医学图像配准技术 综述
医学图像配准技术
A Survey of Medical Image Registration
张剑戈综述，潘家普审校
（上海第二医科大学生物医学工程教研室，上海 200025）
利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。
图像配准算法
可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。
基于特征的配准算法
这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士
1. 外部特征
在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于1.5mm，角度误差小于3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。
2. 内部特征
从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。Hill DL[4]用11个形态点对脑部配准，误差<1mm，方差为1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重(weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。
表面匹配算法也利用了内部特征[8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使2D/3D图像配准简化为2D曲线和3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法[9]，从头部的3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。
3. 在非刚体配准中的应用
进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是3D轮廓线，使待配准图像
的2D/3D轮廓线在局部外力的“驱动”下逐步变形直至吻合，以实现配准。
弹性模型[10]和粘稠液体模型[11,12]的形变过程由图像参考点的密度差异控制，其形变的范围与密度差异成正比。弹性模型计算量小，但是随着距离的增加，形变误差也会增大。粘稠液体模型的优点在于所需的参考点少，适用于对长距离和小区域的形变。Wang Y[13]等利用统计形状模型得到边界的几何特征，在参考点之间密度差不大时增加“外力”，加大形变。
Krinacou[14]利用生物力学模型配准脑部图像：假设脑部组织只受水平应力的影响，法线上应力为零，灰质、白质符合neo-Hookean材料模型。用点集表示提取出组织轮廓线，将外力作用在这些点上，使组织根据其材料特性移动，逐步形变，与目标组织吻合。
Andresen[15]等人根据动力学的扩散原理(diffusion)，对待配准图像的表面用高斯算子(Guassian kernel)卷积，使之发生形变，逐步收敛到目标图像。在迭代过程中用目标图像的表面对形变的大小加以限制(geometry-constrained)，这种非刚体算法的特点是运算速度快。
基于像素密度的配准算法
待配准影像由像素构成，不同成像模式下的图像纹理和形状有差异，但密度值和空间位置仍具有相关性。根据图像中所有像素密度值和空间位置等参数，构造出代价函数，通过计算代价函数的最优解得到变换参数，而不需要提取图像特征。
1. 主轴算法
主轴法是一种自动配准算法[16,17]，根据体素的密度和空间位置将待配准图像等价为3D椭球，计算椭球的二价矩以得到其质心和主轴。使待配准图像的质心重合，然后以质心为旋转中心，使主轴的方向对齐、主轴的长度相等，得出空间变换参数。主轴法只需要匹配等价椭球的几何特征。
2. 相关性算法
在信号处理中用互相关性衡量不同信号的匹配程度，这一方法可以应用在图像配准过程中[18]，互相关值的大小反映了配准的效果。
Woods RP[19]认为同样的成像模式下得到图像，对应像素的密度值线性相关，可以用密度比值的方差度量相关性。另一种度量方法是利用像素密度、梯度和纹理
等特征：例如建立2D直方图，图中像素的x、y轴的坐标表示待配准图像中密度值，像素值反映了空间中相应像素的个数。在直方图上找出具有最大像素值的几个点，用连接这几点的曲线所围成的区域面积表示误配准的大小，面积小，则相关性大，找到使图像之间相关性最大的空间变换参数，实现图像配准。
这类算法主要应用于脑部图像配准，不需要在配准之前分割图像，可以自动进行。缺点是受到不同模态图像成像特点的影响，同一器官在不同模态的图像中表现出纹理和密度的非线性差异，同时存在着临近器官和组织的像素密度与目标器官相近的情况，使相关性计算缺乏物理意义，因此少用于多模图像配准。
3. 互信息算法
最大互信息算法是近来的研究热点[20,21,22,23]。通过计算待配准图像的熵以及联合熵，得到互信息值。根据定义，图像的熵与图像的位置无关，图像放置准确时，联合熵的值最小，互信息值最大。不同模态图像的密度变化是否成线性关系与求解互信息无关，可以用于多模图像配准。计算互信息时考虑2D直方图中全部像素，算法具有鲁棒性。
最大互信息算法建立在刚体模型基础上，如果配准目标器官发生了形变，配准结果往往不能收敛；互信息算法的计算量比较大，需要有高效的优化算法。
评价配准效果
图像配准得到的是在某种配准原则下的最优结果，评价配准算法的优劣要考虑到精度、准确度、稳定性、可靠性、算法的复杂性和临床可用性等多个方面，其中前两个方面最为重要[24]。由于不能直接使用临床图象加以验证，因此当前主要通过间接的方法对配准算法进行评价。
Timothy[25]等用一个注水的圆柱体模拟头部，并在模型的适当位置加上可成像的标记物，模型在不同位置分别成像；Fitzpatrick[26]在病人的颅骨上固定螺钉，做CT、MRI和PET扫描，根据配准后对应标记点空间距离评估所用配准算法的精度。Evans[27]等人用MRI图像模拟PET图像，人为地旋转、平移、缩放、对图像添加噪音，以验证配准算法的效果。Visible Human的CT、MRI图像具有高分辨率
