Novel and robust methods for the automatic registration of image data

Abstract

Image Registration is the process of geometrically transforming two or more images in order for their common points to occupy the same place in space. It is used in many applications such as Medical Imaging, Remote Sensing and Image Stitching. Despite the progress over the last 40 years, there are still unresolved issues: Accuracy, Computational Costs, Convergence to Local Maximums and Automation. The Image Similarity Measure, the Geometric Transformation and the Optimization Method influence these in turn. Mathematical / statistical methods for comparing images have proven to be much more efficient than methods that use image features such as points. In addition, they require minimal (if not all) pre-processing of the images, which renders them automatic. However, due to their using a significant percentage of the images to estimate similarity, they become computationally very expensive, especially when an extensive search for the optimal transformation is required. In the context of this dissertation, extensive research was conducted on Optimization Methods and Image Similarity Measures. Specifically, research was conducted on Elitist Genetic Algorithms as well as new variants of another optimization method known as Harmony Search. In addition, a method was introduced, in order to reduce computational cost, known as the Surrogate Model. Finally, in the context of image similarity estimation, statistical measures based on the statistical deviation of Renyi (Renyi’s Divergence) were compared in order to use the smallest possible percentage of images without reducing the quality of the results.

Η Ταύτιση εικόνων είναι η διαδικασία του γεωμετρικού μετασχηματισμού δύο ή περισσότερων εικόνων με σκοπό τα κοινά τους σημεία να έχουν την ίδια θέση στο χώρο, κι έχει πολλές εφαρμογές όπως στην Ιατρική απεικόνιση, Remote Sensing και Συρραφή Εικόνων (Image Stitching). Παρά την επιστημονική πρόοδο που έχει επιτευχθεί τα τελευταία 40 χρόνια, εξακολουθούν να υπάρχουν άλυτα θέματα που σχετίζονται με Ακρίβεια, Υπολογιστικό Κόστος, Σύγκλιση σε τοπικά μέγιστα και διαδικασίες Αυτοματισμού των αριθμητικών μεθόδων ταύτισης εικόνων. Αυτά με την σειρά τους επηρεάζονται από το Μέτρο Ομοιότητας των εικόνων, τον Γεωμετρικό Μετασχηματισμό και την Μέθοδο βελτιστοποίησης που χρησιμοποιούνται. Οι μαθηματικές/στατιστικές μέθοδοι για την σύγκριση εικόνων έχουν αποδειχθεί πολύ αποτελεσματικότερες των μεθόδων που χρησιμοποιούν χαρακτηριστικά των εικόνων όπως τα σημεία τους. Επιπλέον, απαιτούν ελάχιστη (αν όχι καθόλου) προεπεξεργασία των εικόνων, πράγμα που τις καθιστά αυτόματες. Επειδή χρησιμοποιούν ένα σημαντικό τμήμα των εικόνων για την εκτίμηση της ομοιότητας, καθίστανται υπολογιστικά πολύ ακριβές ιδιαίτερα όταν χρειαστεί να γίνει εκτενής αναζήτηση του βέλτιστου μετασχηματισμού. Στα πλαίσια της διατριβής αυτής, έγινε εκτενής έρευνα σχετικά με τις Μεθόδους Βελτιστοποίησης και τα Μέτρα Σύγκρισης των εικόνων. Συγκεκριμένα, έγινε έρευνα σε Ελιτιστικούς Γενετικούς Αλγορίθμους (Elitist Genetic Algorithms) καθώς και σε νέες παραλλαγές μίας άλλης μεθόδου βελτιστοποίησης γνωστή ως Αρμονική Αναζήτηση (Harmony Search). Επίσης, κατασκευάστηκε και μία μέθοδος, με σκοπό την μείωση του υπολογιστικού κόστους, γνωστή ως Surrogate Model. Τέλος, στα πλαίσια εκτίμησης ομοιότητας των εικόνων, έγινε σύγκριση στατιστικών μέτρων βασισμένα στην στατιστική απόκλιση του Renyi (Renyi’s Divergence) με σκοπό την χρήση όσο είναι δυνατόν μικρότερου ποσοστού των εικόνων χωρίς την ταυτόχρονη μείωση της ποιότητας των αποτελεσμάτων.