自迁移出 MediaWiki 以来，本页内容尚未经过审查。如果您愿意帮忙，请查看帮助指南！
图片中包含detected interest points后，您可以继续注册它们。在多视图模式中，选择要注册的视图，右键单击并选择Processing › Register using Interest Points…。
基于兴趣点的注册包括两个步骤：
- 1) 两个视图/视图组中相应兴趣点的成对匹配。对于此步骤，我们提供了多种算法（见下文）。
- 2) 注册的迭代全局优化大量（当一个视图链接到其他视图时估计认知转换）。
基本注册选项
在第一个对话框中，系统会要求您输入一些用于注册的基本参数。
- 注册算法：如何进行兴趣点的两个匹配。下面详细描述各个算法。
- 随时间注册：当您的数据集包含多个时间点时，您可以选择：
- Register time points individually: to process each time point after the other. This way, the different views in each time point can be aligned, but no registration between time points is performed. It is generally a good idea to first register the views of the individual time points and then perform another round of registration to align them over time (keeping the registration within timepoints from the first round).
- Match against one reference time point (no global optimization): to align the views of all time points to a selected reference time point (In addition to aligning within the timepoints). Use this if you sample moved very little over time.
- All-to-all timepoints matching (global optimization): to compare every time point to every other time point. This is the most computationally expensive option but will provide a globally optimal time series registration.
- All-to-all timepoints matching with range(‘reasonable’ global optimization): to compare each timepoint to neighboring time points in a defined range. This is a good compromise when your sample moved over time.
- 视图之间的注册：是否比较仅重叠视图或将所有视图相互比较。当您已经对视图进行了粗略对齐时，根据例如工作站元数据或第一轮配准，我们建议仅比较重叠视图。比较所有视图会增加计算成本，但当您预注册失败或没有预注册时可能是必要的。
- 兴趣点：用于注册的兴趣点。
- 分组图和组照明：（仅当数据集中有多个图块或照明时才可用）勾选此选项可将图块和/或照明方向分组到一个通道/角度/时间点内。分组视图将一起移动。您如果已在分割模式下图块，请使用此选项。由于我们还必须通过这种方式进行稀疏的比较这块块，也将加快注册过程。
具体注册选项
根据您在上一个对话框中执行的选择，系统将在下面的对话框中要求您提供一些更具体的参数。这里的选项分为 3 部分：
- 1) 时间序列注册选项（仅当数据集具有多个时间点并且您在第一个对话框中选择不单独注册时间点时才可用）
- 2) 视图修复和映射回转换（相对于参考时间点注册时不可用）