和清晰的形态结构，同时空间位置明确，常被作为基准数据评估算法。采取模型评价方法的优点是可以精确地得到图像的空间位置，定量地评价算法的精度，但是模型只能是对真实情况的模拟，对非刚体的模拟误差较大。
通过手术和请有关领域的专家对配准的效果作出定性的评判，是常用的算法效果评估方法，虽然主观性强，不能得到定量的结论，但也不失为一种有效的方法。
以上我们对图像配准的基本概念、当前的算法以及配准评价的方法进行了综述，到目前尚没有一个“Golden”的算法可以在所有的情况下实现图像配准。
从应用的角度看，对脑部的研究比较多，配准方法已经成熟，但是对胸腹部的多模态配准，因为脏器的形变以及图像的模糊性，遇到了很多困难：采取交互性的配准方法，过多地依赖操作者的经验；采用非刚体配准算法有计算量大等问题。如何自动地进行非刚体的图像配准是今后这个领域的研究人员努力的方向。
【参考文献】
[1] Maintz JBA, Viergever MA. Asurvey of medical image registration [J]. Medical
Image Analysis, 1998, 2(1): 1-36
[2] Maurer CR, Aboutanos GB, Fitzpatrick JM et al. Estimation of accuracy in
localizing externally attached markers in multimodal volume head images [J].
Medical Imaging:Image Processing, 1993 , 1898: 358-367 ,SPIE Press
[3] Andre G, Wu K. Providing visual information to validate 2-D to 3-D registration [J].
Medical Image Analysis, 2000, 4: 357- 368
[4] Hill DL, Hawkes DJ, Hussain Z, et al. Accurate Frameless Registration of MR and
CT Images of the Head: Applications in Surgery and Radiotherapy Planning [J].
Radiology, 1994, 191:447-454
[5] Meyer CR, Leichtman GS. Simultaneous Usage of Homologous Point, Lines, and
Planes for Optimal, 3-D Linear Registration of Multimodality Imaging Data [J]
IEEE Trans Med. Imaging 1995, 14(1): 1-11
[6] Maurer CR , Fitzpatrick JM. Registration of 3-D Image Using Weighted
Geometrical Features [J].IEEE Trans Med. Imaging, 1996. 15(6.): 863 – 848
[7] Ge Y, Maurer CR, Fitzpatrick JM. Suface-based 3-D image registration using the
iterative closest point algorithm with a closet point transform [J]. Medical
Imaging:Image Processing, 1996 , 2710: 358-367 ,SPIE Press
[8] Hsu L. Automated registration of brain images using edge and surface feature
[J].IEEE Engineering in Medicine and Biology, 1999, 11: 40-47
[9] Chen C, Pelizzari CA, Chen GTY, et al. Image correlation techniques in radiation
therapy planning [J]. Comput Med Image Graphics, 1989, 13: 235-240
[10] Gee JC, Reivicj M, Bajcsy R. Elastically deforming 3D atlas to match anatomical
brain images [J]. Computer Assisted Tomography, 1993, 17: 225-236
[11] Christensen GE, Rabbit RD, Miller MI, et al. Automatic analysis of medical
images using a deformable textbook [J]. Computer Assisted Radiology, 1995a:
146-151
[12] Christensen GE, Rabbit RD, Miller MI, et al. Deformable templates using large
deformation Kinematics [J].IEEE Trans on Image Processing, 1996, 5(10):
1435-1447
[13] Wang Y, Staib LH. Integrated approaches to non-rigid registration in medical
images Workshop on Applications of Computer Vision, Princeton, NJ, 1998,
10:102-108
[14] Krinacou SK, Davatzikos C, Zinreich SJ, et al. Nonlinear Elastic Registration of
Brain Images with Tumor Pathology using a Biomechanical Model [J]. IEEE Trans.
