=R[0][0]+qc.x;fv.y=R[1][0]+qc.y;return fv;}调用方法示例： int i=0,j=0;dImage=cvCreateImage(cvSize(2*pImage->width,2*pImage->height),pImage->depth,pImage->nChannels);//创建新的变形图像cvSet(dImage,cvScalar(0));MyPoint Orig=MLS(MyPoint(IR_X,IR_Y));int Orig_x=(int)(Orig.x)-(int)(pImage->width/2);int Orig_y=(int)(Orig.y)-(int)(pImage->height/2);for(i=0;i<pImage->height;i++)//遍历原图像的每个像素{for(j=0;j<pImage->width;j++){CvScalar color;double x=j+IR_X;double y=i+IR_Y;MyPoint t=MLS(MyPoint(x,y));//MLS计算原图像(x,y)在目标图像的映射位置f(v)int m=(int)(t.x);int n=(int)(t.y);m-=Orig_x;n-=Orig_y;color=cvGet2D(pImage,i,j);//像素获取if(0<=m && dImage->width>m && 0<=n && dImage->height>n){cvSet2D(dImage,n,m,color);}}}图像变形算法，有正向映射和逆向映射，如果按照每个像素点，都通过上面的计算方法求取其对应变换后的像素点位置，那么其实计算量是非常大的，因为一幅图像的像素点，实在是太多了，如果每个像素点，都用上面的函数遍历过一遍，那计算量可想而知。因此一般的变形算法是对待图像进行三角剖分： 然后只根据只对三角网格模型的顶点，根据变形算法，计算出三角网格模型每个顶点的新位置，最后再用三角形仿射变换的方法，计算三角形内每个像素点的值，得到变形后的图像，这样不仅速度快，同事解决了正向映射与逆向映射变形算法存在的不足之处，具体图像变形的正向和逆向映射存在的缺陷，可以自己查看相关的文献。 另外两种相似变换和刚性变换，可以自己查看M矩阵的计算公式，编写实现相关代码。 本文地址：http://blog.csdn.net/hjimce/article/details/46550001 作者：hjimce 参考文献： 1、《Image Deformation Using Moving Least Squares》 |
|
|
