A Robust Method for Electrical Equipment Infrared and Visible Image Registration -2022
主要方法：（跟上一篇方法很像）
该论文主要由三部分构成：Radiation-invariant transform，LoFTR feature matching，PROSAC parameter estimatio。
Radiation-invariant transform：
该部分主要是将红外图像与可见光图像都转换成辐射不变图像，采用的是传统方法，利用了log-Gabor小波。
具体方法与之前一篇论文利用log-Gabor小波实现MALG探测器的前面步骤大致相同，也是将log-Gabor分成实部与虚部，然后分别与图像进行卷积，
，根据上式将实部的卷积结果与虚部的卷积结果求平方和，得到最终的图像与log-Gabor的卷积结果。再将每个像素不同尺度的卷积结果相加
，根据上式得到对于每个像素而言，不同方向的卷积结果。
之后开始不一样的操作，
，根据上式通过在每个像素的所有方向上取log-Gabor映射的最大值来获得辐射不变映射。
根据上述实验可以看出，辐射一致性图像依旧保持着图像的原有结构。
LoFTR feature matching ：
采用LoFTR方法进行图像匹配，没有任何改变。
PROSAC parameter estimatio：
该部分主要是采用PROSAC算法根据匹配点对获得图像变换参数，主要是单应性矩阵，下面介绍PROSAC算法步骤：
RANSAC（Random Sample Consensus）可以很好的过滤掉outlier点对，使用合法的点对得到最终的变换矩阵H，基本思想是，它会从给定的数据中随机选取一部分进行模型参数计算，然后使用全部点对进行计算结果评价，不断迭代，直到选取的数据计算出来的错误是最小，比如低于0.5%即可。PROSAC(Progressive Sampling Consensus)（RANSAC算法的改进算法）即渐近样本一致性，该方法采用半随机方法，对所有点对进行质量评价计算Q值，然后根据Q值降序排列，每次只在高质量点对中经验模型假设与验证，这样就大大降低了计算量，在RANSAC无法收敛的情况下，PROSAC依然可以取得良好的结果。
因此PROSAC算法比常用的RANSAC算法更快、更健壮，RANSAC算法平等地对待所有对应，均匀随机抽取样本。
- Registration Electrical Equipment Infrared Visibleregistration electrical equipment infrared equipment infrared electrical darkness-free divfusion darkness infrared engineering creativity electrical programs electrical protocols hardware canbus transformer and extractor infrared registration visible