基于高斯混合模型有约束彩色医学图像群配准技术.docVIP

基于高斯混合模型有约束彩色医学图像群配准技术 　　摘要：为利用多幅彩色图像中的丰富信息，提高配准精度和效果，把基于高斯混合模型的灰度图像群配准技术推广为彩色图像群配准技术。为了减少同一彩色图像不同彩色分量之间的形变偏差，定义了彩色分量形变约束项。总彩色图像配准测度是两个函数的代数和构造：彩色分量形变约束项和基于概率分布的对数似然函数。通过对人体胃部彩色图像和数据可视人彩色切片图像的群配准实验，证实了有约束彩色图像群配准技术具有很好的配准结果。 　　关键词： 彩色图像配准； 群配准； 彩色分量约束； 高斯混合模型 　　中图分类号： TN911.73 文献标志码： A 　　0引言 　　图像高维配准是指对齐大于两幅的多幅图像。按照同时配准的图像数目把高维配准分成两大类方法：成对配准（pairwiseregistration）[1]、群配准（ensembleregistration[2-4]或groupwiseregistration[5-8]）。??对配准是把多幅图像进行两两配准，例如，选取一幅图像作为参考图像，剩余其他图像和该参考图像进行两两配准。群配准是把多幅图像同时配准。成对配准存在两个困难问题：选择依赖性、配准结果不一致性。选择依赖性指配准成功率依赖于所选择的图像对，例如，MR（MagneticResonance）图像和CT（ComputedTomography）图像的配准成功率高于MR图像和PET（PositionEmissionTomography）图像的配准成功率。配准结果的不一致性是指通过不同路径的配准结果存在不一致，例如，MR图像和PET图像直接配准结果，可能不等于有中间路径的结果：MR图像先和CT图像配准，CT图像再和PET图像配准。群配准技术可以解决这两个问题[2]，所以，基于群配准的高维配准一般优于基于成对配准的高维配准。 　　研究者们提出了多种群配准技术，这些技术各具特色。例如，在文献[9]中群配准使用高维联合直方图进行配准，增加了存储空间和计算量，例如，4幅256灰度级的灰度图像进行配准时，对应联合直方图的大小为232（4GB）字节，这已经超过了一些计算机内存。在文献[5]中配准需要首先提取特征，而错误的特征提取将引起配准误差 于高斯混合模型（GaussianMixtureModel，GMM）的群配准技术，仅仅使用高斯函数参数和形变参数来计算联合概率分布，减少了存储量，同时结合期望最大化（ExpectationMaximization，EM）算法[10]得到形变增量的线性表达式，减少了计算量，已经被国外学者用于灰度图像刚体配准[2]和非刚体配准中[3]，快速地得到准确群配准结果，但是还没有被用到彩色医学图像配准中。本文把基于GMM模型的群配准技术推广到彩色医学图像配准中，主要创新点有两个：配准测度中增加彩色分量形变约束项；对同一幅图像不同彩色分量之间的几何形变结果进行算术平均。 　　2实验结果与分析 　　使用两组实验图像进行配准，分别是彩色胃镜图像和彩色可视人切片图像。在配准过程中采用了多分辨率分析技术，低分辨率的配准结果直接作为相邻高分辨率的初始估计。四层分辨率下图像的缩放比分别为10%、20%、50%和100%。式（1）中加权系数取1，式（8）中K初始值取6。实验软硬件环境：IntelCorei7CPU2.7GHz，16GB内存，OSX10.8.4，Matlab2013a。 　　2.1彩色胃镜图像配准 　　彩色胃镜图像来自临沂市人民医院。在图1中：图（d）是（a）～（c）3幅图像的平均图像；图（f）是同3幅图像配准结果的平均图像；图（e）是配准过程中使用的模板图像，仅利用白色区域内像素计算总测度；图（g）是配准之前3幅图像红色分量之间的联合概率分布情况；图（h）是配准后结果图像间红色分量的联合概率分布，彩色圆环表示高斯分布函数；图（i）是子图（a）和（f）之间的差值图像。比较图1（g）和（h），配准后图像的联合概率分布较为集中，说明了配准后图像具有较好的组织器官对应性。图1（f）明显比图1（d）清晰，特别是在周边血管区域，说明本文方法具有很好的配准效果。 　　2.2彩色可视人图像配准 　　彩色图像切片来自美国可视人项目（theVisibleHumanProject）[11]，详情可见http：///research/visible。在图2中：图（d）是同3幅图像的平均图像；图（f）是3幅待配准图像配准结果的平均图像；图（e）是配准过程中使用的二值模板图像；图（g）是配准之前三幅图像红色分量之间的联合概率分布情况；图（h）是配准结果的红色分量的联合概率分布三维散点图，6个彩色圆环表示不同的高斯分布函数；图（i）是子图（a）和（f）之间的差值图像。比较图2（g）和（h），配准后图