基于互信息技术和遗传算法的数字图像配准.docVIP

　　基于互信息技术和遗传算法的数字图像配准 摘 要 介绍了一种基于最大互信息原理的图像配准技术。并针对基于最大互信息图像配准的不足， 研究 了基于Harris角点算子的多模态医学图像配准。在 计算 互信息的时候，采用部分体积插值法计算联合灰度直方图。在优化互信息函数的时候采用了改进的遗传算法将配准参数收敛到最优值附近。实验结果表明本 方法 具有较高的配准精度和稳定性。 关键词 图像配准；互信息；Harris角点算子；部分体积插值；遗传算法1 引言 互信息是信息论的一个基本概念，是两个随机变量统计相关性的测度。R 图像的配准。Collignon 、R，PET-MR 等多种图像的配准工作。 基于最大互信息的图像配准取得了很大的成功，但是它也存在一些缺陷，例如任何图像和一幅只有一种灰度值的图像（例如灰度值为255 的全黑图像）配准，无论几何变换怎样，他们的联合灰度直方图都是一样的。因此在实际情况中我们就会碰到一个 问题 ，一幅图像可能包括大量的同类区域（例如天空、大海等），那么这样的图像就不太适合用最大互信息的方法进行配准，实际上基于图像灰度的配准方法都不是太适合这样的情况。此外，基于最大互信息的图像配准因为要进行全局参数优化搜索，配准时间也比较长。Rangarajan[2] 等提出了一种利用互信息匹配形状特征点进行配准的策略. 该策略针对待配准的两幅图像，首先分别提取出形状特征点的集合，并定义这两个集合它们的互信息，然后使之最大化，以达到配准。 由于角点是景物轮廓线上曲率的局部极大点，对掌握景物的轮廓特征具有决定作用。一旦找到了景物的轮廓特征点也就大致掌握了景物的形状。虽然角点相对于其他的特征来说比较少，但是使用大量特征实现配准必会导致算法复杂度的提高。出于提高速度而又不降低配准精度的考虑，角点是一个很好的配准特征。因此，在本文中我们将要对基于角点特征的图像配准做一些初步的探讨。2 配准方法2.1 变换和插值模型 我们将研究的范围限制在二维脑断层图像的配准. 因为脑组织受到颅骨的严密保护，所以脑部运动可以近似为刚体运动，即内部无相对运动. 同时，假设待配准的图像经过预处理后具有相同的空间比例.我们的目标是寻求空间变换T，使MI(T) 最大.。针对前面所做假设，令T = T1*T2；其中，T1 为平移矩阵，T2为旋转矩阵。 最近邻插值法的精确度很低，而双线性插值法会产生新的灰度值。这对于联合直方图的统计是不利的。因为新加入的灰度值使得随着Tα的一些小变动，联合直方图中就会增加新的象素对，或者减少象素对，从而互信息值变化比较大，也就是互信息函数曲线会不光滑，这样不利于优化。因此为了消除新产生的灰度值的不利 影响 ，我们在配准过程中引入了另外一种插值法：PV（Partial Volume）插值法。从产生插值图像这个方面来说，PV 插值法不能算是一种插值方法，它是专门针对联合直方图的更新而设计的。和双线性插值法一样，PV 插值法也是利用点Tα(X)的四个最近邻点和权值 ，可是，不同于双线性插值法的是，PV 插值法不是根据最近邻点的加权平均所得到的灰度值，从而更新联合直方图，而是根据权值 使周围四个象素点都贡献于联合直方图的统计，如图1所示。可用公式表示为： (2-1)(2-2)图1 pv插值法2.2 特征点的提取 由于角点是景物轮廓线上曲率的局部极大点，对掌握景物的轮廓特征具有决定作用。一旦找到了景物的轮廓特征点也就大致掌握了景物的形状。直观的讲，角点就是图像上所显示的物体边缘拐角所在的位置点。 Harris角点检测法[3]是一种基于图像灰度的检测方法，这类方法主要通过计算点的曲率及梯度来检测角点。该方法是由Harris和Stephen提出来的，也叫Plessey角点检测法。其基本思想与Moravec角点算子相似，但对其作了许多改进。 Moravec角点算子计算各象素沿小同方向的平均灰度变化，选取最小值作为对应象素点的角点响应函数。定义在一定范围内具有最大角点响应的象素点为角点。假设图像的灰度定义为I那么平移(x，y)所得到的灰度变化的计算公式为： (2-3) 这里oravec角点算子简单快速，但是它存在一些缺点，Harris角点算子正是针对这些缺点做了很大的改进。 首先，Moravec角点算子是各向异性的，因为它的角点响应只计算了四个方向。故为了包含所有的方向，Harris角点算子对式(2-3)进行了展开： (2-4) 这里一阶微分可以由下面的式子近似： (2-5) 因此，E可以表示如下： (2-6) 这里 (2-7) 为了避免噪声的影响，这里.其中：且，K是随高斯函数和微分模板变化的变常量，一般推荐取为0.04。 只有当图像中象素的R值大于一定的门限，且在周围的八个方向上是局部极大值时才认为该点是角点。2.3 多元互信息 互信息