- 3) 注册算法参数
时间序列注册选项
如果您在上一个对话框中选择执行时间序列注册，则在此处询问您特定的选项。
如果您在上一个对话框中选择了与一个参考时间点匹配（无全局优化），系统会要求您在此处选择参考时间点。
当执行与范围匹配的所有时间点（“合理”全局优化）时，系统会要求您提供范围，即此处要与每个时间点进行比较的对称时间点的数量。
另外，无论您使用哪种时间序列配准方案，您都可以选择将每个点视为单位刚性。通过选择此选项，我们将不会移动某个时间点内的视图，而只会使用您的时间点各自对齐。如果使用单独注册时间点时间点第一个执行轮注册，请此选项。
在多个时间点集中数据（即使没有注册相对于各个时间点），您也可以在对话框底部勾选显示时间序列统计数据。这将导致在注册完成后显示随时间变化的注册错误的图表。
视图修复和地图回转换
兴趣点的生成对匹配完成后，我们执行全局优化，从生成对转换中确定整个视图集的转换。
由于注册与“相对转换”一起使用，并且默认情况下将确定所有视图的非同一性转换，因此所有视图可能会以不可预测的（但相对于各自正确的）方式稍微移动。但是，您可能希望将一个或多个视图保留在原处，而仅相对于它们移动其他视图。
有两种大致相同的方法可以实现此目的：
- 视图修复：在优化过程中将部分视图保留其原始位置（限制其转换为同一性）。
- 映射回视图：计算“撤消”参考视图注册的转换，将其校正所有视图（将参考视图回移其原始位置，但保持优化的相对转换）。
高级配准参数对话框中的以下设置控制视图固定和映射回：
- 修复视图：可以选择修复第一个视图，手动选择固定视图或通过选择不修复来关闭固定视图。
- 映射回视图：您可以选择使用平移模型或刚性模型映射回第一个视图或映射回定义用户的视图，与转换模型具有相同的选项。您还可以通过不映射回（如果视图固定，则使用此）关闭地图。请注意，如果您的配准则导致比平移/坐标映射回模型更复杂的变换（例如仿射），映射回将一个“撤消”配准，但并不完美。
如果您选择手动选择要修复或映射回的视图，则单击确定后，系统会在另一个对话框中要求您提供这些视图。
当单独注册时间点时，系统会询问您是否要在每个时间点修复/映射回相同视图，还是为每个时间点选择不同的视图。
手动选择要修复的视图时，您可以选择修复多个视图（可选地，对每个时间点重复此操作，请参见上文）。
回映射时，您可以选择要映射回的单个视图。
注册算法参数
根据您在第一个对话框中选择的注册算法，系统将在此处要求您提供不同的选项。请注意，算法提供不同级别的不变性：
- 旋转不变性：即使视图相对于彼此旋转和移动（根据当前转换），也能工作。使用这个例如从多个角度对齐视图时。
- 平移不变性：要求视图仅相对于彼此移动而不旋转。使用这个例如纠正时间序列中的热漂移。
- 无不变性：要求视图已经大致对齐才能工作。使用它来细化现有注册。
基于快速描述符（旋转不变）
Parameters for Fast descriptor-based (rotation invariant) registration
基于快速描述符（旋转不变）的配准是从多个角度对齐视图的默认选择。它首先根据 3 个最近邻居的“星座”为每个点构建一个“描述符”，并将其与其他视图中最相似的点进行匹配。通过使用特殊的局部坐标系，即使从不同角度成像，我们也可以找到其他视图中的点。
为了确保我们只匹配真正对应的点，我们首先根据点匹配的相似性（相对于下一个最佳匹配）过滤点匹配，然后通过随机样本一致性（RANSAC）算法应用基于模型的异常值去除。
然后，所有选定视图的对应点匹配在以下全局优化中迭代地相互对齐。
您可以为此算法设置以下参数：
- 变换模型：使用哪种类型的变换（平移、刚性变换或仿射变换）来对齐视图。
- 正则化模型：检查以同时计算另一种类型的转换并返回加权平均值
- 描述符匹配的冗余：构造描述符时要考虑的下一个最近邻居的数量（在最近的 3 个之后）。将为所有 3-邻居组合创建一个描述符，从而为每个兴趣点生成 \({3+redundancy}\choose{3}\) 描述符。增加冗余会大大增加兴趣点匹配的计算成本，但如果您有许多或均匀分布的兴趣点，则可能会导致更好的匹配。
- 描述符匹配所需的重要性：在点匹配过滤步骤中：潜在匹配必须有多相似（与下一个最佳匹配相比）。例如，1 表示不过滤，而 10 表示描述符距离必须比下一个最接近的候选者小 l0 倍。
