RegularStepGradientDescent
Регулярная настройка оптимизатора спуска градиента шага
Описание
Объект RegularStepGradientDescent описывает регулярную настройку оптимизации спуска градиента шага, которую вы передаете функциональному imregister, чтобы решить регистрационные проблемы изображений.
Создание
Можно создать объект RegularStepGradientDescent с помощью следующих методов:
imregconfig— Возвращает объектRegularStepGradientDescent, соединенный с соответствующей метрикой для регистрации мономодальных изображенийВвод
на командной строке создает объектmetric = registration.optimizer.RegularStepGradientDescent;
RegularStepGradientDescentс настройками по умолчанию
Свойства
Примеры
Укажите изображения с регулярным оптимизатором спуска градиента шага
Создайте объект RegularStepGradientDescent и используйте его, чтобы указать два изображения с подобной яркостью и контрастом.
Считайте ссылочное изображение и создайте незарегистрированную копию.
fixed = imread('pout.tif'); moving = imrotate(fixed, 5, 'bilinear', 'crop');
Просмотрите неправильно выровненные изображения.
figure imshowpair(fixed, moving,'Scaling','joint');
Создайте объект настройки оптимизатора, подходящий для регистрации мономодальных изображений.
optimizer = registration.optimizer.RegularStepGradientDescent
optimizer =
registration.optimizer.RegularStepGradientDescent
Properties:
GradientMagnitudeTolerance: 1.000000e-04
MinimumStepLength: 1.000000e-05
MaximumStepLength: 6.250000e-02
MaximumIterations: 100
RelaxationFactor: 5.000000e-01
Создайте метрический объект настройки.
metric = registration.metric.MeanSquares;
Измените настройку оптимизатора, чтобы получить больше точности.
optimizer.MaximumIterations = 300; optimizer.MinimumStepLength = 5e-4;
Выполните регистрацию.
movingRegistered = imregister(moving,fixed,'rigid',optimizer,metric);Просмотрите зарегистрированные изображения.
figure imshowpair(fixed, movingRegistered,'Scaling','joint');
Алгоритмы
Регулярная оптимизация спуска градиента шага настраивает параметры преобразования так, чтобы оптимизация следовала за градиентом метрики подобия изображений в направлении экстремального значения. Это использует шаги постоянной длины вдоль градиента между вычислениями, пока градиент не изменяет направление. На данном этапе длина шага уменьшается на основе RelaxationFactor, который половины длина шага по умолчанию.