On Medical Imaging, 1999, 18(7):580-592
[15] Andresen PR. Non-rigid registration by geometry-constained diffusion [J].
Medical Image Analysis, 2001(5):81-95
[16] Aratan LK. Three-Dimensional Anatomical Model-based Segmentation of MR
Brain Image through Principal Axes registration [J]. IEEE Trans. On Biomedical Engineering 1995, 42(11): 1069-1078
[17] Atam PD. Iterative principal Axes Registration method for analysis of MR-PET
brain images, IEEE Trans. On Biomedical Engineering, 1995, 42(11): 1079-1087 [18] Lehmann T, Goerke C, Schmitt W, et al. A retation-extended cepstrum technique
optimized by systematic analysis of various sets of X-ray images [J]. Medical
Imaging:Image Processing, 1996 , 2710: 390-401 ,SPIE Press
[19] Woods RP, Maziiotta JC, Cherry SR, et al. MRI-PET registration with automated
algorithm [J]. Comp Assis Tomograph, 1993, 17:536-346
[20] Wells WM, Viola P, Kikinis R, et al. Multi-modal volume registration by
Maximization of mutual information [J]. Medical Image Analysis, 1996, 1(1):
35-51
[21] Meyer CR, Leichtman GS, Brunberg JA,et al. Demonstration of accuracy and
clinical versatility of mutual information for automatic multimodality image fusion using affine and thin plane spline warped geometric deformations [J]. Medical
Image Analysis, 1997, 1(3):195-206
[22] Maes F, Multimodality image registration by Maximization of mutual information
[J]. IEEE Trans. On Medical Imaging, 1997, 16(2): 187-198
[23] Maes F, Vandermeulen D, Suetens P. Comparative evaluation of multiresolution
optimization strategies for multimodality image registration by maximization of mutual information [J]. Medical Image Analysis, 1999, 3(12): 373-386
[24] West https://www.360docs.net/doc/5199497.html,parison and evalution of retrospective intermodality image registration
technique [J]. Medical Imaging:Image Processing, 1996 , 2710: 332-347 ,SPIE
Press
[25] Timothy GT, Ronald JJ. Accuracy of Registration of PET, SPECT and MR
Images of a Brain Phantom [J]. Nucl med 1993, 34(9): 1587-1594
[26] Ge Y, Fitzpatrick JM. Retrospective registration of PET and MR brain images: An
algorithm and its stereotactic validation [J] J Compute Assistant Tomograph, 1994, 18: 800-810
[27] Evans AC, Collins DL, Nellin P, et al. Correlative analysis of three-dimessional
brain images Computer-intergrates Surgery, Technology and Clinical Applications, 1996, 99-144, MIT Press
遥感图像的几何校正(配准)