- RANSAC 允许的错误 (px)：点匹配必须偏离共识模型多少才能被 RANSAC 过滤掉。
- RANSAC 迭代次数：RANSAC 是一个迭代和随机过程 - 如果您的实际对应点很少但可能是候选对，则可能找不到对应的子集。增加迭代次数会有所帮助，但也会增加计算成本。
基于快速描述符（平移不变）
基于快速描述符（平移不变）配准的工作原理与旋转不变版本基本相同，但使用轴对齐的局部坐标来构造 3 邻居描述符。
因此，我们无法在相对于彼此旋转的两个视图中找到对应点，因此在使用此配准策略之前，请确保您已经（大约）对齐了不同的角度。
该算法的参数及其含义与旋转不变版本相同（见上文）。
基于精确描述符（平移不变）
Parameters for Precise descriptor-based (translation invariant) registration
基于精确描述符（平移不变）的配准与基于描述符的快速配准算法本质上相同，主要区别在于您可以手动指定兴趣点的邻居数量以用于构造点描述符。由于描述符更加灵活，它缺乏对 3 个邻居的特定优化，并且比快速版本稍慢。
除了基于描述符的快速注册的参数之外，您还可以为精确版本设置一个附加参数：
- 描述符的邻居数量：每个点用于描述符构建的邻居数量。更多的邻居将导致更具体的匹配。在具有大量 if（可能是虚假的）检测的图像中，您可能还希望增加描述符冗余。请注意，这可能会大大增加计算时间 - 根据此参数和所选的冗余级别，我们将为每个点构造 \({\\#neighbors+redundancy}\choose{\\#neighbors}\) 描述符。
质心（平移不变）
基于质量中心的配准将不是通过匹配视图对的各个兴趣点而是通过对齐所有兴趣点的中心来对齐视图。
这种方法非常简单，通常不准确（除非您在每个视图中都检测到完全相同相同的兴趣点），但如果其他方法都不起作用，则足以大致稳定时间序列。
请注意，由于我们将视图中的所有兴趣点减少到单个质心，因此我们只能使用此策略来估计平移模型（无旋转/缩放）。
该方法有一个参数：
- 中心计算类型： 如何计算兴趣点的中心。可以是平均值（平均值）或中位数。中位数往往更能抵抗异常值（例如样本外部的虚假检测）。
使用 ICP 分配最近的点（无不变性）
Parameters for ICP-based (no invariance) registration
除了基于描述符的注册算法之外，我们还通过稍加修改的 Iterative Closest Point (ICP) 算法版本提供注册。
ICP 的工作原理是将一幅图像中的每个点与另一幅图像中最近的点（如果存在于定义的搜索半径内）进行匹配，然后通过最小二乘估计匹配点的变换。然后通过当前变换估计来变换第一图像的点，并且重复该过程直到没有任何变化或者达到最大迭代次数。
请注意，顾名思义，ICP 使用两个图像中最接近的点，因此仅当图像已大致对齐时才有效（它对平移或旋转没有不变性）。因此，它应该用于改进现有的注册，而不是从头计算注册。
在参数对话框中，您可以设置上述两个参数：
- 对应的最大距离 (px)：两个图像中的相邻点必须有多近才能匹配。减少这个可以导致更精细的配准，但预配准必须足够好。或者，较大的距离将导致较粗的对齐，但仍可能适用于较差的预配准。
- 最大迭代次数：要运行的迭代次数。理想情况下，算法应该预先收敛。如果您继续运行最大迭代次数，增加此值可能会有所帮助。
正则化选项
如果您在上一个对话框中选择了变换的 正则化，系统会要求您提供要估计的第二个变换模型的类型和 lambda (\(\in[0,1]\))，即您希望在最终平均结果中赋予正则化模型多少权重。
分组选项
如果您在第一个对话框中选择对图块或照明进行分区，系统将询问您如何在另一个对话框中执行分区。
兴趣点分组的选项有：
- 将兴趣点分组（简单地将所有兴趣点合并到一个虚拟视图中）：在全局优化中用一个虚拟视图替换分组视图。在多个图像中检测到的兴趣点被合并。这样速度更快，但如果组内的视图未正确注册且合并距离设置太高（例如，图块未事先正确之前），则可能会导致注册不准确。
- 兴趣各点进行分组，独立计算视图：按原样使用视图，但在全局优化中进行分组（对组中的所有视图计算相同的变换）。
另外，您可以指定选择兴趣点合并距离。如果您对兴趣点进行分组，则多个图像中分散之间的距离此时它们距离内的点将被的中心替换。
