Variantes Kernel predictibilidad para el registro paramétrico de imágenes

En este trabajo presentamos y discutimos algunas variantes de la Kernel predictibilidad para el registro paramétrico de imágenes. En el primer capítulo retomamos los conceptos básicos de la Kernel Predictibilidad. Consideramos principalmente los casos de transformaciones afines y proyectivas, aunque la metodología puede generalizarse a cualquier transformación paramétrica. En el capítulo 2 introducimos una manera de incorporar la información estructural de las imágenes en la Kernel Predictibilidad. Presentamos un algoritmo que emplea la transformada de distancia para difundir la información estructural obtenida por los bordes en la imagen y describimos tres diferentes maneras para combinar esta información estructural con la Kernel Predictibilidad. Nuestros resultados muestran que estas nuevas formulaciones permiten mejorar la calidad del registro de imágenes. En el capítulo 3 presentamos una medida aditiva de similaridad usando la Kernel Predictibilidad inspirada en la información mutua. Estudiamos su desempeño para diferentes algoritmos de optimización empleando algunas alternativas al método de ascenso de gradiente estocástico. A cambio de un mayor tiempo de cómputo, obtenemos mejores resultados para transformaciones complejas