遥感图像的几何校正（配准） 1.实验目的与任务： （1）了解几何校正的原理； （2）学习使用ENVI软件进行几何校正； 2.实验设备与数据： 设备：遥感图像处理系统ENVI 数据：TM数据 3 几何校正的过程： 注意：几何校正一种是影像对影像，一种是影像对地图，下面介绍的是影像对影像的配 准或几何校正。 1.打开参考影像（base）和待校正影像：分别打开，即在display#1,display#2中打开；2．在主菜单上选择map->Registration->select GCPs：image to image 3.出现窗口Image to Image Registration，分别在两边选中DISPLAY 1（左）,和DISPLAY 2（右）。BASE图像指参考图像而warp则指待校正影像。选择OK! 4.现在就可以加点了：将两边的影像十字线焦点对准到自己认为是同一地物的地方， 就可以选择ADD POINT添加点了。（PS：看不清出别忘记放大）如果要放弃该点选择 右下脚的delete last point，或者点show point弹出image to image gcp list窗口，从中选择 你要删除的点，也可以进行其他很多操作，自己慢慢研究，呵呵。选好4个点后就可以 预测：把十字叉放在参考影像某个地物，点选predict则待校正影像就会自动跳转到与参 考影像相对应的位置，而后再进行适当的调整并选点。 5.选点结束后，首先把点保存了：ground control points->file->save gcp as ASCII.. 当然你没有选完点也可以保存，下次就直接启用就可以：ground control points->file->restore gcps from ASCII... 6.接下来就是进行校正了：在ground control points.对话框中选择： options->warp file(as image to map) 在出现的imput warp image中选中你要校正的影像，点ok进入registration parameters 对话框： 首先点change proj按钮，选择坐标系 然后更改象素的大小，如果本身就是你所需要大小则不用改了 最后选择重采样方法（resampling）,一般都是选择双线性的（bilinear），最后的最后选择保存路径就OK了
医学图像分割综述
医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可
医学图像配准
《数字医学图像》报告 内容：图像配准专题 专业： 2012级信息管理与信息系统班级：信管一班 小组成员： 20120701020 韩望欣 20120701008 毕卓帅 20120701005 胡庆 指导老师：彭瑜 完成日期： 2015 年 10月 25日
图像配准专题 简介：图像配准是对取自不同时间，不同传感器或不同视角的同一场景的两幅图像或者多幅图像匹配的过程。图像配准广泛用于多模态图像分析，是医学图像处理的一个重要分支，也是遥感图像处理，目标识别，图像重建，机器人视觉等领域中的关键技术之一，也是图像融合中要预处理的问题，待融合图像之间往往存在偏移、旋转、比例等空间变换关系，图像配准就是将这些图像变换到同一坐标系下，以供融合使用。 一：图像配准方法国内外进展情况 图像配准最早在美国七十年代的飞行器辅助导航系统、武器投射系统的末端制导以及寻地等应用研究中提出,并得到军方的大力支持与赞助。经过长达二十多年的研究,最终成功地用于中程导弹及战斧式巡航导弹上,使其弹着点平均圆误差半径不超过十几米,从而大大提高了导弹的命中率。八十年代后,在很多领域都有大量配准技术的应用,如遥感领域,模式识别,自动导航,医学诊断,计算机视觉等。各个领域的配准技术都是对各自具体的应用背景结合实际情况量身订制的技术。但是不同领域的配准技术之间在理论方法上又具有很大的相似性,从而使得在某领域的配准技术很容易移植到其它相关领域。目前国内外研究图像配准技术比较多的应用领域有红外图像处理、遥感图像处理、数字地图定位和医学图像处理等领域。 二、图像配准在医学领域的应用 20世纪以来随着计算机技术的不断发展,医学成像技术得到了快速的发展。尖端的新型医疗影像设备层出不穷,如计算机线摄影、数字减影等等,这些已经成为现代医学诊断必不可少的医学数字成像手段。由于这些医学数字成像设备有不同的灵敏度和分辨率,它们有各自的使用范围和局限性。多种模式图像的结合能充分利用图像自身的特点并做到信息互补。近几十年以来,图像配准在医学上的应用日益受到医学界和工程界的重视,己在世界范围广泛展开,在相关文献中己经提出了很多种医学图像配准的方法,这些研究成果广泛地运用到医学领域中。图像配准在医学中的应用领域主要有以下几方面: ?组织切片图像的处理与显微结构三维重建 ?疾病诊断及其发展和消退的过程检测 ?神经外科手术可视化、神经外科手术一计划及术前评估 ?感觉运动和认知过程的神经功能解剖学研究 ?神经解剖变异性的形态测量分析学 ?放射治疗和立体定向放射外科治疗计划 三、图像配准的定义 对于二维图像配准可定义为两幅图像在空间和灰度上的映射，如果给定尺寸的二维矩阵F 1和F2代表两幅图像F1（X，Y）和F2（X，Y）分别表示相应位置（X，Y）上的灰度值。则图像间的映射可表示为：F （X，Y）=G（F （H（X，Y））），式中H表示一个二维空间坐标变换，即（X’，Y’）=H（X，Y），且G是一维灰度变换。 四、图像配准方法的分类 1、维数 主要是根据待配准图像的空间维数及时间维数来划分的。图像仅含空间维数或者是图像的时间序列中带有空间数，其配准可根据图像的空间维数分2D/2D，2D/3D，3D/3D，4D/4D
ERDAS遥感影像配准
ERDAS遥感影像配准的操作步骤 1.在viewer模块里打开你的正确得影像。 2.点击dataprep模块，打开他下面得image geometric correction子模块， 3.选择from image file，选择你要配得图像，打开 4.在出现得set geometric model里选择第2个polyonial 5.在下面得对话框里有个polynomial order 一般选2就可以 6. 然后应用，在close那个对话框 7.在下面得对话筐里，选第一个 8.出现一个小的对话框，不用管他，点击你第一步打开得准确得图像界面，就可以配准了 9.在你得准确图像里面点击一个点，然后转到你的需要配的图象里面找与他相似的点，点击，选够6个点后，在gcp tool 那个界面里面将出现误差参数，可以看你得点是不是准确。这6个点是控制点，所以你选择时应该分散开，尽量在全图范围里找。 10.然后选择其他点越多越好 11.如果你不想那样麻烦的找，你可以在任何一幅图像上点击鼠标右键，然后选择geo。link/unlink选项，那样子的话，你只需要在一个图象里点点，机器自动给你在另一个里
