Image Registration

O registro de imagens é o processo de alinhar duas ou mais imagens para que o mesmo local de uma cena corresponda às mesmas coordenadas. Imagine sobrepor uma imagem de satélite capturada em junho a outra capturada em janeiro: se o ângulo ou a posição da câmera mudou, uma estrada pode parecer ter se deslocado, mesmo sem ter se movido. O registro corrige essa incompatibilidade geométrica antes que um sistema de visão computacional compare as imagens ou combine suas informações.

Como funciona o registro de imagens#

Um fluxo de trabalho de registro designa uma imagem como imagem fixa, que define o sistema de coordenadas de destino, e outra como imagem móvel, que precisa ser alinhada à primeira. O sistema estima uma transformação espacial e, em seguida, reamostra a imagem móvel — calculando os valores dos pixels em suas novas posições. O resultado pode ser inspecionado como uma sobreposição: as estruturas estáveis devem ficar alinhadas, enquanto as mudanças reais permanecem visíveis. A visão geral sobre registro do ImageJ ilustra essa relação entre pontos correspondentes, transformações e imagens alinhadas.

Há duas formas comuns de estimar a transformação. O registro baseado em características identifica locais reconhecíveis, como cantos, nas duas imagens e associa pontos que representam o mesmo lugar. Em seguida, ajusta uma transformação a essas correspondências, descartando incompatibilidades sempre que possível; o guia de correspondência de características e homografia do OpenCV mostra como isso funciona. Já o registro baseado em intensidade ajusta a transformação para melhorar uma medida de similaridade entre os valores dos pixels das imagens. Essa medida e o procedimento de busca, chamado otimizador, são elementos centrais do fluxo de trabalho de registro baseado em intensidade.

Escolher uma transformação#

A transformação adequada depende de por que as imagens diferem. Uma translação lida com um deslocamento horizontal ou vertical simples. Uma transformação rígida também permite rotação, preservando as distâncias. O registro afim também lida com escala e inclinação, mas aplica uma única transformação à imagem inteira. Uma transformação projetiva, ou homografia, pode levar em conta diferenças de perspectiva quando a cena correspondente é aproximadamente planar. Os tipos de transformação geométrica explicados pela MathWorks oferecem distinções visuais úteis.

Algumas cenas precisam de registro deformável, que permite que diferentes regiões se movam em proporções distintas — por exemplo, quando a anatomia muda de forma entre exames. Essa flexibilidade pode melhorar o alinhamento local, mas uma deformação implausível pode ocultar uma diferença real. Por isso, ferramentas de imagens médicas como a estrutura de registro do SimpleITK especificam explicitamente a transformação, a medida de similaridade, o otimizador e o método de interpolação.

Registro e tarefas relacionadas de visão computacional#

O registro trata de um sistema de coordenadas comum, não apenas de semelhança visual. A correspondência de imagens encontra conteúdo visual correspondente e pode fornecer os pares de pontos necessários para o registro; o registro vai além, estimando e aplicando o alinhamento espacial. Pontos-chave podem servir como essas correspondências, embora pontos em pessoas ou veículos em movimento geralmente não sejam boas referências para alinhar um fundo estacionário.

Da mesma forma, o fluxo óptico estima o movimento aparente entre quadros. Essas estimativas de movimento podem ajudar a registrar quadros, como demonstrado no exemplo de registro por fluxo óptico do scikit-image, mas o fluxo, por si só, não garante um alinhamento preciso. O rastreamento de objetos tem outro objetivo: manter a identidade de um objeto ao longo do tempo. Um rastreador pode usar estimativas do movimento do fundo para não confundir o movimento da câmera com o movimento do objeto.

Onde isso importa em aplicações de IA#

Na detecção de mudanças em imagens de satélite, um analista pode comparar imagens de terras agrícolas capturadas com meses de diferença para identificar áreas recém-desmatadas. O registro coloca campos, estradas e limites nas mesmas posições de pixels antes que um modelo de detecção de mudanças os compare. Caso contrário, um limite de campo deslocado pode parecer uma mudança na cobertura do solo. Diferenças de estação do ano, iluminação ou tipo de sensor ainda exigem atenção após o alinhamento. Essa é uma preocupação comum na análise de imagens de satélite.

Na análise de imagens médicas, um profissional de saúde pode comparar exames de consultas diferentes para avaliar se uma lesão mudou. Alinhar os exames facilita a comparação da mesma região anatômica ou o envio dessa região a um modelo de segmentação. Como a anatomia pode se deformar e os métodos de imagem podem produzir padrões de brilho diferentes, um bom registro precisa preservar diferenças clinicamente relevantes, em vez de forçar todas as regiões a parecerem iguais.

Registro e validação na prática#

Comece pela transformação mais simples que possa explicar a incompatibilidade de forma plausível. Confirme que as imagens compartilham conteúdo visível suficiente, leve em conta as diferenças de resolução e inspecione o alinhamento em vários locais — não apenas onde a correspondência é mais forte. Salve a transformação estimada quando previsões ou anotações posteriores precisarem ser mapeadas de volta para a imagem original. O guia de transformação geométrica do OpenCV explica como a deformação da imagem posiciona os pixels transformados.

O exemplo independente a seguir usa o fluxo de trabalho de correlação de fase do scikit-image para estimar uma translação. Instale as dependências com pip install scikit-image scipy.

import numpy as np
from scipy.ndimage import shift
from skimage import data
from skimage.io import imsave
from skimage.registration import phase_cross_correlation

# Crie uma imagem de referência e uma cópia deslocada da mesma imagem.
fixed = data.camera()
moving = np.roll(fixed, shift=(12, -8), axis=(0, 1))

# Estime o deslocamento necessário para alinhar a imagem móvel à fixa.
estimated_shift, _, _ = phase_cross_correlation(fixed, moving)
aligned = shift(moving, estimated_shift, order=0, mode="grid-wrap")

imsave("registered.png", aligned)
print(estimated_shift)

Os valores impressos descrevem a correção, enquanto registered.png mostra a imagem alinhada. Este exemplo usa apenas translação; não aborda rotação, deformação nem imagens de sensores diferentes. Em um fluxo de vídeo com câmera em movimento, o rastreamento Ultralytics YOLO oferece uma aplicação relacionada: sua compensação de movimento da câmera estima uma deformação entre quadros para ajudar a manter consistentes as posições dos objetos rastreados. Essa operação do rastreador dá suporte à associação entre quadros, em vez de produzir uma imagem registrada de uso geral.