曲线或曲面进行匹配。这种方法在拟合的曲线或曲面比较光滑的情况下效果好,但是当图像所包含的形状很复杂时,曲线或曲面的拟合就变得非常困难,这种方法的好处是曲线的匹配相对于点集的匹配要容易些。最近还有许多非刚性匹配的研究主要集中于非刚性形状的统计特性的学习上[7],其方法类似于迭代最近点(ICP)算法,帮写博士论文范文是基于局部的启发式搜索。以上这些方法大都存在鲁棒性差,而且通常不能保证图像之间的一一对应和特征点的自动确定。本研究提出了一种通过薄板样条函数来表征特征点集之间的非刚性映射,把该映射分解为仿射变换和非仿射变换,并分别计算求解薄板样条的参数并满足双向对应的约束。
参 考 文 献
1 Likar B, per