面找，不过头六个点不会出现误差参数，从第七个点开始会出现误差参数，如果误差太大，你必须在修改。 12.在你配完后，在geo correction tools里面点击第3个图标就ok 13.如果你配准到中间要休息，需要保存gcp tools对话框，下次在匹配直接打开就行。 14.配准完后得总误差也就是那个rms误差必须在0.5个像元以里。这样ERDAS遥感影像配准的操作步骤工作完毕，你的图就ok
医学图像处理综述
医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。 （1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。 （2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展
过程中。 （3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。 （4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分
图像处理论文
图像处理技术近期发展及应用 摘要：图像处理技术的研究和应用越来越收到社会发展的影响，并以自身的技术特点反过来影响整个社会技术的进步。本文主要简单概括了数字图像处理技术近期的发展及应用现状，列举了数字图像处理技术的主要优点和制约其发展的因素，同时设想了图像处理技术在未来的应用和发展。 关键字：图像处理发展技术应用 1.概述 1.1图像的概念 图像包含了它所表达的物体的描述信息。我们生活在一个信息时代，科学研究和统计表明，人类从外界获得的信息约有百分之七十来自视觉系统，也就是从图像中获得，即我们平常所熟知的照片，绘画，动画。视像等。 1.2图像处理技术 图像处理技术着重强调在图像之间进行的变换，主要目标是要对图像进行各种加工以改善图像的视觉效果并为其后的目标自动识别打基础，或对图像进行压缩编码以减少图像存储所需要的空间或图像传输所需的时间。图像处理是比较低层的操作，它主要在图像像素级上进行处理，处理的数据量非常大。 1.3优点分析 1．再现性好。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。 2．处理精度高。按目前的技术，几乎可将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。 3．适用面宽。图像可以来自多种信息源，它们可以是可见光图像，也可以是不可见的波谱图像（例如X射线图像、射线图像、超声波图像或红外图像等）。从图像反映的客观实体尺度看，可以小到电子显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。即只要针对不同的图像信息源，采取相应的图像信息采集措施，图像的数字处理方法适用于任何一种图像。 4．灵活性高。图像处理大体上可分为图像的像质改善、图像分析和图像重建三大部分，每一部分均包含丰富的内容。而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 2.近期发展及应用领域
医学图像配准技术 综述
医学图像配准技术 A Survey of Medical Image Registration 张剑戈综述，潘家普审校 （上海第二医科大学生物医学工程教研室，上海 200025） 利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。 图像配准算法 可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。 基于特征的配准算法 这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士 1. 外部特征 在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于1.5mm，角度误差小于3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。 2. 内部特征 从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。Hill DL[4]用11个形态点对脑部配准，误差<1mm，方差为1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重(weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。 表面匹配算法也利用了内部特征[8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使2D/3D图像配准简化为2D曲线和3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法[9]，从头部的3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。 3. 在非刚体配准中的应用 进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是3D轮廓线，使待配准图像
ENVI遥感图像配准实验报告
ENVI遥感图像配准 一、实验目的： 1、掌握ENVI软件的基本操作和对图像进行基本处理，包括打开图像，保存图像。 2、初步了解图像配准的基本流程及采用不同校准及采样方法生成匹配影像的特点。 3、深刻理解和巩固基本理论知识，掌握基本技能和动手操作能力，提高综合分析问题的能力。 二、实验原理 （1）最邻近法 最邻近法是将最邻近的像元值赋予新像元。该方法优点是输出图像仍然保持原来图像的像元值，简单，处理速度快。缺点就是会产生半个像元位置偏移，可能造成输出图像中某些地物的不连贯。适用于表示分类或某种专题的离散数据，如土地利用，植被类型等。
