基于互信息的图像配准方法
基于最大互信息的分层图像配准方法
计算机及通信研究基于最大互信息的分层图像配准方法苏瑜 苏敏 刘丽(四川大学电气信息学院,四川成都 610065)摘 要 基于互信息的图像配准算法具有精度高,鲁棒性强的特点,但是容易陷入局部极值,产生误匹配。
本文在配准中采用归一化互信息(NM I)做价值函数,考虑了计算中的出界点和插值问题,将Powe ll 算法与分层策略相结合来进行优化处理,并通过计算图像的灰度重心设置初始参数。
实验结果验证了算法在匹配精度和速度上的有效性。
关键词 图像配准;归一化互信息(NM I);PV 插值;分层策略;Pow ell 算法作者简介 作者简介:苏瑜(1974-),女,四川攀枝花,四川大学电气信息学院,讲师。
研究方向:计算机图象处理。
1 引言医学图像配准技术是医学数字图像处理的一个重要方面,已经广泛应用于医学诊断和治疗过程,对于确定病灶、制定医疗方案以及研究人体生理机能起到了重要作用。
图像的配准是对两幅或者多幅图像进行一系列的空间变换,使其对应点达到一致。
常用的空间几何变换有刚体变换、仿射变换、透视或投影变换和非线性变换(也称弯曲变换)[1]。
一般要求两幅图像是基于同一物体或者是同一类相似性较大的物体而言,不同类的物体相似性差,一般不用来配准。
医学图像配准可以分为单模态配准和多模态配准、2D-3D 图像配准、图像与图谱的配准以及不同对象相同部位的配准等。
配准的方法有基于特征点的、基于灰度信息的方法等等。
一般的配准步骤为:图像信息的预处理,确定空间变换方法,进行相似性测试和优化运算,最后确定整个变换参数并应用于待配准图像中[2]。
使用归一化互信息作为相似性测度函数的图像配准方法由于不需要对图像进行任何预处理,具有精确度较高、人为干预少的优点,而日益受到重视[6]。
但是此方法的计算量大,运算时间长,并且由于互信息利用的是图像的灰度进行相似性测度,本身就存在着误差的问题需要解决。
本文采用基于互信息测度的方法,考虑了出界点策略和插值问题,并在优化算法上采用Po w e ll 方法加以分层处理。
基于互信息的多模态图像配准
摘 要基于互信息的图像配准方法直接利用图像的灰度信息,不需要对图像进行分割等预处理,有鲁棒性好、自动化等优点,本文对基于互信息的图像配准进行了研究。
首先介绍了主要图像配准方法和基于互信息配准的基本过程。
分析了图像插值对互信息统计的影响,针对互信息局部极值导致误配准的问题,在PV插值方法的基础上运用核函数的方法抑制互信息局部极值,实验证明可有效消除局部极值,便于最优化搜索算法搜索到正确的配准参数。
为了提高配准的精度和效率,设计了基于小波变换的多级优化方法,采用小波变换和单纯形法相结合的优化算法方法由粗到精进行配准。
针对图像非刚性配准中手动选取标记点存在问题,运用模板匹配自动选择标记点的方法,通过采用薄板样条插值构建待配准图像与参考图像之间的非线性映射关系,初步实现了图像的扭曲校准。
关键词:图像配准,互信息,核函数,小波变换,模板匹配,弹性薄板样条IABSTRACTImage registration based on mutual information (MI) has become an increasing popular match metric due to its wide applicability and overall accuracy. In this paper, image registration based on mutual information is discussed mainly.This thesis firstly introduces the major registration algorithms. Then the process of registration based on mutual information (MI) is described.How the interpolation process may affect the mutual information between images is discussed.Local maxima in multimodality image registration based on mutual information have a large influence on optimization.Based on the partial volume interpolation, the method of kernel function is introduced to decrease the local maxima. Simulations have been done to illustrate that local maxima are eliminated to a great extent.To further accelerate registration speed and accuracy, we design and realize wavelets based coarse to fine image registration method.The problem of manually choosing point for non-rigid image registration is discussed. We make use of template matching to automatically choosing point. Thin plate interpolation is used to realize the global elastic registration. Simulations have been done to illustrate that the efficiency and accuracy of this method in registration strategy.Keywords: image registration, mutual information, kernel function, wavelets transform, template matching, thin plate interpolationII目录第一章 绪论 (1)1.1 图像配准的研究内容和意义 (1)1.2 图像配准方法的研究现状 (2)1.3 基于互信息配准方法的研究进展 (5)1.4本文研究内容 (6)第二章 基于最大互信息的配准方法 (8)2.1 熵 (8)2.2 互信息的计算 (9)2.3 互信息配准算法 (11)2.4 关于互信息方法的一些讨论 (14)2.4.1基于最大互信息配准方法的优点 (14)2.4.2基于最大互信息配准方法的不足 (14)2.5 本章小结 (15)第三章互信息局部极值的抑制 (16)3.1 图像的基本变换 (16)3.2 图像插值 (17)3.2.1 常见插值算法 (17)3.2.2 图像插值的影响 (20)3.3 核函数的抑制方法 (21)3.3.1 三角核函数 (22)3.3.2高斯核函数 (23)3.4 实验结果及对比分析 (24)3.5 本章小结 (31)第四章互信息配准的优化方法 (32)4.1 最优化搜索算法 (32)4.1.1 引言 (32)4.1.2 单纯形的转换 (33)4.1.3 单纯形法的计算步骤 (35)III4.2 基于小波变换的优化方法 (37)4.2.1 小波变换和多分辨分析 (38)4.2.2 Mallat算法和小波分解 (39)4.3 配准实验与结果分析 (42)4.4 本章小结 (47)第五章 基于互信息的非刚性配准 (48)5.1 薄板样条插值 (48)5.2 互信息非刚性配准 (51)5.2.1 分层互信息非刚性配准 (51)5.2.2 自动选取标记点 (53)5.3 实验结果及讨论 (55)5.4 本章小结 (58)第六章 结论 (59)致 谢 (61)参考文献 (62)攻硕期间取得的研究成果 (65)IV第一章 绪论1.1 图像配准的研究内容和意义图像配准技术是将不同时间、不同传感器或不同视角下获取的同一场景的两幅进行匹配的图像处理过程,是图像处理的一个基本问题。
图像配准(互信息)
1.配准的方法分类 1.配准的方法分类
1.1基于灰度信息的方法 1.1基于灰度信息的方法 1.2基于变换域的方法 1.2基于变换域的方法 1.3基于特征的方法 1.3基于特征的方法
基于灰度信息的配准
利用图像本身具有的灰度统计信息来度量图 像的相似度,采用一定的搜索算法使相似 度量最大的变换形式,达到配准图像的目 的。 互信息的概念 用于描述两个系统间的信息相关性,或者一 个系统所包含的另一个系统中信息的多少, 它可以用熵来表示。
i =1 j =1
I
J
( p ( a i , b j ) ) i = 1 , 2 ,. . I 是图像联合灰度概率分布
