目录
论文信息
基础介绍
MLS
Affine Deformation
Similarity Deformation
Rigid Deformation
论文信息
论文链接:《Image Deformation Using Moving Least Squares》
基础介绍
刚性变换:平移+旋转(只有物体的位置和朝向发生改变,而形状不变,得到的变换成为刚性变形)
相似变换:平移+旋转+缩放
仿射变换:平移+旋转+缩放+倾斜+翻转
MLS
Moving Least Squares Deformation
- p:一列控制顶点
- q:控制顶点变换后的坐标
给定图上的一点
,求解一个最优的放射变换来最小化
其中
和
都是行向量,每行的分量为点的坐标,权重
有如下的形式
因为该最小二乘问题中的权重
独立于
变形后的点,所以我们称之为移动最小二乘最小化。对于不同的
,可以得到不同的变换
。由于
是仿射变换,所以可以写成
令原始的优化函数对T求偏导并令其为0,解出
其中
和
是原来一系列控制顶点的加权质心,
所以有
所以原优化函数可以修改为
其中
,考虑二维图像时,M就是一个2x2的矩阵。
Affine Deformation
要找一个仿射变换来极小化方程(4),直接用古典方法求解优化问题得
从而我们可以写成仿射变换的表达式
又因为
是固定的,所以上式可以变为
其中
可以预计算
直接做仿射变换会存在一些问题:原图中的网络点阵是排列整齐的,变换到目标图像中后便不再排列整齐,由于是浮点数运算,所以有一些点会变换到目标图的同一个点上,而目标图的有一点没有任何点从原图变换过来,这就会导致变换之后的图像产生白色的镂空。解决该问题的一个比较简单的办法就是对原始图像做逆变换,这相当于在目标图像的网格点阵上计算原图中对应的点,即已知
求解对应
。计算公式如下:
Similarity Deformation
实际上仿射变换包含了非一致性的平移和缩放,实际上的许多物体并不会发生这么复杂的变化。相似变换是仿射变换的一个子类,仅包含平移、旋转和一致的缩放。为了满足相似变换的性质,我们限制矩阵M满足
。如果M是分块矩阵,有
的形式,其中
的长度为2的列向量,那么对于M的限制可以变为
,并且
。这个限制意味着
,其中是一个作用于二维向量的算子使得
。这样原来的目标方程(4)可以修改为
该二次方程有唯一的最优值,从而可以得到最优点M
其中
。从而得到最终的变换公式
其中
是
类似的我们可以得到逆相似变幻的公式
其中
Rigid Deformation
进一步地,我们要求变幻中不包括一致缩放,即限制变为
。先给出一个定理,这个定理说明了刚性变换和相似变换的关系。
定义一.令C是可以极小化如下相似问题的矩阵
如果C写成
的形式,R是一个旋转矩阵,
是一个标量,那么旋转矩阵R极小化如下的刚性问题
根据定理我们知道刚性变化恰好就是方程(8),除了把其中的
替换为
令
其中
由式(9)定义,最后的变换公式为
上述变换公式不易求的其逆变换,所以近似的使用如下逆变换
其中