双线性插方法是使用临近4个点的像元值，按照其距插点的距离赋予不同的权重，进行线性插。该方法具有平均化的滤波效果，边缘受到平滑作用，而产生一个比较连贯的输出图像，其缺点是破坏了原来的像元值，在后来的波谱识别分类分析中，会引起一些问题。 示意图： 由梯形计算公式： 故 同理 最终得：
三次卷积插法是一种精度较高的方法，通过增加参与计算的邻近像元的数目达到最佳的重采样结果。使用采样点到周围16邻域像元距离加权计算栅格值，方法与双线性插相似，先在Y 方向插四次（或X 方向），再在X 方向（或Y 方向）插四次，最终得到该像元的栅格值。该方法会加强栅格的细节表现，但是算法复杂，计算量大，同样会改变原来的栅格值，且有可能会超出输入栅格的值域围。适用于航片和遥感影像的重采样。 作为对双线性插法的改进，即“不仅考虑到四个直接邻点灰度值的影响，还考虑到各邻点间灰度值变化率的影响”，立方卷积法利用了待采样点周围更大邻域像素的灰度值作三次插值。其三次多项式表示为： 我们可以设需要计算点的灰度值f（x,y）为：
医学切片图像的配准
中国科学技术大学 硕士学位论文
University of Science and Technology of China A dissertation for master’s degree
中国科学技术大学学位论文原创性声明 本人声明所呈交的学位论文,是本人在导师指导下进行研究工作所取得的成果。除已特别加以标注和致谢的地方外，论文中不包含任何他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的贡献均已在论文中作了明确的说明。 作者签名：___________ 签字日期：_______________ 中国科学技术大学学位论文授权使用声明 作为申请学位的条件之一，学位论文著作权拥有者授权中国科学技术大学拥有学位论文的部分使用权，即：学校有权按有关规定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，可以将学位论文编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。本人提交的电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 □公开 □保密（____年） 作者签名：_______________ 导师签名：_______________ 签字日期：_______________ 签字日期：_______________
摘 要 医学影像处理是一个具有很强应用前景的研究领域，在医学诊断、临床治疗等方面起着重要的作用。其研究内容是对所采集获取的医学数据（包括CT、MRI、PET及组织切片图像）进行分析、变换、显示等操作，以使人们能清楚地认识蕴涵在数据中的复杂结构。 由于制片和图像采集等原因，序列数字切片图像的每两层间都会存在错位现象，即平移和旋转等变换。基于切片数据的建模分析，其第一步就要对上下相邻层切片图像进行配准，即通过图像的几何变换来完成校准。本文将从图像边缘曲线匹配的角度来处理医学切片数据（人体躯干部位）相邻层之间的配准校正问题。 本文首先综述两种基本的医学图像配准方法：基于点的刚体变换配准算法、最大互信息法。在此基础上，我们给出一种新的医学切片图像数据匹配方法。第一步，计算图像的加权质心，求得图像的PCA坐标轴，并将配准图与参考图坐标轴重合，从而给出图像的全局粗匹配。第二步，在配准图像边缘取采样点，确定其在参考图中的最近点并计算过该点的切线和法向量，并由采样点到参考图的切向距离极小化(TDM)模型求出相应几何变换，通过迭代获得局部精细配准。 数值实验表明，本文所提的匹配方法能很好地实现医学切片数据相邻层之间的高精度配准，而且相对于其它方法（如最大互信息法）可较大程度地减少计算量。
ebnnuqc医学_图像处理技术
^ | You have to believe, there is a way. The ancients said:" the kingdom of heaven is trying to enter". Only when the reluctant step by step to go to it 's time, must be managed to get one step down, only have struggled to achieve it. -- Guo Ge Tech 医学图像处理技术 摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对 人体部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明 曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的 准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。
多时相遥感图像配准实验报告
Harbin Institute of Technology 多时相遥感图像配准 实验报告 课程名称：遥感信息处理导论 院系：电子与信息工程学院 姓名： 学号： 授课教师： 哈尔滨工业大学
