第三章 拼貼流程
3.2 影像拼貼
在完成影像跟影像間的亮度調整後，接下來我們的工作就是將 影像拼貼組合在一起。我們先假設現在只有兩張影像要進行拼貼，
這兩張影像分別為影像 A 及影像 B，我們假設影像 A 右邊的區域與 影像 B 左邊的區域有重疊(overlap)的部份。
在影像 A 我們設定一個大小的區域，設定此區域的用意是在於 用這個區域內的元素和影像 B 左邊進行比對測驗。在影像 B 左邊我 們同樣設定一個區域，設定此區域的用意在於讓影像 A 有比對的空 間。
圖(10)：影像 A 與影像 B 設定區域
圖(10)所示為影像 A 與影像 B 設定區域，影像 A 紅色的部分即是 用來到影像 B 中藍色區域中比對區塊，比較方法如下所示。
在選擇完設定的範圍區域後，接下來就是要比對影像 A 及影像 B 拼貼時重疊區域計算的關聯性（Correlation coefficient）。
重疊區域計算的關聯性的值越高，表示影像 A 及影像 B 的相似
第四 第四 第四
第四章 章 章 章 多張影像拼貼 多張影像拼貼 多張影像拼貼 多張影像拼貼
在現實情況下，影像的拼貼鮮少只有兩張影像拼貼，所以我們 要考慮到多張影像拼貼的處理。
首先我們先將第一張影像的位置固定，其他的影像對第一張影 像找出影像橫排列(row)的重疊區域的關聯性，如圖(11a)。並將後面 一張影像蓋上去前一張影像上，如圖(11b)。
將橫排列的重疊區域拼貼起來後，一樣將第一張影像位置固定 住，接著我們要考慮的是縱排行(column)的重疊區域的關聯性，如圖 (12a)。並將後面一張影像蓋上去前一張影像上，如圖(12b)。如此一 來即完成影像的拼貼。
無論是行還是列在處理拼貼時考慮的重疊區域關聯性都是使用 (4)式，利用γ 值來判斷其影像間關聯性。
(a)
(b)
圖(11): 橫排列(row)拼貼示意圖。(a)橫軸影像設定範圍。(b)橫軸影像 拼貼結果圖。
(a)
(b)
圖(12): 縱排行(column)拼貼示意圖。(a)縱軸影像設定範圍。(b)縱軸 影像拼貼結果圖。
本論文共用了五組資料進行拼貼實驗，兩組為細胞，三組為老 鼠頭部的骨骼跟血管。
兩組細胞的資料因為電子衰減的因素，造成影像跟影像間亮度 值有明顯的差異，所以要先進行影像跟影像間亮度值調整，調整好 的影像再進行拼貼。
三組老鼠頭部的骨骼跟血管的資料中，原始影像為影像一張一 張照起來後平行擺放，需要先進行影像切割才可以進行。將原始影 像切割為 35 張，橫軸 5 張縱軸 7 張，橫軸部份每 160piexl 切一刀，
縱軸部份每 120piexl 切一刀，切出來後每張大小為 160*120。將資 料準備完成後就可進行拼貼，實驗結果顯示在下個章節。
第
histogram 分佈，編號順序依然是從左到右，從上到下，分別為影像 1 至 9。在每張圖下方有個括號，此括號第一個值表示為影像中分佈
(a)
(93,59514) (108,52455)
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
(j)
圖(14): (a)原始影像拼貼結果。(b)Target=1 拼貼結果。
(c)Target=2 拼貼結果。(d)Target=3 拼貼結果。
(e)Target=4 拼貼結果。(f)Target=5 拼貼結果。
(g)Target=6 拼貼結果。(h)Target=7 拼貼結果。
(i)Target=8 拼貼結果。(j)Target=9 拼貼結果。
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
(j)
圖(15):(a)原始影像拼貼結果。(b)Target=1 拼貼結果。
(c)Target=2 拼貼結果。(d)Target=3 拼貼結果。
(e)Target=4 拼貼結果。(f)Target=5 拼貼結果。
(g)Target=6 拼貼結果。(h)Target=7 拼貼結果。
(i) Target=8 拼貼結果。(j)Target=9 拼貼結果。
(a)
(b)
(c)
(d)
圖(16):(a)原始圖。(b)切割後重新拼貼。(c)原始圖局部放大。
(d)切割後重新拼貼局部放大。
(a)
(b)
(c)
(d)
圖(17):(a)原始圖。(b)切割後重新拼貼。(c)原始圖局部放大。
(d)切割後重新拼貼局部放大。
(a)
(b)
圖(18):(a)原始圖。(b)切割後重新拼貼。
第
其 histogram 分佈低點至峰值的斜率大小，其因素會左右影像亮度值 分佈的範圍大小。第二，histogram 分佈峰值的位置，其關鍵會影響 整張影像的亮度值的深淺。
