(医学)图像匹配介绍.pptVIP

一、图像匹配概述 (医学)图像匹配介绍 王海琳 主要内容 一、图像匹配概述 二、图像匹配算法： 1、SUSAN算法 2、SIFT算法 3、SURF算法 三、搜索算法 1、Powell算法 2、遗传算法 3、蚁群算法 4、标准粒子群算法 四、相似性测度 一、图像匹配概述 一、图像匹配概述 1、图像配准的过程实际上可以描述为寻求两幅图像之间一对一映射的过程。即对不同时间、不同视场、不同成像模式的两幅或者多幅图像进行变换，使代表相同结构或特征的像素或体素在空间上能够匹配对应起来。 一、图像匹配概述 定义一个相似性测度函数S(·)，然后确定一个最优的变换关系T，使两幅或者多幅图像经过该空间变换后，之间的相似性达到最大，也就是达到空间几何上的一致。 F 表示固定图像，M 表示浮动图像 一、图像匹配概述 2、图像配准的基本框架主要包括四个功能模块： 特征空间； 搜索空间； 搜索策略； 相似性测度。 一、图像匹配概述 特征空间 用于确定配准图像的控制结构，或叫特征集，包括点、线等。 在基于灰度的图像配准方法中，特征空间为图像像素的灰度值； 在基于特征点的图像配准中，特征空间一般为点、边缘、曲线、不变矩等。 特征空间的选取决定了配准算法的运行速度和鲁棒性等性能。 特征空间一般需要具备特性：提取算法简单、特征匹配算法量小、数据量合适、抗噪性强、通用性。 一、图像匹配概述 搜索空间(变换空间) 搜索空间是指在对浮动图像进行空间变换变换的方式和范围。 图像变换方式可以分为： 刚性变换； 仿射变换（错切变换）； 投影变换； 非线性变换（曲线变换）。 变换范围可以分为三类：全局的、局部的、既包含全局又包含局部的。 一、图像匹配概述 一、图像匹配概述 搜索策略 搜索策略的目的是在搜索空间中找到最优的配准参数，提高搜索的效率，在搜索过程中，相似性测度是判断的主要根据。 相似性测度 相似性测度是用来评估两幅图像之间的匹配程度，衡量每次变换结果优劣的准则，用来对变换结果进行评估，为搜索策略提供指导。 二、图像匹配算法 二、图像匹配算法 图像匹配方法，大致可以分为三类：基于特征点、灰度分布和频域。 基于特征点的图像匹配技术是目前最常用的方法之一，其最大的优点是能够将对整个图像进行的各种分析转化为对图像特征点的分析，从而大大提高了运算的速度，对图像偏移、旋转，灰度变化等都有较好的适应能力。 二、图像匹配算法 基于特征点匹配方法一般分为三个过程： 特征点提取； 利用一组参数对特征点作描述； 利用特征点的参数进行特征匹配，根据相似性原则对两幅图像中的特征点进行匹配。 其最大的优点是能够将对整个图像进行的各种分析转化为对图像特征的分析，从而大大减小了图像处理过程的运算量，对灰度变化、图像变形以及遮挡等都有较好的适应能力。 二、图像匹配算法（SUSAN算法） 1、SUSAN算法： SUSAN算法是一种基于灰度的角点检测算法，Smith提出了基于USAN角点检测准则的最小核值相似区(Smallest Univalve Seg-ment Assimilating Nucleus) 角点检测算法。 二、图像匹配算法（SUSAN算法） USAN(Univalue Segment Assimilating Nuc-leus)准则：将位于图形窗口模板中心等待检测的像素点称为核心点。算法假设图像为非纹理，扫描模板采用圆形模板，核心点的邻域被划分为两个区域，亮度值相似于核心点亮度的区域和亮度值不相似于核心点亮度的区域。 二、图像匹配算法（SUSAN算法） 二、图像匹配算法（SUSAN算法） 二、图像匹配算法（SUSAN算法） 二、图像匹配算法（SUSAN算法） SUSAN算法： 用左下圆形模板扫描整个图像，模板内部的每个像素的灰度值与模板中心像素的灰度值进行比较，并且给定阀值已确定像素是否属于SUSAN区域，判断的方法如右下。 二、图像匹配算法（SUSAN算法） 二、图像匹配算法（SUSAN算法） 二、图像匹配算法（SIFT算法） 2、SIFT算法： SIFT(Scale Invariant Feature Transform)即尺度不变特征变换。 SIFT算法首先生成尺度空间,在尺度空间进行特征点检测，并确定特征点的位置和所处的尺度，然后使用特征点邻域梯度直方图统计的办法得到该特征点的主方向作为方向特征，最后以邻域梯度的相对方向生成特征向量，以实现算子对尺度和方向的不变性。 二、图像匹配算法（SIFT算法） SIFT算法特点 SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 独特性(Distinctivenes