改进二阶互信息医学图像配准算法研究.docVIP

改进二阶互信息医学图像配准算法研究 　　摘 要：针对人脑的二维图像设计了一种改进的遗传算法和二阶互信息相结合的医学图像配准算法，采用互信息配准模型，以图像的灰度统计信息为配准依据，采用改进的遗传算法搜索图像的最优变换参数，并比较一阶互信息配准与改进的二阶互信息配准两种算法，实验表明改进的二阶互信息配准方法具有较高的配准精度和稳定性。?? 　　关键词：图像配准；遗传算法；一阶互信息；二阶互信息?? 　　中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2011）05-0083-04?お? 　　?? 　　 　　 　　0 引言?? 　　 随着配准技术的发展，医学图像配准在医学图像处理中的地位日益重要，它是众多医学图像应用中不可或缺的一个步骤。而将互信息应用于图像配准自首次提出来后便得到了广泛的关注，经过几十年的发展，在一些地方已经投入了临床使用。虽然在大多数情况下，采用互信息配准技术可以得到较好的配准结果，但它并不是一种完美无缺的方法，在准确性、鲁棒性、速度等方面都还有待改进，这是因为互信息函数值并不是分布较好的凸函数，存在着较多的局部极值。基于此，本论文尝试对互信息进行一些有效的改进，在一阶互信息的基础上，致力于对二阶互信息图像配准的创新研究，以达到较好的配准结果。?? 　　 在优化算法上，采用遗传算法，这是一种借鉴生物界自然选择和遗传机制的高效的随机搜索算法，由于具有很好的鲁棒性和隐含并行性，使得它能够有效地进行全局搜索，从而可以克服局部极值，获得全局最优解。但是，采用简单遗传算法对问题进行优化搜索时，大量适应度低的淘汰过程，以及二进制编码和解码都减缓了算法的搜索速度，而某一代种群中个体适应度差别不大时会减小搜索区域使搜索落入局部最优解而过早收敛。针对简单遗传算法的这些缺陷，本文对传统的遗传算法进行了改进，以提高配准的速度，克服早熟。?? 　　?? 　　1 互信息?? 　　1.1 一阶互信息 ?? 　　 熵是用来测量一个信息源所包含信息量的测度。图像的一阶熵是基于图像的每一个像素点的灰度概率分布得到的，其计算公式如下：?И? 　　H(A)=- ∑xP\-A(i)??log??\-AP(i)(1) ?И? 　　 联合熵则是??检测两个信息源A和B相关性的统计量。信息源A和B各自信息出现的概率分布分别记为P\-A(i)和P\-B(j),二者信息出现的联合概率分布记为P\-\{AB\}(i,j)。P\\-\{AB\}(i,j)表示“当A发出第i个信息而B发出第j个信息”这样的组合出现的概率。它们的联合熵??有公式：?И? 　　H(A)=- ∑i,jP\-\{AB\}(i,j)??log??P\-\{AB\}(i,j)(2) ?И? 　　 在计算一阶互信息时，通常用一阶熵来表示：?И? 　　 I(A,B)=H(A)+H(B)-H(A,B)(3)?И? 　　 1.2 二阶互信息?? 　　 对于一幅图像A，其二阶熵的计算公式如下：?И? 　　H\-2(A)=- ∑j- ∑jP\-A(i,j)??log??P\-A(i,j)(4) ?И? 　　 这里，??P\-A(i,j)表示了A中一个像素点灰度为i，与其相关的像素点灰度为j的联合概率分布。联合概率分布P\-A(i,j)可以通??过相关像素对的二阶直方图获得。?И? 　　 H\-2(A)=- ∑j- ∑j∑k- ∑lP\-\{A,B\}(i,j,k,l)?お?log??P\-\{A,B\}(i,j,k,l)(5)?И? 　　 这里??P\-\{A,B\}(i,j,k,l)表示在图像A中灰度值为i的象素点和其相关的灰度值为j的象素点以及相应的在图像B中灰度值为k的象素点和其相关的灰度值为l的象素点??间的联合概率分布。可以通过计算两幅图像间的相关象素灰度的4D联合灰度直方图统计。?? 　　 我们可以用二阶熵和联合二阶熵来定义二阶互信息：?И? 　　 I\-2(A,B)=H\-2(A)+H\-2 (B)-H\-2 (A,B)(6)?И? 　　 归一化二阶互信息定义为：?И? 　　 I\-2=H\-2(A)+ H\-2(B) [] H\-2(,B)(7)?И? 　　1.3 一阶互信息与二阶互信息的比较?? 　　 一阶互信息配准法算法简单，几乎不需要对图像进行任何预处理，而且计算量小，配准速度快。但它的一个很大的缺点就是忽略了图像中存在的空间信息。在一阶互信息算法中，我们只是求出图像A某点的像素灰度值为i、图像B某点的像素灰度值为j的概率，最终得到互信息，但对这两个点周围的点的所有信息却加以忽略，所以在以一阶互信息为相似性测度配准图像时，误差较大，有时还会出现误配准。?? 　　 而二阶互信息将点的空间信息考虑进来，通