第七章 第七章 第七章
第七章 未來工作 未來工作 未來工作 未來工作
我們使用的拼貼方式可以很穩定找到對應的區域，但是遇到多 個相似時可能會找到錯誤的拼貼位置，因為找尋拼貼位置的方式會 有改善的空間。
在選擇影像為最佳的 Target 方面，並沒有達到自動化選擇，要 將影像拼貼出來再用肉眼去判斷，所以也有改善的空間。
不能夠自動化的原因是因為要定義每張影像 histogram 分佈低點 至峰值的斜率大小及其峰值的位置。因為每張影像的 histogram 分佈 均不同，所以難以用數字來量化其最佳性，故改善方面只能從找尋 出幾個較好的結果，再由使用者選擇一個自己想到的結果。
若將上述問題解決，則拼貼的結果會更好。
參考文獻 參考文獻 參考文獻 參考文獻
[1] R. Jain, R. Kasturi and B.G. Schunck, Machine Vision, McGraw-Hill, Inc., New York, U.S.A., 1995.
[2] H. Li, B. S. Manjunath and S. K. Mitra, “A contour-based approach to multisensor image registration,” IEEE Trans.
Image Processing, Vol. 4, No. 3, pp. 320-334, 1995.
[3] Q. Zheng and R. Chellapa, “A computational vision approach to image registration,” IEEE Trans. Image Processing, Vol. 2, No. 3, pp. 311-326, 1993.
[4] Nasser M. Nasrabadi, Wei Li, B. G. Epranian, and Charles A. Butkus, “Use of hopfield network for stereo vision correspondence,” IEEE , pp. 429-432, 1989.
[5] S. H. Chang, F. H. Cheng, W. H. Hsu, and G. Z. Wu, “Fast algorithm for point pattern matching: invariant to
translations, rotations and scale changes,” Pattern Recognition, pp. 311-320, 1997.
[6] C. F. Lin and C. L. Lee, “A robust method for image registration,” Proc. of IPPR Conference on Computer Vision, Graphics and Image Processing, Taiwan, R. O. C., pp. 284-292, 1996.
[7] Z. P. Liang, H. Pan, R. L. Magin, N. Ahuja and T. S. Huang.
“Automated Image Registration by Maximization of a Region Similarity Metric,” Image Processing, 1997.
Proceedings, International Conference, Vol. 3, pp.
272-275, 1997.
[8] R. Szeliski, “Video mosaics for virtual environments,”
IEEE Computer Graphic and Application, pp. 22-30, 1996.
[9] G. M. Cortelazzo and L. Lucchese, “A new method of
image mosaicking and its application to cultural heritage representation,” EUROGRAPHICS, 1999.
[10] R. C. Gonzales and R. E. Woods, “Digital Image Processing,” Addison Wesley, 1993.
[11] http://www.srrc.gov.tw/chi/about/ 國家同步幅射研究中 心