A Penalized Likelihood Approach to Image Warping
图像形变的惩罚似然方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究图像配准与几何形变，缺乏所列经济计量细分方向的文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
图像形变的惩罚似然方法
- 研究问题
- 如何在选择图像之间的形变映射时，同时衡量对齐后的相似度与映射造成的几何扭曲，并评估最终对齐效果？
- 方法与思路
- 作者以惩罚似然平衡图像相似度与形变失真，采用傅里叶相位差的 von Mises 模型，并用共轭梯度估计分片双线性映射。
- 材料陈述的贡献
- 摘要称提出新的图像概率模型及由特定多项式函数族唯一最小化的失真准则，并展示遥感、显微图像和鱼类识别应用。
- 阅读关注点
- 阅读全文时应核对相位差模型的假设、失真准则与惩罚权重、对齐评价方式，以及数值近似和算法收敛的处理。
- 阅读边界
- 依据所给 Crossref 摘要；摘要未说明模型适配检验、调参规则或比较数值，不能据此判断跨图像任务的性能与刊本变化。
原文摘要
Summary A warping is a function that deforms images by mapping between image domains. The choice of function is formulated statistically as maximum penalized likelihood, where the likelihood measures the similarity between images after warping and the penalty is a measure of distortion of a warping. The paper addresses two issues simultaneously, of how to choose the warping function and how to assess the alignment. A new, Fourier–von Mises image model is identified, with phase differences between Fourier-transformed images having von Mises distributions. Also, new, null set distortion criteria are proposed, with each criterion uniquely minimized by a particular set of polynomial functions. A conjugate gradient algorithm is used to estimate the warping function, which is numerically approximated by a piecewise bilinear function. The method is motivated by, and used to solve, three applied problems: to register a remotely sensed image with a map, to align microscope images obtained by using different optics and to discriminate between species of fish from photographic images.