j = 1 , 2 ,. J
互信息配准
基于互信息的图像配准就是寻找一个空间变 换关系,使得经过该变换后两幅间的互信 息达到最大。 1.确定空间变换形式 1.确定空间变换形式 2.对变换后的非整数坐标上点进行灰度插值, 2.对变换后的非整数坐标上点进行灰度插值, 计算两幅图像间的互信息 3.通过优化算法,使互信息达到最大值 3.通过优化算法,使互信息达到最大值
互信息配准
试验测试
1.仿射变换和双线性插值,穷举搜索 1.仿射变换和双线性插值,穷举搜索 试验结试仿射变换、PV插值和powell搜索最佳 1.测试仿射变换、PV插值和powell搜索最佳 参数(重要之处PV插值优越于其它插值方 参数(重要之处PV插值优越于其它插值方 法) 2.互信息和变换域相结合的方法 2.互信息和变换域相结合的方法
H(AB) =−∑pAB(ab)logpAB(ab) , , ,
i= 1
n
互信息配准
互信息 I(A;B)=H(A)+H(B)I(A;B)=H(A)+H(B)-H(A,B) =H(A)=H(A)-H(A|B) =H(B)=H(B)-H(B|A) H(A|B)为系统B已知时系统A H(A|B)为系统B已知时系统A的条件熵
基于互信息的多模态医学图像配准
摘 要多模态医学图像配准在医疗诊断、治疗方案的制定以及身体机能的研究等方面起到越来越大的作用。
基于互信息的图像配准方法具有自动化程度高、配准精度高等优点,已被广泛应用于医学图像的配准。
因此本文主要针对基于互信息的多模态医学图像配准进行研究。
所做的主要工作有:首先介绍了医学图像配准技术的意义、发展现状和临床应用。
然后对医学图像配准技术做了一个简单的综述,详细分析了图像配准的基本原理和实现步骤,探讨了医学图像配准的主要方法,同时还对配准方法的分类及相关评估进行了综述。
其次深入的研究了基于互信息的医学图像配准方法,并讨论了互信息的相关理论知识以及插值方法、出界点处理和采样技术对互信息配准的影响。
针对基于互信息的图像配准中的局部极值现象,本文详细分析了局部极值产生原因,然后根据信息熵的基本性质,提出了采用降低图像灰度级的方法来抑制局部极值。
仿真实验证明该方法可以有效抑制局部极值,便于最优化搜索算法搜索到正确的配准参数。
最后在对最优化搜索算法研究中,介绍了全局寻优能力较强的遗传算法。
并针对互信息法图像配准过程中待优化目标函数的性质,对基本遗传算法从编码方式和遗传算子操作等几个方面进行了改进,提出了一种基于实数编码的自适应遗传算法。
而后根据该算法和Powell算法各自的优点,提出了采用两种算法相结合的混合优化算法对互信息函数进行优化的方法。
仿真结果证明了采用混合优化算法可以有效的提高配准的稳定性与精度。
关键词:图像配准;多模态医学图像;互信息;局部极值;灰度级数;基于实数编码的自适应遗传算法;AbstractMultimodal medical image registration is becoming increasingly important in diagnosis,treatment planning,functional studies,computer-guided therapies,and in biomedical research.The matching algorithm based on mutual information,which has the advantages of high speed,good automation and superion accuracy,is widely used in medical image registration.So this paper mainly discusses multimodality image registraion based on mutual imformation.Firstly,it is introduced in the paper that the significance,development and clinical applications of medical image registration.Then the paper describes a simple summary of medical image registration.The konwledge about basic principle,implementation steps,and main methods of it.Meanwhile, both the classification of the registration methods and the concerned evaluation are surveyed.Secondly,the paper deeply studies the medical image registration based on mutual information,the background and the foundation concept of it are introduce.And detail discusses the afection of interpolation,outlier strategy and sampling technology.To solve the problem of local maxima in image registraiton based on MI,this paper analyses the reasons of the local maxima and investigates a approach of decreasing the gray levels of registration images according to the basic properties of the information entropy.Simulations have been done to to illustrate that this method can restrain the local maxima efficiency and convenient for the optimization algorithm to search the correct translation parameters.Finally in the rearch of optimized searching arithmetic,this paper introduces the Genetic Algorithm(GA).And because of the optimized objective function in image registraiton,an adaptive Real-coded Genetic Algorithm(ARGA) was proposed which is improved on the coding modes,genetic operators,etc.Then according to the two algorithms advantages we use the mixed optimization algorithm based on ARGA and Powell algorithm to optimize the function of information entropy.Experiment results show subvoxel accuracy can be achieved and the feasibility and efficiency of this method are verified.Key Words:Image Registration; Multimodality Medical Image; Mutual Information; Local Maxima; Gray Level; Adaptive Real-coded Genetic Algorithm;目 录第1章绪论 (1)1.1 医学影像技术 (1)1.1.1 医学影像技术的发展 (1)1.1.2 医学影像的种类和特点 (1)1.2医学图像配准技术 (2)1.2.1 背景介绍 (2)1.2.2 医学图像配准技术的发展历史 (2)1.2.3 医学图像配准技术的应用 (3)1.2.4 医学图像配准技术存在的问题 (4)1.3论文安排 (4)第2章医学图像配准技术综述 (5)2.1 图像配准的原理及概念 (5)2.2 图像配准方法的分类 (6)2.3 图像配准的主要过程 (7)2.3.1 特征空间 (7)2.3.2 几何变换 (8)2.3.3 优化算法 (9)2.4主要的医学图像配准方法 (9)2.4.1 基于图像特征的配准方法 (10)2.4.2 基于像素(体素)的配准方法 (11)2.5 配准的评估 (12)2.6小结 (14)第3章基于互信息的医学图像配准 (15)3.1基本概念 (15)3.1.1 熵 (15)3.1.2 灰度直方图 (15)3.2互信息配准的基本步骤 (16)3.2.1 空间变换 (17)3.2.2 插值技术 (17)3.2.3 出界点问题 (19)3.2.4 采样技术 (20)3.2.5 优化算法 (21)3.3小结 (25)第4章互信息局部极值的成因分析及抑制方法 (26)4.1互信息函数局部极值成因分析 (26)4.2基于压缩图像灰度级对局部极值的抑制 (28)4.2.1 压缩图像灰度级的方法 (28)4.2.2 压缩图像灰度级对PV假像的抑制 (29)4.2.3 压缩图像灰度级对图像噪声的影响 (30)4.2.4 压缩图像灰度级对互信息大小的影响 (32)4.2.5 压缩图像灰度级对配准精度的影响 (32)4.2.6 压缩图像灰度级对配准速度的影响 (33)4.3配准实验 (33)4.3.1 实验图像 (33)4.3.2 配准过程中参数设置 (34)4.3.3 配准评估 (34)4.3.4 结果分析 (35)4.3.5 目测检验 (35)4.4算法可靠性分析 (35)4.4.1 加噪声实验 (36)4.4.2 图像数据缺失实验 (37)4.5小结 (38)第5章互信息最优化搜索算法 (39)5.1遗传算法 (39)5.1.1 基本遗传算法(Simple Genetic Algorithms,SGA)的步骤 (39)5.1.2 遗传算法的优缺点 (40)5.2.1 编码改进 (42)5.2.2 自适应调整的交叉和变异概率 (42)5.2.3 最优保存策略 (43)5.3实数编码自适应遗传算法配准实验 (44)5.3.1 配准过程中参数设置 (44)5.3.2 结果分析 (44)5.4混合优化算法 (45)5.4.1 混合优化算法定义 (45)5.4.2 混合优化配准实验 (46)5.4.3 混合优化算法的多分辨率策略 (46)5.5小结 (47)结论 (48)参考文献 (50)附录A 攻读学位期间所发表的学术论文目录 (53)致谢 (54)第1章 绪 论1.1 医学影像技术1.1.1 医学影像技术的发展自从X射线发明以来,CT(计算机断层成像),MR(磁共振成像),B超等现代医学影像设备先后出现,使得传统的医学诊断方式发生了根本性的变化。
基于互信息和二级搜索的图像配准
So f t wa r e Tec h n o l o g y
基于互信 息和 二级搜 索 的图像 配 准
周 呜, 朱 振 福 ( 航 天 科 工 集 团第 二 研 究 院 2 0 7所 , 北京 1 0 0 8 5 4)
摘 要 : 基 于 互 信 息 的 图 像 配 准 方 法 。 已经 广 泛应 用 于 图像 配 准 领 域 。 但 互 信 息 图 像 配 准 方 法 容
( I n s t i t u t e 2 0 7, T h e S e c o n d A c a d e my o f C h i n a A e r o s p a c e S c i e n c e& I n d u s t r y C o r p, B e i j i n g 1 0 0 8 5 4, C h i n a )
mu t u a l i n f o m a r t i o n, i ma g e i n t e r p o l a t i o n a n d o p t i mi z e r , w h i c h a r e t h e t h r e e c r u c i a l f a c t o r s o f mu t u a l i fo n ma r t i o n b a s e d i ma g e
基于互信息的医学图像配准方法研究
分类号学号 641860200671992 学校代码 10487硕士学位论文基于互信息的医学图像配准方法研究学位申请人:汪春芳学科专业:模式识别与智能系统指导教师:桑农教授答辩日期:2008年11月5日A Thesis Submitted in Partial Fulfillment of the RequirementsFor the Degree for the Master of Engineering Medical Image Registration Method based on Mutual InformationCandidate : Chunfang WangMajor:Pattern Recognition & Artificial IntelligenceSupervisor : Prof. Sang NongHuazhong University of Science & TechnologyWuhan 430074,P.R.ChinaOct,2008独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。
尽我所知,除文中已经标明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。
对本文的研究做出贡献的个人和集体,均已在文中以明确方式标明。
本人完全意识到本声明的法律结果由本人承担。
学位论文作者签名:汪春芳日期: 2008 年11月05日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,即:学校有权保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。
本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描复制保存手段和汇编本学位论文。
保密□,在年解密后适用本授权书。
本论文属于不保密√。
(请在以上方框内打“√”)学位论文作者签名:汪春芳指导教师签名:桑农日期:2008年 11月05日日期:2008 年 11月05日摘要医学影像学为临床诊断提供了多模式的医学图像,各种成像设备对病人同一解剖结构得到的形态信息和功能信息是互补的,在临床应用中经常需要将不同模态的图像结合起来,同时从不同模态的图像中获得信息。
基于互信息的图像配准技术研究毕业论文
基于互信息的图像配准技术研究毕业论文目录第1章绪论 (1)1.1 研究背景 (1)1.1.1 应用价值 (1)1.1.2 研究概况及发展趋势 (1)1.2 本文研究内容 (2)第2章图像配准 (4)2.1 图像配准的基本过程 (4)2.2图像配准方法的分类 (5)2.3 主要的图像配准方法 (7)2.3.1 基于特征的配准方法 (7)2.3.2 基于灰度的配准方法 (7)2.4 本章小结 (8)第3章互信息在配准中的应用 (9)3.1 互信息的概念 (9)3.1.1 熵 (9)3.1.2 互信息 (11)3.2 基于互信息的配准 (11)3.2.1 互信息配准的基本步骤 (11)3.2.2 MATLAB平台中互信息的配准 (12)3.3 本章小结 (13)第4章互信息图像配准的技术 (14)4.1 插值技术 (14)4.1.1 最近邻插值法 (14)4.1.2 三线性插值法 (15)4.1.3 部分体积分布插值法 (16)4.2 出界点处理 (18)4.3 灰度级别对配准的影响 (18)4.4 优化算法 (20)4.4.1 引言 (21)4.4.2 Powell法 (21)4.4.3 遗传算法 (22)4.4.4 遗传-模拟退火混合优化算法 (26)4.4.5 蚁群算法 (28)4.5 本章小结 (31)结论 (33)参考文献 (34)致谢 (36)第1章绪论1.1 研究背景1.1.1 应用价值随着图像信息的需求日益强烈,近二十年来,图像融合的研究蓬勃兴起,成为图像处理的一大热点。
在实际应用中,单一模态的图像往往不能提供所需要的足够的信息,通常需将不同模态的图像融合在一起,得到更丰富的信息以便了解综合信息。
然而不同模态的图像会出现成像原理不同、分辨率不同、灰度属性不同等情况,图像间并不存在简单的一一对应关系。
为了能将不同模态图像中的信息融合在一起,就必须首先进行图像配准。
图像配准是图像分析和处理的关键步骤,在遥感图像处理、医学图像处理、计算机视觉和模式识别等领域得到广泛应用。
基于互信息的图像配准
信息论大作业基于互信息的图像配准班级:金融101学号:2009302311姓名:魏泉1. 引言随着医学、计算机技术及生物工程技术的发展,医学影像学为临床诊断提供了多种模态的医学图像,不同的医学图像提供了相关脏器的不同信息:CT(Computed Tomography ,电子计算机X 射线断层扫描)和MRI(Magneticresona nce ima ging ,核磁共振成像)以较高的空间分辨率提供了脏器的解剖结构信息。
在实际临床应用中,单一模态的图像往往不能提供医生所需要的足够的信息,通常需要将不同模态的图像融合在一起,得到更丰富的信息,以便了解病变组织或器官的综合信息,从而做出准确的诊断或制订出合适的治疗方案。
