Python で位相限定相関法

Posted Thu May 23 2013

こないだ会社の打ち合わせで XY 方向の画像の位置ズレの話が出て,昔大学院時代に位相限定相関法(POC: Phase-Only Correlation)のプログラムを作ったのを思い出しました.

画像処理の分野で画像同士の位置ズレを検出しなければならないことが良くあって,そういったアルゴリズムが色々と開発されています.

私は当時,超解像の研究をしていたのですが,精度がいいということで使ってたのがこのアルゴリズムでした.プログラムを探したらあったので,貼っておきます.残念なことに意外とこういうプログラムってネット上に落ちていないんですよね.

今回は回転は求めていないですが,回転も求める場合には Log-polar 変換をやってから,位置合わせを行います.Log-polar の方もプログラムはあったのだけど,動くか不明なので今回はよしておきます.

#! /usr/bin/env python
# -*- coding: utf-8
import numpy
import scipy, scipy.fftpack
from numpy import pi, sin, cos
from scipy.optimize import leastsq

def zero_padding(src, dstshape, pos = (0, 0)):
    y, x = pos
    dst = numpy.zeros(dstshape)
    dst[y:src.shape[0] + y, x:src.shape[1] + x] = src
    return dst

def pocfunc_model(alpha, delta1, delta2, r, u):
    N1, N2 = r.shape
    V1, V2 = map(lambda x: 2 * x + 1, u)
    return lambda n1, n2: alpha / (N1 * N2) * sin((n1 + delta1) * V1 / N1 * pi) * sin((n2 + delta2) * V2 / N2 * pi)\
                                            / (sin((n1 + delta1) * pi / N1) * sin((n2 + delta2) * pi / N2))


def pocfunc(f, g, windowfunc = numpy.hanning, withlpf = True):
    m = numpy.floor(map(lambda x: x / 2.0, f.shape))
    u = map(lambda x: x / 2.0, m)

    # hanning window
    hy = windowfunc(f.shape[0])
    hx = windowfunc(f.shape[1])
    hw = hy.reshape(hy.shape[0], 1) * hx
    f = f * hw
    g = g * hw

    # compute 2d fft
    F = scipy.fftpack.fft2(f)
    G = scipy.fftpack.fft2(g)
    G_ = numpy.conj(G)    
    R = F * G_ / numpy.abs(F * G_)

    if withlpf == True:
        R = scipy.fftpack.fftshift(R)
        lpf = numpy.ones(map(lambda x: x + 1.0, m))
        lpf = zero_padding(lpf, f.shape, u)
        R = R * lpf
        R = scipy.fftpack.fftshift(R)

    return scipy.fftpack.fftshift(numpy.real(scipy.fftpack.ifft2(R)))


def poc(f, g, fitting_shape = (9, 9)): 
    # compute phase-only correlation
    center = map(lambda x: x / 2.0, f.shape)
    m = numpy.floor(map(lambda x: x / 2.0, f.shape))
    u = map(lambda x: x / 2.0, m)

    r = pocfunc(f, g)

    # least-square fitting
    max_pos = numpy.argmax(r)
    peak = (max_pos / f.shape[1], max_pos % f.shape[1])
    max_peak = r[peak[0], peak[1]]

    mf = numpy.floor(map(lambda x: x / 2.0, fitting_shape))
    fitting_area = r[peak[0] - mf[0] : peak[0] + mf[0] + 1,\
                     peak[1] - mf[1] : peak[1] + mf[1] + 1]

    p0 = [0.5, -(peak[0] - m[0]) - 0.02, -(peak[1] - m[1]) - 0.02]
    y, x = numpy.mgrid[-mf[0]:mf[0] + 1, -mf[1]:mf[1] + 1]
    y = y + peak[0] - m[0]
    x = x + peak[1] - m[1]
    errorfunction = lambda p: numpy.ravel(pocfunc_model(p[0], p[1], p[2], r, u)(y, x) - fitting_area)
    plsq = leastsq(errorfunction, p0)
    return (plsq[0][0], plsq[0][1], plsq[0][2])

使い方

Opencv 使用を推奨,下記の通り.下の左側の画像を GIMP で X 方向に59,Y 方向に16移動させた画像を作成して計算してみたところ,うまく計算できているみたいです.結果の一番左が画像同士の相関値,次が Y 方向,最後が X 方向のズレ量を表します.

import cv2
from poc import *
img1 = cv2.imread("lena.jpg", 0)
img2 = cv2.imread("lena_shift_y16x59.jpg", 0)
poc(img1, img2)
# result (0.97930538205507089, 15.997296364421981, 58.996715087791408)

lenalena_x59_y16

GitHub にも上記コードをあげています。daisukekobayashi/phase-only-correlation