1. 实验目的 对于通过遥感平台获取的遥感数字影像，由于扫描过程中受地球曲率、地球自转、平台姿态、扫描方式等因素的影响，所获取的图像往往会产生不同程度的几何误差，这些误差如若不经处理，对图像的后续应用如分类、目标检测等会产生很大影响。本实验的目的就是利用多项式映射和重采样等方法对两幅不同时间采集的遥感图像进行几何校正处理，从而方便从配准图像中找到不同时相内发生变化的地物目标信息。 2. 实验原理 图像的配准过程主要可以分为三个过程：控制点对选取（自动或手动）、坐标映射函数拟合、映射后像素重采样。 1) 控制点对选取 对于图像匹配过程，首先要通过控制点对建立两幅图像间的坐标联系。控制点的选取有可分为自动和手动两种方式。对于自动选取，可以采用SIFT 等算法实现；对于手动选取，需要实验人员通过目测观察的方法找到不同时相的遥感图像中的相同目标，这些控制点可以是建筑物的顶点、道路等的交叉点等或其他较容易分辨的位置。 选出控制点后将这些点的坐标信息记录下来，值得注意的是所选控制点的数量、分布情况以及精度会直接影响配准结果的精度和质量。 2) 图像几何校正 图像的配准实质上就是通过图像的几何校正，将产生几何失真的图像转换为标准的数字图像。采用的方法就是通过一定的映射函数将原图像的像素坐标转换为标准图像中的坐标 (,)u f x y = (,)v g x y = 其中(,)x y 表示原图像中的像素坐标值，(,)u v 表示参考图像中的像素坐标值。 映射函数的选择可以有多种形式，一般较为简单常用的是多项式函数，以二次多项式函数为例，映射函数的具体形式为 22 01234522 012345u a a x a y a xy a x a y v b b x b y b xy b x b y ?=+++++?=+++++? 其中，05, ,a a ，05,,b b 分别表示二次多项式横纵坐标映射函数中对应项的系 数，通过选定控制点，可以将这些系数项求解出来。 假设在两幅图像中总共选择了n 对控制点，根据n 对控制点的坐标 (,)~(,)i i i i x y u v 可以得到如下两个方程组，
(完整版)卫星图像处理流程
卫星图像处理流程 一．图像预处理 1．降噪处理 由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。 （1）除周期性噪声和尖锐性噪声 周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。 消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。 图1 消除噪声前
图2 消除噪声后 （2）除坏线和条带 去除遥感图像中的坏线。遥感图像中通常会出现与扫描方向平行的条带，还有一些与辐射信号无关的条带噪声，一般称为坏线。一般采用傅里叶变换和低通滤波进行消除或减弱。 图3 去条纹前
图4 去条纹后 图5 去条带前
图6 去条带后 2．薄云处理 由于天气原因，对于有些遥感图形中出现的薄云可以进行减弱处理。 3．阴影处理 由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进行消除。二．几何纠正 通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进行几何精纠正，在地形起伏较大地区，还必须对其进行正射纠正。特殊情况下还须对遥感图像进行大气纠正，此处不做阐述。 1．图像配准 为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。（1）影像对栅格图像的配准 将一幅遥感影像配准到相同地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。
基于SIFT的遥感图像配准方法
第22卷 第12期2009年12月 传感技术学报 CHIN ES E JO URN AL O F SENS ORS AND ACTUATO RS Vol.22 No.12D ec.2009 项目来源:国家自然科学基金资助(60802084)收稿日期:2009 07 20 修改日期:2009 08 06 Remote Sensing Image Registration Algorithm Based on SIFT * DEN G Chuanbin 1,G UO L ei 1*,L I Wei 2 1.Dep ar tmetn of Au tomation,N orthw este rn P olytechnical Univ er sity ,X i an,710129China; 2.Dep ar tmetn of Electronic s and Inf or mation E ngineer ing ,X i an T ec hnological Univ ersity ,X i an 710032,China Abstract:To reso lve m ulti sensor remo te sensing image registration,an method based on scale invariant fea tures tr ansfor m(SIFT )is proposed.First,the local invariant features of images are ex tracted,Ratio of the first and the second near est neig hbor distance w ith m utual corr espo ndence co nstr aint is used to setup the initial co rrespondences.T hen,Random Sample Concensus alg orithm is used to rem ove the mism atched fea ture points.Experiments demonstrate automatic registration of multi senso r remote sensing images and im ag es w ith different resolutions can be achiv ed. Key words:im age registr ation;scale inv ar iant features transform;mutual correspond dence constraint;Ran dom Sam ple Co ncensus EEACC :7230G 基于SIFT 的遥感图像配准方法 * 邓传斌1,郭 雷1*,李 维2 1.