而图像配准是图像融合的重要前提,图像配准是指对一幅图像进行一定的几何变换而映射到另一幅图像中,使得两幅图像中的相关点达到空间上的一致。
图像配准主要有两大类方法,基于灰度的方法和基于特征的方法。
基于灰度的配准方法直接利用图像的灰度数据进行配准,从而避免了因分割而带来的误差,因而具有精度较高、鲁棒性强、不需要预处理而能实现自动配准的特点。
在基于灰度的配准方法中,基于互信息的方法包括互信息和归一化互信息方法,它们已经被广泛使用并具有最高的精度。
本文使用的是基于互信息的配准方法。
2. 图像配准技术2.1图像配准技术的数学定义 数字图像可以用一个二维矩阵来表示,如果用),(1y x I、),(2y x I 分别表示待配准图像和参考图像在点(x,y)处的灰度值,那么图像I 1、I 2的配准关系可表示为:))),(((),(12y x f g y x I I= (1)其中f 代表二维的空间几何变换函数;g 表示一维的灰度变换函数。
配准的主要任务是寻找最佳的空间变换关系f 与灰度变换关系g ,使两幅图像实现最佳对准。
其中,空间几何变换是灰度变换的前提,是实现精准配准的关键环节。
2.2几何变换空间变换主要解决图像平面上像素的重新定位问题,式(1)中的空间几何变换函数f 可用空间变换模型进行描述,常用的空间变换模型有刚体变换、仿射变换、投影变换和非线性变换。
图像配准(互信息)
1.配准的方法分类
1.1基于灰度信息的方法 1.2基于变换域的方法 1.3基于特征的方法
基于灰度信息的配准
利用图像本身具有的灰度统计信息来度量图 像的相似度,采用一定的搜索算法使相似 度量最大的变换形式,达到配准图像的目 的。
互信息的概念 用于描述两个系统间的信息相关性,或者一 个系统所包含的另一个系统中信息的多少, 它可以用熵来表示。
互信息配准
熵 一个信源A输出N个消息,其中n个不同的消
息,第i个消息(i=1,2,….n)重复 hi 则
hi / N 为每个输出消息的重复频率,故可用 概 信率息替量换即,熵即为:pi hi N ,则该信源的平均
n
H (A) pi log pi i1
互信息配准
联合熵 联合熵H(A,B)是检测随机变量A和B相关 性的统计量。对于两个随机变量A、B,它们 的概率分布分别为 pA(a) 和 pB (b) ,联合分布 为 pAB (a,b) ,则它们的联合熵为:
互信息配准下阶段工作: 1.测试仿射变换、PV插值和powell搜索最佳
参数(重要之处PV插值优越于其它插值方 法) 2.互信息和变换域相结合的方法
Matlab工具箱image registration(见 Matlab Help)
1.cp2tform 包括linear conformal(线性正投影)
互信息配准
互信息的另一数学表达式
I(A;B)
I i1
J j1
பைடு நூலகம்
p(ai,bj )log
p(ai,bj ) p(ai).p(bj )
I
J
p(ak ) p(ak ,bj ),p(bj ) p(ak ,bj ),
图像处理中的图像配准与图像拼接算法研究
图像处理中的图像配准与图像拼接算法研究在现代科技的发展中,图像处理成为了一项重要的技术。
图像配准和图像拼接作为图像处理中的两个关键环节,可以实现多幅图像的融合与重建,因此在计算机视觉、医学影像等领域有着广泛的应用。
本文将对图像配准与图像拼接的算法进行研究。
一、图像配准算法图像配准是指将多幅图像中的相同场景进行空间几何校正,使它们拥有相同的几何特性。
常见的配准算法有基于特征点的配准算法、基于互信息的配准算法和基于变换模型的配准算法等。
1. 基于特征点的配准算法基于特征点的配准算法是将两幅图像中具有显著特征的点进行匹配,进而求解出图像之间的几何变换关系。
这些特征点可以是角点、边缘点或纹理点等。
常见的特征点匹配算法有SIFT(尺度不变特征变换)算法和SURF(加速鲁棒特征)算法。
2. 基于互信息的配准算法基于互信息的配准算法通过计算两幅图像之间的互信息来衡量它们的相似度,并通过最大化互信息来确定图像之间的几何变换关系。
这种算法可以在图像中存在大量重叠或者相似性不高的情况下实现准确的配准。
3. 基于变换模型的配准算法基于变换模型的配准算法利用数学模型描述图像之间的几何变换关系。
常见的几何变换包括平移、旋转、缩放等。
通过求解变换模型的参数,可以将多幅图像进行配准。
常见的变换模型包括仿射变换和透视变换。
二、图像拼接算法图像拼接是指将多幅图像按照一定的规则进行融合,生成一幅更大的图像。
常见的拼接算法有全景拼接算法和多帧图像拼接算法等。
1. 全景拼接算法全景拼接算法是将多幅图像按照它们相对位置的几何关系进行拼接,从而生成一幅完整的全景图像。
该算法的关键在于求解图像之间的重叠区域以及拼接时的图像对齐问题。
常见的全景拼接算法有基于特征点的全景拼接算法和基于图像重叠区域的全景拼接算法。
2. 多帧图像拼接算法多帧图像拼接算法是将多幅图像按照时间顺序进行融合,生成一个更清晰、更鲜明的图像。
该算法通常用于医学影像中的图像叠加,可以增加图像的分辨率和对比度。
互信息的图像配准
3.2 配准方法
首先根据两幅图像的基本情况预设一个初始参数 ,其中 为裁剪
旋转 角的图像2行的第一个索引。 为裁剪旋转 角的图像2列的第一个索引, 为旋转的角度, 为比例因子。然后按照给定的初始参数对图像2进行变换,并计算图像1和图像2的互信息,然后利用最优化
(7)若 在 之外,则用黄金分割法重新求极小点,转步骤(8);若u相对于 的改变量大于上一次的改变量,则转步骤(8);若 或 ,则用 代替前面的改变量。
(8)按黄金分割法确定点 ,且u在区间 和 中长度较大的一个;若u相对于x的改变量小于 ,则用 代替前面的改变量。
(9)计算 ,按照各自的定义更新 。置 ,转步骤(3)。
算法实现步骤如下(设目标函数为f(x)):
(1)给定初始区间 ,精度要求 ,黄金分割系数
(2)计算 ,置 ;计算 ,置 ;置上一次迭代步长 。
(3)计算当前区间中点 ,若 ,则停止搜索,的极小值 ,否则转(4)。
(4)令 ,若 ,则采用黄金分割法,转(8)。
(5)若 ,则采用黄金分割法,转(8)。
(6)过三点 构造抛物线函数,计算
信息论大作业
基于互信息的图像配准
班级: 09030901
学号: 2009302311
: 益琛
同组成员:升富 黎照
1.引言
随着医学、计算机技术及生物工程技术的发展,医学影像学为临床诊断提供了多种模态的医学图像,不同的医学图像提供了相关脏器的不同信息:CT(Computed Tomography,电子计算机X射线断层扫描)和MRI(Magneticresona nce ima ging,核磁共振成像)以较高的空间分辨率提供了脏器的解剖结构信息。在实际临床应用中,单一模态的图像往往不能提供医生所需要的足够的信息,通常需要将不同模态的图像融合在一起,得到更丰富的信息,以便了解病变组织或器官的综合信息,从而做出准确的诊断或制订出合适的治疗方案。而图像配准是图像融合的重要前提,图像配准是指对一幅图像进行一定的几何变换而映射到另一幅图像中,使得两幅图像中的相关点达到空间上的一致。图像配准主要有两大类方法,基于灰度的方法和基于特征的方法。基于灰度的配准方法直接利用图像的灰度数据进行配准,从而避免了因分割而带来的误差,因而具有精度较高、鲁棒性强、不需要预处理而能实现自动配准的特点。在基于灰度的配准方法中,基于互信息的方法包括互信息和归一化互信息方法,它们已经被广泛使用并具有最高的精度。本文使用的是基于互信息的配准方法。
基于互信息的图像配准
下面代码MA TLAB编程实现了基于互信息的图像配准。
采取的是改进的Powell搜索策略算法,在4个方向上采用的是黄金分割法。
当基准图像和待配准图像的互信息达到最大时,两幅图像配准的效果最好,同时获得此时图像的变换系数,然后进行空间变换,获得图像融合图。
运行结果一下图中图4-1为十字架参考图像,图4-2为十字架浮动图像,图4-3为获得空间变换参数后的变换图像,图4-4为参考图像和浮动图像的配准后图像图4-1参考图像图4-2 浮动图像图4-3变换图像图4-4 配准效果图运行结果二在下图中,图4-5 为一幅名为圣保罗教堂的钥匙图像,是参考图像,图4-6为浮动图像,该图像与图4-5相比,X轴和Y轴方向上发生一定的移动,并且发生一定的旋转。
图4-7为获得空间变换参数后经过空间变换的图像,图4-8为配准效果图图4-5 参考图像图 4-6 浮动图像图4-6 变换图像图4-7 配准效果图运行结果三下图中图4-9为一幅人脸图像,作为参考图。
图4-10为另一幅人脸图像,二者的神情是有一定差异的,作为浮动图像,将这两张图像进行配准。
图4-11是进行优化策略获得配准参数,对图4-10经过空间变换获得的图像。
图4-12为参考图像和浮动图像的配准效果图。
图4-9人脸参考图像图4-10 人脸浮动图像图4-11 人脸变换图像图4-12 配准效果图表4-1为程序运行时,获得的图像匹配参数以及互信息值和图像配准运行时间。
