A Bayesian Similarity Measure for Deformable Image Matching, Image and Vision Computing

董军宇教授作者：佚名文章来源：本站原创点击数：7448更新时间：2010/5/16 10:16:58董军宇，博士生导师。

1972年9月生，中国共产党党员。

1989年至1993年在青岛海洋大学应用数学系应用数学专业读本科，1996年至1999年在青岛海洋大学应用数学系攻读硕士学位，2000年至2003年在英国Heriot-Watt大学的纹理实验室攻读博士学位。

2004年回国后加入中国海洋大学。

主要学术兼职包括英国Heriot-Watt大学纹理实验室兼职博士生导师（2008.10-）及中国莲花山计算机视觉和信息科学研究院兼职教授（2006.9-）。

目前主持承担了多个国际合作、国家级、省部级及青岛市级科技项目，已在国际期刊及国际学术会议上发表论文60余篇，其中SCI及EI收录40余篇。

包括作为第一作者在计算机视觉领域的著名期刊International Journal of Computer Vision (国际计算机视觉期刊)发表论文一篇。

主要研究兴趣:基于多幅图像或视频的三维重建、基于机器视觉的产品检测、纹理编辑与合成、基于计算机视觉技术的面部特征检测、细胞分裂检测、可视化仿真、基于图像的绘制等内容。

应用领域主要涉及产品表面设计、影视特效制作、电子游戏、虚拟现实以及基于纹理的流场可视化等技术等。

承担的主要科研项目（1）．国家自然科学基金面上项目（40976002）：“支持向量机与水动力模式相结合的养殖海区水文环境研究，2010-2012，经费46万元，项目负责人，在研。

（2）．教育部新世纪人才支持计划项目（NCET-08-0505）：“基于机器学习方法的细胞分裂异常检测”，2009-2011，经费50万元，项目负责人，在研。

（3）国家自然科学基金项目“基于核方法的三维表面纹理自相似编辑及建模合成”（60702014），2008-2010。

项目负责人。

主要研究三维表面纹理的多种表示形式、多种表示形式下的自相似编辑以及应用核方法建立参数模型的合成方法。

基于视觉信息保真度的融合图像质量评价方法张勇＊,1，2，余宏生,金伟其11(1 北京理工大学光电学院，北京 100081）(2 军械技术研究所，河北石家庄 050000)摘要：在假设图像源符合高斯尺度混合模型前提下，将图像融合算法视为图像信号增强通道，考虑人眼视觉内部神经元噪声特性，建立了一种基于视觉信息保真度的融合图像质量客观评价模型。

采用该方法对不同融合算法获得的融合图像进行了性能验证，实验结果表明该算法能对融合图像质量进行正确评价,相比于传统方法其客观评价结果与主观评价结果更具有一致性.关键词：图像融合；评价；高斯尺度混合模型；视觉信息保真度中图分类号TP391.4 文献标识码 AFusion Image Quality Assessment Method Based on Visual Information Fiedity ZHANG Yong＊，1,2， YU Hong-sheng1, JIN Wei—qi1（1 School of Optoelectronics， Beijing Institute of Technology， Beijing 100081）(2 Mechanical Engineering Institute, Heibei, Shijiazhuang, Hebei 050000）Abstract: Based on the assumption that the image sources meet GSM model is correct and image fusion algorithm is regarded as image signal enhancement channel. And considering human visual noise characteristics within neurons, FVIF objective quality assessment model is established。

Y
C la ss 2 s In ep
C la ss 1
O
}
O
Fig. 1. The 2-D data is projected to 1-D by x − y . The two classes which are separable in joint representation are inseparable after the projecting. “Class1” and “Class2” could be considered as an intra-personal and an extra-personal hypothesis in face recognition.
1
Introduction
Face verification and face identification are two sub-problems in face recognition. The former is to verify whether two given faces belong to the same person, while the latter answers “who is who” question in a probe face set given a gallery face set. In this paper, we focus on the verification problem, which is more widely applicable and lay the foundation of the identification problem. Bayesian face recognition [1] by Baback Moghaddam et al. is one of representative and successful face verification methods. It formulates the verification task as a binary Bayesian decision problem. Let HI represents the intra-personal (same) hypothesis that two faces x1 and x2 belong to the same subject, and HE is the extra-personal (not same) hypothesis that two faces are from different subjects. Then, the face verification problem amounts to classifying the difference ∆ = x1 − x2 as intra-personal variation or extra-personal variation. Based on the MAP (Maximum a Posterior) rule, the decision is made by testing a log likelihood ratio r(x1 , x2 ): r(x1 , x2 ) = log P (∆ |HI ) . P (∆ |HE ) (1)

亚像素模板匹配算法-回复1. 什么是亚像素模板匹配算法?亚像素模板匹配算法是一种用于图像处理和计算机视觉领域的算法，用于定位和识别图像中的目标物体。

它基于模板匹配的原理，通过对图像进行多次迭代，以亚像素级别的精度来确定目标物体的位置和姿态。

在图像匹配中，常用的方法是使用离散像素级别的匹配来确定目标物体的位置。

但是，由于图像像素的有限分辨率限制，这种方法可能无法达到所需的精度水平。

亚像素模板匹配算法在此基础上进行了改进，通过对目标物体进行子像素级的平移和旋转变换，提高了匹配的精度。

2. 亚像素模板匹配算法的原理是什么?亚像素模板匹配算法的原理是通过计算图像中目标物体的灰度值差异，寻找最佳匹配位置。

具体而言，算法将参考图像中的模板与待测图像进行比较，计算它们之间的相似度。

算法首先在整数像素级别通过平移和旋转对待测图像进行对齐，然后将待测图像与参考图像进行比较。

通过计算两个图像之间每个像素的灰度值差异，可以确定图像的匹配程度。

这个差异值通常称为相关性度量，通过最大化相关性度量，可以找到最佳匹配位置。

为了提高匹配的精度，亚像素模板匹配算法引入了插值的概念。

在整数像素级别的对齐后，算法在像素之间进行插值，计算出亚像素级别的差异值。

通过对亚像素级别进行迭代计算，可以得到更为精确的目标物体位置。

3. 亚像素模板匹配算法的步骤是什么?亚像素模板匹配算法的步骤如下:1. 准备参考图像和待测图像，确保它们包含目标物体的完整信息。

2. 选择目标物体的模板，并在参考图像中确定一个初始的猜测位置。

3. 根据猜测位置，将待测图像进行平移和旋转变换，以使其与参考图像对齐。

4. 在整数像素级别对齐后，使用插值方法计算出亚像素级别的差异值。

5. 计算目标物体在当前猜测位置的相关性度量，作为匹配程度的指标。

6. 根据相关性度量选择下一个猜测位置，并重复步骤3至步骤5，直到找到最佳匹配位置。

7. 根据匹配位置的精度要求，可以进行多次迭代，进一步提高匹配的精度。