医学图像配准.pptVIP

医学图像配准 配准实现过程： 获得特征图像：不同角度、不同条件 图像配准：通过空间变换（移动和旋转），使两幅图像对齐 图像融合：得到整体特征图像 模板匹配 模板匹配法是在一幅影像中选取一个的影像窗口作模板，大小通常为5×5或7×7，然后通过相关函数的计算来找到它在搜索图中的坐标位置。设模板T放在搜索图S上平移，模板覆盖下的那块搜索图叫做子图Si,j，子图的中心点在S图中的坐标(i,j)，叫参考点。 相似性测度 用以下测度来衡量T和Si,j的相似程度： 根据施瓦兹不等式， ，并且在 比值为常数时取极大值为1。但实际上两幅不同图像的P值介于0和1之间，很难达到理想值。根据经验取某个阈值P0，如果P P0，则匹配成功； P P0，则匹配失败。 金字塔模板匹配 为了加快搜索速度，很多影像匹配方法使用金字塔影像。 对影像进行一次采样率为1/n(n=2,3)的重采样，即把影像的每n×n个像素变为一个像素，这样就得到一对长、宽都为原来1/n的影像，把它作为金字塔的第二层。 再对第二层用同样方法进行一次采样率为1/n的重采样，又得到第三层（顶层）。 原始影像作为金字塔影像的底层。 金字塔影像匹配的步骤 第一步：顶层的匹配，得到一个平移初始值 。 第二步：根据平移初始值乘以n得到第二层平移量初始值，在它m×m个像元的邻域内进行模板匹配。 第三步：根据第二层匹配值乘以n得到第三层平移量初始值，再进行一次模板匹配。 如果影像尺寸不是特别大，可以只用两层金字塔。 基于特征的配准算法 基于特征的算法(feature-based matching)先提取图像显著特征，再进行特征匹配，大大压缩了图像信息的数据量，同时保持了图像的位移、旋转、比例方面的特征，故在配准时计算量小，速度较快、鲁棒性好。当两幅图像之间的线性位置关系不明确时，应使用基于特征的匹配。 一般来说特征匹配算法可分为四步: 1.特征提取; 2.特征描述; 3.特征匹配； 4.非特征像素之间的匹配。 基于特征的配准步骤 在特征匹配前，首先要从两幅图像中提取灰度变化明显的点、线等特征形成特征集。 在两幅图像对应的特征集中利用特征匹配算法尽可能的将存在匹配关系的特征对选择出来。 通过特征建立两幅图像之间的多项式变换关系，达到以点代面的效果。 对于非特征像素点，利用上述多项式变换关系来进行几何校正，从而实现两幅图像之间逐像素的配准。 人工匹配步骤 1. 人工选取控制点 2. 多项式匹配 半自动匹配 1. 用户先把主辅图像进行预处理，先进行重采样、旋转、去除噪声等，使两幅影像的分辨率、角度等基本一致后，再进行配准。 2. 用户先指定三个控制点，程序根据三个控制点算出主辅图像旋转、平移和尺度差异，再用金字塔模板匹配方法进行配准。 全自动匹配 不需要用户事先提供任何信息，单纯依据两幅图像自身的信息进行匹配计算。由于主辅图像之间存在旋转、平移和尺度差异，如何找到初始定位信息是其难点。 方法多种多样。包括直方图匹配、Hu不变矩、金字塔模板匹配、小波Gabor 算子、基于空间变换的方法等。将在后面特征点匹配部分讲述。 基于TIN的图像配准算法流程 特征类型 灰度特征点。Moravec算子、Forstner算子与Hannah算子。 角点。SUSAN算子, Harris算子，王算子，沈俊算子。 边缘特征（线型）。Canny算子, Marr算子。 纹理特征。灰度共生矩阵，小波Gabor算子。 Moravec算子 Moravec算子是利用灰度方差提取特征点的算子，它在四个主要方向上，选择具有最大-最小灰度方差的点作为特征点。其步骤为： 1 计算各像元的兴趣值（Interest Value）。在以像素为中心w×w的影像窗口中（如5×5的窗口），计算图中所示四个方向相邻像素灰度差的平方和： Moravec算子 取其中最小者作为该像素的兴趣值： V= min{V1，V2，V3，V4} 给定一经验阈值，将兴趣值大于该阈值的点（即窗口的中心点）作为候选点。阈值的选择应以候选点中包括所需要的主要特征点而又不含过多的非特征点为原则。 取候选点中的极值点作为特征点。在一定大小的窗口内,将候选点中兴趣值不是最大者均去掉，仅留下一个兴趣值最大者，该像素即为一个特征点。 如果两个特征点之间的距离过短，则去掉其中一个。否则，在影像校正时，三角形边长过短将使解算出来的仿射变换参数出现错误。 角点提取-SUSAN算子 SUSAN 算法是由英国牛津大学的S. M. Smith , J . M. Brady 首先提出的,它主要是用来计算图像中的角点特征的。SUSAN 算法的特点: 1. 对角点的检测比对边缘检