表4-1 配准参数表图像标号X轴偏移量 Y轴偏移量旋转角度互信息值图像配准时间(s) 4-1与4-2 0.46625 -0.50701 7.19095 0.6760 131.2190004-5与4-6 0.52944 2.84241 3.55035 1.8618 301.5000004-8与4-9 4.06384 -14.09414 7.59691 1.3424 686.828000从互信息大小来看,图4-5和图4-6的互信息值最大,得到的图像配准的效果最好,但是我们不能把互信息的大小作为评判三队图像中那对图像配准的好坏,因为带配准的图像不论图和平移旋转,两幅图像的相互关系是一定的即互信息的大小是一定的,它们所包含的相同信息是有限度的,所以,只能与本身图像或者参考图像相比,来判断图像配准的好坏。
基于一种改进的Powell算法和互信息的医学图像配准方法
li a g n me n t e f f e c t . T o s o l v e t h i s p r o b l e m, p a r t i c l e s w a n / 1 o p t i m i z a t i o n( P S O )t o s t r i k e a P o w e l l a l g o i r t h m t h e i n i t i l a v lu a e t e s t -
Ke y wo r d s : P o we H a l g o i r t h m; P S O; mu t u a l i n f o r ma t i o n; r e g i s t r a t i o n
一
个完整的医学图像融合系统应包 括图像采集及预处 理 、
Matlab中的图像匹配和配准方法
Matlab中的图像匹配和配准方法引言在当今数字图像处理和计算机视觉的领域中,图像匹配和配准是非常重要的任务。
图像匹配和配准的目的是找到两幅或多幅图像之间的对应关系,以实现图像间的对比、分析和融合等应用。
Matlab作为一种常用的科学计算和图像处理工具,提供了许多强大的函数和工具箱,用于实现图像匹配和配准。
本文将介绍Matlab中的几种常见的图像匹配和配准方法,并分析其优缺点以及适用场景。
1. 直方图匹配直方图匹配是一种简单但有效的图像匹配方法。
其原理是通过将目标图像的灰度直方图调整为与参考图像的灰度直方图相似,从而实现两幅图像的对比。
在Matlab中,可以使用“imhistmatch”函数来实现直方图匹配。
该函数通过计算参考图像和目标图像的灰度直方图,并将目标图像的灰度值调整为与参考图像的灰度值分布相似的方式完成匹配。
直方图匹配的优点在于简单易懂、计算快速,并且适用于大多数图像配准问题。
然而,直方图匹配方法无法处理图像变换导致的几何形变。
此外,当参考图像和目标图像的灰度分布不一致时,直方图匹配可能会产生不理想的结果。
2. 特征点匹配特征点匹配是一种基于图像局部特征的匹配方法。
其主要思想是在参考图像和目标图像中提取出一组特征点,并通过计算特征点间的相似度来寻找两幅图像之间的对应关系。
Matlab中提供了多种特征点提取和匹配函数,如“detectSURFFeatures”和“matchFeatures”。
特征点匹配的优点在于对图像的几何变换具有较好的鲁棒性,并且可以处理较大的图像变形。
然而,特征点匹配方法对图像的光照变化、噪声干扰和遮挡等问题敏感,可能会导致匹配结果不准确。
3. 基于互信息的配准基于互信息的配准是一种常用的图像配准方法,其基本原理是通过最大化两幅图像之间的互信息来确定其几何变换关系。
在Matlab中,可以使用“imregister”函数来实现基于互信息的图像配准。
该函数通过优化互信息度量函数,寻找最优的图像变换参数,从而实现图像的配准。
基于互信息的医学图像配准算法
研究不足与展望
01
仅适用于灰度图像
目前的算法仅适用于灰度图像的配准,对于彩色图像的配准仍存在一
定的挑战。未来的研究可以尝试将该算法扩展到彩色图像的配准中。
02 03
对大形变的适应性有待提高
虽然该算法在大多数情况下表现出色,但对于大形变的医学图像配准 效果仍需进一步改进。未来可以尝试引入更先进的形变模型或优化算 法,提高对大形变的适应性。
研究内容与方法
研究内容
本文旨在研究和实现一种基于互信息的医学图像配准算法, 通过优化计算方法和提高鲁棒性来提高配准精度和效率。
研究方法
本文采用理论分析和实验验证相结合的方法,首先对基于互 信息的医学图像配准算法进行理论分析,然后提出改进方案 ,最后通过实验验证改进方案的有效性和可行性。
02
医学图像配准基础
图像预处理
进行图像的预处理,如去噪、归一化等,以提高配准的准确性。
特征提取阶段
特征提取
利用互信息等方法提取图像中的特征,包括灰度、纹理等。
特征筛选
筛选出对配准有贡献的特征,去除冗余和无效的特征。
配准阶段
01
02
03
初始变换
根据预处理和特征提取的 结果,计算初始的变换矩 阵。
迭代优化
通过迭代的方式,不断优 化变换矩阵,直到达到最 优的配准效果。
数据压缩
对输入的医学图像数据进行压 缩,可以减少数据的存储空间 和传输时间,提高算法的效率
。
算法收敛速度优化
动态调整步长
在迭代过程中动态调整步长,可以加快算法的收敛速度 ,提高算法的稳定性。
01
并行迭代
通过并行迭代技术,可以将算法的迭 代过程分配到多个计算节点上,实现 更高效的并行计算。
基于互信息的医学图像配准方法研究11
摘要医学图像配准技术已经被应用于心脏病诊断和包括脑瘤在内的各种各样的神经混乱诊断研究中。
图像配准是使两幅图像上的对应点达到空间上一致的一个过程。
这种一致是指人体上的同一特征点在两张匹配图像上有相同的空间位置。
多模态生物医学图像配准在医疗诊断、治疗方案的制定,以及身体机能的研究等方面起到越来越大的作用。
如何将这些多模态信息融合在一起是目前研究的重点,目前,该融合主要是基于图像亮度信息的配准方法。
该类方法通过最大化图像间的相似度函数达到配准的目的。
基于最大互信息的配准技术目前是多模医学图像配准中应用比较普遍的一种方法。
这种方法是用两幅图像的联合概率分布与完全独立时的概率分布的广义距离来估计互信息,并作为多模态医学图像配准的测度。
当两幅基于共同的解剖结构的图像达到最佳配准时,它们的对应象素的灰度互信息应为最大。
但配准过程中使用的目标函数往往会出现参数变化非凸且不光滑的现象。
传统的局部最优方法通常不能得到较好的结果。
因而,迫切的需要一种全局寻优的方法来解决这个问题。
本论文首先研究2D-2D的图像配准,分别用粒子群算法(PSO)、Powell方法、量子行为的粒子群算法(QPSO)和QPSO算法与Powell法结合的方法对2D-2D的医学图像进行配准并比较四种算法的结果。
其次研究3D-3D的多模医学图像配准,分别用QPSO 算法和QPSO算法与Powell法结合的方法对3D-3D的多模医学图像进行配准并把结果同“金标准”网站上的结果进行比较。
通过比较发现在对2D-2D图像配准和3D-3D多模医学图像配准中QPSO算法的实际搜索效果、收敛速度和稳定性等均优于传统的Powell算法和PSO算法。
实验结果证明以互信息作为相似性测度,采用基于小波变换的多分辨率策略,将量子行为的粒子群优化算法(QPSO)与Powell 法结合起来对二维和三维的图像进行配准能够有效地克服互信息函数的局部极值,大大地提高配准精度和速度,精度达到亚像素级。
基于互信息的多模医学图像配准
收稿日期:2008207210.作者简介:沈慧娟(19692 ),女,福建莆田人,嘉兴学院机电工程学院实验师.基于互信息的多模医学图像配准沈慧娟a ,曾宪智b(a.嘉兴学院机电工程学院; b.嘉兴学院医学院,浙江嘉兴314001)摘 要:以互信息配准原理为基础,讨论了互信息配准算法应用于图像的几何对准并给出了初步的评估结果.通过CT/MR 、PET/MR 配准后的结果与现有的标准进行比较,说明互信息法不需要对图像进行预处理,可以实现多模医学图像配准,并达到亚像素级的配准精度,以满足临床应用的要求.该算法可靠性高,对图像几何失真、灰度不均匀性及数据的缺失等不敏感,并适当调整初始化参数,可以避免明显的误配准.