图像处理（十九）基于移动最小二乘的图像变形-Siggraph 2006

基于移动最小二乘的图像变形

原文地址：http://blog.csdn.net/hjimce/article/details/46550001

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：

也就是计算控制顶点pi和qi的加权求和重心位置。

 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 联系qq：1393852684 更多资源请关注我的博客：http://blog.csdn.net/hjimce 原创文章，转载请保留本行信息*************

参考文献：

1、《Image Deformation Using Moving Least Squares》

2、《3D Deformation Using Moving Least Squares》

图像处理（十九）基于移动最小二乘的图像变形-Siggraph 2006相关推荐

《OpenCv视觉之眼》Python图像处理十九:Opencv图像处理实战四之通过OpenCV进行人脸口罩模型训练并进行口罩检测
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
【Microsoft Azure 的1024种玩法】五十九.基于Azure云平台快速搭建GitLab应用实现代码托管
[简介] GitLab是由GitLab Inc.开发,一款基于Git的完全整合的软体开发平台,以 Git 作为代码管理工具并实现自托管的 Git 项目仓库,本篇文章主要介绍如何在Azure Virtu ...
【Microsoft Azure 的1024种玩法】二十九.基于Azure VM快速实现网络入侵检测 (IDS) 及网络安全监视 (NSM)
[简介] 数据包捕获是一个重要组件,可以实施网络入侵检测系统 (IDS) 并执行网络安全监视 (NSM). 我们可以借助开源 IDS 工具来处理数据包捕获,并检查潜在网络入侵和恶意活动的签名. 使用网 ...
[Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
图像处理（十）基于特征线的图像变形-Siggraph 1992
这里要跟大家分享的paper为基于特征线的图像 morphing,对应的英文文献为<Feature-Based Image Metamorphosis>,是1992年SIGGRAPH 上的 ...
[Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
OpenCV图像处理专栏九 | 基于直方图的快速中值滤波算法
转载自:https://zhuanlan.zhihu.com/p/98092747 侵删前言这是OpenCV图像处理专栏的第9篇文章,主要介绍一个基于直方图的快速中值滤波算法,希望对大家有帮助. ...
分布式进阶(十九) 基于集群的动态反馈负载均衡策略
一.动态WRR调度算法这是一个目前普遍使用的调度算法,算法在WRR的基础上加入了根据服务器端的负载信息周期性地调整服务器性能权值的过程.其基本思想是:根据CPU利用率.内存利用率.磁盘使用情况.连接 ...
图形处理（五）基于旋转不变量的网格变形-Siggraph 2007
一.相关理论本篇博文主要讲解2007年Siggraph上的一篇经典paper:<Linear Rotation-invariant Coordinates for Meshes>,这篇p ...

图像处理（十九）基于移动最小二乘的图像变形-Siggraph 2006

图像处理（十九）基于移动最小二乘的图像变形-Siggraph 2006相关推荐

最新文章

热门文章