关键词:医学图像;图像配准;互信息 中图分类号:R445Medical Im age R egistration B ased on Mutu al I nform ationSH EN Hui -juan a ,ZEN G Xian -zhi(a.School of Mechanical &Electrical Engineering ;b.Medical School ,Jiaxing University ,Jiaxing ,Zhejiang 314001)Abstract :Based on the principle of registration of mutual information ,this paper discusses that the mutual information algorithm can be used in the geometric alignment of image registration and gives a preliminary result of assessment.By comparison of the results after image registration of CT/MR ,PET/MR and available stand 2ard ,it demonstrates that multimodal medical image registration and sub -pixel registration accuracy can be a 2chieved using the mutual information without any preprocessing steps ,which makes this method very well suited for clinical applications.The method is highly reliable and not sensitive to geometrical distortion ,intensity inho 2mogeneity and data missing ,and it can avoid obvious errors by adjusting initial parameters properly.K ey w ords :medical image ;image registration ;mutual information文献标识码:A. 文章编号:100826781(2009)0320074204利用互信息法进行多模医学图像配准已成为医学图像处理领域的热点.多模医学图像融合的关键是图像配准.图像配准的方法主要有特征点法、曲线法、表面法和矩主轴法等.最大互信息配准法由于不需要对不同成像模式下的图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,近年来受到了越来越多学者的关注,并且在医学图像配准领域得到了普遍重视和广泛应用,并被许多医学图像处理软件包作为标准的配准算法.[1]1 互信息配准原理多模图像是来源于不同成像设备的图像.对于同一个体,不同成像模式制成的图像其灰度并不相似,有时还可能很大.但对同一组织而言,对应像素点之间的灰度在统计学上并非独立,而是相关的.这是互信息配准的基础.[2]图像A 、B 之间存在某一空间映射关系(是空间变换参数).对于A 中灰度为a 的像素p 和其在B 中灰度为b 的对应像素P ,a 和b 在统计学上的相关性可用互信息来衡量:I (A ,B )=∑a,b p (a ,b )log 2p (a ,b )p (a )・p (b )(1)・47・嘉兴学院学报J ournal of J i a x i n g Uni versit y 第21卷第3期2009年5月Vol.21No.32009.5 上式中的p (a ,b ),p (a ),p (b )分别为(a ,b )的联合分布和边缘分布,可由两幅图像重叠部分的联合灰度直方图和边缘灰度直方图简单归一化得到.因而I (A ,B )的计算从本质上说依赖于T a .以互信息作为两幅图像相似性测度进行配准基于如下原理:当两幅基于共同解剖结构的图像达到最佳配准时(T a 3),它们对应的图像特征的互信息应为最大.α3=arg max αI (A ,B )(2) 图1是头部CT 和MR 的基于图像灰度值的2D 直方图,其中(a )为未配准的图像直方图,(b )为已配准图像后的直方图.由图可见,配准后,C T 颅骨中的高亮度值对应于MR 中的较低亮度值,它们的2D 联合直方图出现一个尖峰;当图像未配准时,直方图显得很分散.对两种情况计算互信息发现,未配准的情况下,互信息值要小得多.虽然互信息与图像的灰度有关,但有一点必须明确,即互信息并不对两幅图像之间的灰度关系作任何假设,也不对成像模式作任何限制.同时,互信息不直接依赖图像的灰度值来测量不同图像的相关性,而是把图像本身和二者的重叠部分放在一起加以考虑.这样就使它对图像灰度的变化不过分敏感,并对图像之间不同部位的正负相关性能同时处理. (a )I (CT ,MR )=0143(b )I (CT ,MR )=0187图1 头部CT 和MR 重叠部分的联合灰度2D 直方图互信息I (A ,B )作为两幅图像配准的相似性测度,必须满足一个条件,即它不应随互信息配准函数(|α-α3|)的微小变化而出现较大的波动,即互信息函数必须是一个随空间变换参数α不同而变化相对平缓的函数,否则很容易在配准过程中出现局部极值.[3]2 互信息配准算法由于互信息法不需要对不同成像模式下的图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,因此,该法是一种全自动的算法.211 采样和变换对两幅待配准的图像,定义一个立体坐标系:X 轴为沿行扫描方向,Y 轴为沿列扫描方向,Z 轴则沿从颅顶到颅底的方向.以一幅图像为浮动图F ,另一幅为参考图R ,两幅图像上的像素灰度值归一化为256个灰度级(0~255).坐标原点定义在图像的灰度重心:[4]C x =∑xx ・g (x ,y ,z )∑x g (x ,y ,z );C y =∑y y ・g (x ,y ,z )∑y g (x ,y ,z );C z =∑z z ・g (x ,y ,z )∑zg (x ,y ,z ) 其中g (x ,y ,z )为像素点(x ,y ,z )的灰度值.这样做相当于两幅图像的重心对齐,为后续的优化步骤打下了基础.下一步工作主要就是计算旋转矩阵,同时对平移向量微调,得到最优空间变换T α.对于浮动图像,可以把采样子集限定为整幅图像的大小.但这样会带来两个问题.首先,对大多数断层医学扫描图像来说,3D 数据集所包含的数据点数目极其庞大.考虑一幅512×512×100的C T 图像,采样点数目为21621×108,如此大的数据会极大地增加计算机的时间消耗和空间代价,就目前计算机的计算速度和存储容量来说,这将使3D 体积图像的配准无法实时实现,从而限制了其在临床中的使用.其次,当对象和背景面积差别不大时,过多背景像素的引入容易使互信息配准函数出现尖峰,导致局部极值.因此,将所有目标像素限定在一个矩形框内再采样,就能在很大程度上缓解上述问题.采样有两种方法:一种是随机采样法,另一种是按一定的间隔等间距采样.对浮动图确定采样范围和采样因子,按等距离采样法进行采样.为进一步减少计算量并避免过多背景像素的引入,将人脑图像XY 平面上的采样范围限制在人脑图像灰度重心(C x ,C y ,C z )附近的一定区域内,在区域确定・57・沈慧娟,曾宪智:基于互信息的多模医学图像配准过程中确保所有的目标相素都被包含在内.[5]头颅部的空间变换是刚体变换.因此,考虑3个旋转参数θx 、θy 、θz 和3个平移参数t x 、t y 、t z 就足够了.从浮动图的空间坐标P F 到参考图的空间坐标P R 的刚体变换用下式描述:V R ・(P R -C R )=R x (θx )・R y (θy )・R (θz )・V F ・(P F -C F )+t (t x ,t y ,t z )(3)其中V F 和V R 为3×3的对角阵,分别代表图像F 和R 的像素大小;C F 和C R 分别是两幅图像的中心,R =R x ・R y ・R z 是3×3的旋转矩阵,t 是平移向量.212 插值浮动图的像素点u 经过空间变换后,参考图的对应点u ′的坐标一般来说不是整数.必须通过插值方法计算该点的灰度值.根据采样定理,连续函数采样后在付立叶频域中的频谱是无限多个原频谱的重复.当满足Nyquist 准则时,频谱不会发生混叠.如采样频率大于原信号最高频率的两倍时,就可以从采样后的数据原封不动地恢复出原始数据.因此,理想插值相当于采样函数在付立叶域中与矩形函数相乘,在时域中与sinc 函数相卷积.由于sinc 函数趋于无限,实际应用中不能实现,因此理想插值不可能达到.作为替换,采用不同的有限函数作为卷积(滤波)函数来近似sinc 函数,产生了不同的插值方法.在基于互信息的多模医学图像配准方法中,三线性PV (t rilinear partial volume distribution )插值方法(简称PV 插值方法)和线性插值方法是使用最多的方法.[6]与线性插值算法不同,PV 插值算法不是通过插值点的邻近点来确定该点的灰度值,而是按照周围8个像素与该点的空间距离来分配权重,使邻近点贡献于联合灰度分布统计:H (f ,r )=∑k ∑7m =0wk ,m ・δ(f -f k ,r -r k ,m )(4) 其中f k 为图像F 中体素k 的灰度值,r k ,m 为图像R 中体素k 的8个相邻体素的灰度值.利用原始图像的灰度值参与互信息的计算能取得最满意的结果.PV 插值法不产生新的灰度值,因此,在互信息的计算上将更加准确.同时,随着空间变化参数α的变化,联合直方图的变化比较平缓,互信息不会发生突变,这在一定程度上能避免局部极值.213 多参数最优化算法3D 图像配准在本质上是一个多参数优化问题,所以优化方法的选择十分重要.快速有效的优化算法可以大大节省运行时间,为实时图像处理提供可能性.在头部成像过程中,如果扫描设备和几何失真经过仔细地矫正,并慎重选取成像参数,则不同扫描操作使病人头部在成像过程中的变化(如剪切变换)可以被忽略.这时人脑可近似为刚体,通过6个空间变换参数(3个旋转参数和3个平移参数)即可确定两幅图像的空间位置关系,一经确定了刚体变换的形式,配准过程就转化为寻找6个空间变换参数的优化过程了.图2 立方体图计算过程中需要用到目标函数的导数方法和直接利用目标函数值的方法.在实际计算过程中采用Powell 多参数优化算法和Brent 一维搜索算法迭代地估计配准参数,并将收敛准则分别定为10-5和10-3.[7]开始优化时,将6个参数的初始值设为零,初始搜索方向设置为共轭的单位向量.由于各个搜索方向图像分辨率存在差别,优化参数的搜索顺序对优化过程和配准鲁棒性十分重要.考虑到成像过程中,病人在XY 平面的平移和旋转比其他方向的平移和旋转更明显,令优化过程的搜索顺序为(t x ,t y ,θx ,θy ,t z ).经验证,这种搜索顺序效率最高,精度最高.3 结果和初步评估图2是两个立方体,分别代表应用金标准和最大互信息算法得到的经过配准变换的浮动图.点1~8和点1′~8′分别表示两个图像的8・67・ 嘉兴学院学报 第21卷第3期个对应顶点.经配准后得到8个点q i ,MI 和金标准的8个点q i ,ref 按下面方法对配准算法的准确性进行评估:△=18∑8i =1|q i ,ref -q i ,MI |(5)△k =18∑8i =1|q i ,ref ,k -q i ,MI ,k |, k =x ,y ,z(6) 其中,△表示8个相应顶点的平均几何距离,△k (k =x ,y ,z )表示沿坐标轴的平均绝对误差.根据式(5)和(6)将配准结果和金标准进行比较:表1 CT 2MR 配准结果项目CT/PD CT/T1CT/T2CT/PDr CT/T1r CT/T2r△215590117040219311311359118745317094△x 016013018631018931018847012016019115△y 015991018725019682111030016547117599△z 212946110743214568217062117112216957表2 PET 2MR 配准结果项目PET/PD PET/T1PET/T2PET/PDr PET/T1r PET/T2r △319214411128319082411995412730319912△x 111752019002111115115232019105019991△y 117516118050118532118117119251119621△z 219607219337218921217908311114219358 在表1和表2中,浮动图像分别为C T 和PET ,参考图像为MR.在C T/MR 配准中以MR 图像中的像素对角距作为一个像素大小:11252+11252+4102≈41373(mm )在MR/PET 配准中以PET 图像中的像素对角距作为一个像素的大小:21592+21592+8102≈81799(mm )如果△小于参考图中单个像素大小,则可认为配准达到了亚像素精度.从表1、表2的结果看出,配准结果达到了亚像素精度的要求.参考△k ,发现△x 、△y 相对△z 而言较小,表明X2Y 平面上的配准精度要高于Z 方向,这可能与Z 方向上的低分辨率有关.在临床上并不存在所谓的“金标准”,实践证明,临床专家对配准结果评估的介入是十分必要的.事实上,对多模医学图像配准结果进行目测检验的确是一种可行的方法.在PET 2MR 图像配准中,有经验的专家通常可以识别XY 方向上2mm 以内的平移,Z 轴方向3mm 以内的平移或绕任意轴4°以上的旋转.最大互信息法应用于C T 、MR 、PET 配准的结果能达到很好的精度,生成的新的融合图像有利于临床医生进一步的综合诊断.4 结论互信息是统计两个随机变量相关性的测度.以互信息作为两幅图像相似性测度进行配准基于如下原理:当两幅基于共同解剖结构的图像达到最佳配准时,它们对应的图像特征的互信息应为最大.从结果可以看到,基于互信息的配准方法基本上达到了亚像素分辨率,可以达到临床应用的要求.参考文献:[1]PA YN E B A.Surface mapping brain function on 3D models [J ].IEEE Computer Graphics and Applications ,1990,13(1):20226.[2]常迥.信息理论基础[M ].北京:清华大学出版社,1993:13222.[3]WON G J C.Evaluation of t he limit s of visual detection of image misregistration in a brain fluorine 218fluorodeoxyglucose PET 2MRI study [J ].Eur.J.Nuclear Medicine ,1997,24:6422650.[4]康哓东.现代医学影像技术[M ].天津:天津科技翻译出版公司,2000:4042406.[5]陈宝林.最优化理论与算法[M ].北京:清华大学出版社,1989:3342431.[6]章毓晋.图像处理和分析[M ].北京:清华大学出版社,1998:3262420.[7]VIOL A P ,WELL S I ,WILL IAM M.Alignment by maximization of mutual information.In :Proc.Int ’1Conf.on comput 2er Vision [M ].Cambridge ,MA ,1995,16223.(责任编辑 方土)・77・沈慧娟,曾宪智:基于互信息的多模医学图像配准。
基于互信息的图像配准的设计与实现
基于互信息的图像配准的设计与实现院系专业班级学号姓名指导教师负责教师摘要图像配准常常是作为其他图像处理应用的前处理步骤使用的,往往用于图像的对准、目标识别与定位。
图像配准是多种图像处理及应用的基础,配准效果将直接影响到其后续图像处理工作的效果。
本算法以互信息配准原理为基础。
利用互信息法进行图像配准已成为图像处理领域的热点。
图像融合的关键是图像配准。
图像配准的方法主要有特征点法、曲线法、表面法和矩主轴法等。
在此过程中不需要进行图像分割以及特征提取,可以实现图像配准的自动化,而且鲁棒性较强,配准精度高,但是,计算互信息相似度是基于整幅图像的像素灰度,因此计算复杂度较高。
最大互信息配准法由于不需要对不同成像模式下的图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,具有自动化程度高的特点。
近年来受到了越来越多学者的关注,并且在图像配准领域得到了普遍重视和广泛应用,并被许多图像处理软件包作为标准的配准算法。
本文主要论述了如何实现图像配准,并利用MATLAB编程实现。
在此基础上,本文主要开展了以下几个方面的研究工作:一、两幅图像所反映的信息必具有某种内在的关联( 互信息) , 随着两幅图像对齐程度的变化,这种关联也随之变化。
当互信息达到最大时,则认为两幅图像已配准,互信息法已经成为图像配准的事实标准。
再利用互信息和Powell 优化算法实现了多模态图像的配准,并且达到了亚像素精度。
二、基于互信息的配准方法直接利用图像的灰度值实现两幅图像间的配准。
三、利用相似性测度是用来度量参考图像和待配准图像中提取的两个特征集之间的相似性,能够衡量每次变换结果优劣的准则,本文应用相似性度量为互信息理论。
四、利用一维搜索就是求目标函数在直线上的极小值点,也称线性搜索。
一维搜索是许多非线性搜索的重要组成部分,是研究的Powell算法的基础。
五、确定搜索空间和搜索策略。
搜索空间与相似性度量密切相关,不同的搜索空间对应不同的相似性度量。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
摘 要: 本文介绍了图像配准的基本原理与方法,然后提出了一种基于互信息 的图像配准方法,并利用 MATLAB 对两幅图像进行了配准实验,通过实验,证 明该方法非常有效,达到了图像配准的目的。 关键词:MATLAB; 信息熵;互信息;图像配准; 中图分类号:TN91 文献标识码:A
3. 图像配准的实现
3.1. 实现过程:
配准所用的图像1为230 *230的核磁共振(MRI )成像,即参考图像,如 图1所示,图像 2为512*512计算机 X射线断层扫描( CT)成像,即待配准图 像,如图2所示。将两幅图像读入 MATLAB[4] ,利用rgb2gray转为灰度图像,并 把数据保存在ima ge.mat 中。
a ,b
2.2. 配准方法
基于互信息的配准方法 [3] 直接利用图像的灰度值实现两幅图像间的配 准,其算法过程如下: 首先根据两幅图像的基本情况预设一个初始参数 x0 ,其中 x0(1) 为裁剪 旋转 x0(3) 角的图像 2 行的第一个索引。x0(2) 为裁剪旋转 x0(3) 角的图像 2 列 的第一个索引,x0(3) 为旋转的角度,x0(4) 为比例因子。然后按照给定的初始 参数对图像 2 进行变换,并计算图像 1 和图像 2 的互信息,然后利用最优化 工具箱中的 fminsearch 函数在 x0 附近寻找使图像 1 和图像 2 互信息最大的 点,直至搜索到满足精度要求的参数;最后输出配准参数。
3.2.2 MI.m
function f= MI(x) %这是ImageRegistration.m子程序, 基于互信息的图像配准方法. load image IM1=double(IM 1); IM2=double(IM 2); IM2=imresize(IM 2, x(4), 'bilinear'); %x(4) 倍IM2大小的图像 J=imrotate(double(IM 2), x(3),'bilinear'); %逆时针旋转x(3) 度 J=abs(J)*255/max(max(J)); [n1 n2]=size(IM 1); [n3 n4]=size(J); if n1>n3-x(1)/2 f=1000; message=strvcat('The scaling factor is too small.', 'Press Ctrl+C to stop.','Increase x0(4) and restart.'); disp('Press Ctrl+C to stop.') Errordlg(message) pause; else if x(1)>n3-n1 x(1)=n3-n1-1; IM1(1:n1, 1:n2)=255; end if x(2)>n4-n2 x(2)=n4-n2-1; IM1(1:n1, 1:n2)=255; end if x(1)<0 x(1)=0; IM1(1:n1, 1:n2)=255; end if x(2)<0 x(2)=0; IM1(1:n1, 1:n2)=255; end xt=1:n1; yt=1:n2; xx=round(xt+x(1)); yy=round(yt+x(2)); IM2=round(J(xx, yy)); %选择图像2的部分去匹配图像1的大小。 rows=size(IM 1,1); cols=size(IM 2,2); N=256; h=zeros(N,N);
参考文献
[1] 高智勇 .钱勇先,林家瑞等 《多模态医学图像配准技术的分类与研究进展》 . 国外医学生物医学工程分 册,2000,23~206 [2] 赵永强,《认知系统中的信息论》.西北工业大学出版社,2009,127~148 [3] 陈显毅,《基于互信息的多模医学图像配准》,琼州学院学报, 第 l5 卷第 5 期,2008,37~40 [4] 刘正君,《MATLAB 科学计算与可视化仿真宝典》电子工业出版社,2009 ,405~409. [5] 董霖,《MATLAB 使用详解》科学出版社,2008 ,116~119.
图1
参考的MRI 图像
图2
待配准的CT图像
- 3 -
然后利用 [x, fval]= fminsearch(@MI,x0) 进行配准 , fminsearch [5] 在 x0 附近寻 找函数MI的最小值,MI 函数值为图像1和变换后图像2的互信息的相反数。运 行该程序后,得出: x = [53.7948 49.6512 -13.5506 0.5379]T fval = -1.3596 Elapsed time is 46.176000 seconds. 并得出了配准后的图像,如图3所示。
- 5 -
for ii=1:rows; for jj=1:cols; h(IM1(ii,jj)+1,IM 2(ii,jj)+1)= h(IM1(ii,jj)+1,IM 2(ii,jj)+1)+1; end end [r,c] = size(h); b= h./(r*c); %正常化的联合直方图 y_marg=sum(b); x_marg=sum(b'); %正常化联合直方图的行的和 %正常化联合直方图的列的和
%图像1的边际熵
%图像2的边际熵
%联合熵
%互信息的相反数,因为主函数要求f的最小值,所以f最小时,互信息最大。
4. 结论
本文介绍了图像配准的基本原理与方法, 然后提出了一种基于互信息的图像 配准方法,并利用 MATLAB 对两幅图像进行了图像配准实验,通过实验,证明 该方法非常有效,达到了图像配准的目的。
Hy=0; for i=1:c; if y_marg(i)~=0 Hy = Hy + -(y_marg(i)*(log2(y_marg(i)))); end end Hx=0; for i=1:r; if x_marg(i)~=0 Hx = Hx + -(x_marg(i)*(log2(x_marg(i)))); end end hxy = -sum(sum(b.*(log2(b+(b==0))))); f = -(Hx+Hy-hxy); end
图3
配准结果
从配准结果可以看出,对图像 2进行顺时针旋转 13.5506 °角 , 压缩0.5379 倍后,两幅图像的互信息达到最大值1.3596 ,此时图像 配准已经完成,整个配准所用时间为46.176秒,所以本文所用的算 法的非常有效,可以满足像素级的配准精度要求。 3.2.所用到的 M 文件及其源代码 .m 3.2.1.ImageRegistration ImageRegistration.m
- 6 -
Image Registration Based on Mutual Information
Wang Guoxing
College of Automation, Northwestern Polytechnical University , Xi 'an, PRC(710129)
1. 引 言
随着医学、计算机技术及生物工程技术的发展,医学影像学为临床诊断 提供了多种模态的医学图像,不同的医学图像提供了相关脏器的不同信息: CT(Computed Tomography,电子计算机 X 射线断层扫描 )和 MRI(Magnetic resona nce ima ging, 核磁共振成像 ) 以较高的空间分辨率提供了脏器的解剖结 构信息。在实际临床应用中,单一模态的图像往往不能提供医生所需要的 足够的信息,通常需要将不同模态的图像融合在一起,得到更丰富的信息, 以便了解病变组织或器官的综合信息,从而做出准确的诊断或制订出合适 的治疗方案。而图像配准是图像融合的重要前提,图像配准是指对一幅图 像进行一定的几何变换而映射到另一幅图像中,使得两幅图像中的相关点 达到空间上的一致。 图像配准主要有两大类方法,基于灰度的方法和基于特征的方法[1] 。基 于灰度的配准方法直接利用图像的灰度数据进行配准, 从而避免了因分割而 带来的误差,因而具有精度较高、鲁棒性强、不需要预处理而能实现自动配 准的特点。在基于灰度的配准方法中,基于互信息的方法包括互信息和归一 化互信息方法,它们已经被广泛使用并具有最高的精度。本文使用的是基于 互信息的配准方法。
Abstract
This paper describes the basic principles and methods of the image registration, and proposes a method of image registration based on mutual information, and do an image registration experiment of two images using MATLAB, through experiments, we can see that the method is very effective, reaching the purposes of image registration..
Keywords : MATLAB; Entropy; Mutual Information; Image Registration
2. 基于互信息的配准方法
2.1.互信息的计算
互信息[2] 是信息论中的一个基本概念,通常用于描述两个系统间的统计 相关性,或者是一个系统中所包含的另一个系统中信息的多少,它可以用信 息熵来描述 : I(A,B)= H(A)+H(B)-H(A,B)
- 2 -
基于互信息的图像配准方法
学院: 专业: 班级: 学号: 姓名:
自动化学院 信息工程专业 09030701 2007302147 王国星