西北工业大学自动化学院,西安710129; 2.西安工业大学电子信息工程学院,西安710032 摘 要:针对多传感器遥感图像配准问题,改进了一种基于SIF T 的图像自动配准方法。首先提取图像中适应尺度变化的局 部不变特征点,提出了利用最近邻特征点距离与次近邻特征点距离之比的互对应约束得到初始匹配点对,然后利用R A NSA C (Rando m Sample Co ncensus)算法删除误匹配特征点对。试验结果表明:该方法能够实现多传感器遥感图像和不同分辨率图像的自动配准。 关键词:图像配准;SIFT ;互对应约束;RA NSA C 中图分类号:TP391 4 文献标识码:A 文章编号:1004 1699(2009)12 1742 06 图像配准是同一场景的两幅或多幅图像在空间上的对准。它在医学,遥感图像分析、图像融合、图像检索、目标识别等领域得到广泛的应用。同时它 也是多传感器图像融合、遥感图像镶嵌、目标变化检测、三维重建等领域中提高精度和有效性的瓶颈,是必需的前期工作。图像配准方法分为基于图像灰度和基于图像特征的配准。基于图像灰度的配准方法实现简单,但配准速度比较慢。基于图像特征的配准方法有效地消除了由于背景或局部环境、光照等造成的局部辐射失真引起的误匹配,对图像的旋转、缩放和光照强度变化等不敏感,对含有一定噪声和 轻微扭曲的图像可以进行配准,配准的速度较快。缺点是算法复杂,而且往往由于特征提取的不完全,导致匹配率较低 [1] 。目前,对于同一传感器、不同时 段、视角变化不大的卫星遥感图像的匹配技术已经比较成熟,提取了一些经典特征提取算法。比如:Susan 算子、H arris 算子等[2] 。对于不同分辨率、多 传感器图像之间的配准是目前研究的热点和难 点 [3] 。目前提出的方法大多是基于多尺度H arris 角点检测特征提取算法的图像匹配技术[4]。 本文采用尺度不变特征点来配准多传感器图像和不同分辨率图像。配准过程包括:不变特征点的
遥感图像处理 图像配准、图像裁剪 实验报告
Lab3 geometric correction and projection transformation of remotely sensed data Objective : The purpose of the current lab section is to adequately understand the mathematic principles and methods of geometric correction (co-registration) and projection transformation . In addition,you guys need to gain hands-on experience or skill to perform them in ENVI and ERDAS environments. 实验过程： 一、envi中图像配准 1、根据控制点的坐标对图像进行配准 1）加载中山陵地形图 2) 选择map 菜单下的registration菜单，选择select gcps:image to map 设置投影信息：基于经纬度的投影(geographic lat/lon)，选择基准面为WGS—84
3）开始配准 依次移动一级窗口中的光标到四个图廓点的位置，在三级放大窗口中把十字司放在经纬线的交点的中间位置，输入该点的经纬度于编辑对话框中：
点击add point，完成对控制点的编辑 4）选择option菜单下的wrap file将配准好的地图生成一幅新的影像
修改生成图像信息，改为50带的UTM投影，基准面为WGS-84，保存 2、图像到图像的配准 1）加载全色波段影像作为待配准的影像
医学图像处理技术综述
2009年第1期 福建电脑 医学图像处理技术综述 周贤善 (长江大学计算机科学学院湖北荆州434023) 【摘要】：医学影像已成为医学技术中发展最快的领域之一，临床医生在医学图象处理技术的帮助下，对人体内部病变部位的观察更直接、更清晰，确诊率也更高。本文对图像分割、图像配准和图像融合等医学图像处理技术的现状和发展进行了综述。 【关键词】：医学图像处理；图像分割；图像配准；图像融合 0、引言 医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像模式主要分为X-射线成像（X-CT）、核磁共振成像（MRI）、核医学成像（NMI）和超声波成像（UI）四类。在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体，这往往需要借助医生的经验来判定。利用计算机图象处理技术对二维切片图象进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析，从而大大提高医疗诊断的准确性和可靠性；在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。医学图像处理技术包括很多方面，本文主要从图像分割、图像配准、图像融合技术方面进行介绍。 1、图像分割 医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前，主要以各种细胞、组织与器官的图像作为处理的对象。传统的图像分割技术有基于区域的分割方法和基于边界的分割方法，前者依赖于图像的空间局部特征，如灰度、纹理及其它象素统计特性的均匀性等，后者主要是利用梯度信息确定目标的边界。结合特定的理论工具，图象分割技术有了更进一步的发展。比如基于三维可视化系统结合FastMarching 算法和Watershed变换的医学图象分割方法，能得到快速、准确的分割结果[1]。 近年来，随着其它新兴学科的发展，产生了一些全新的图像分割技术。如基于统计学的方法、基于模糊理论的方法、基于神经网络的方法、基于小波分析的方法、基于模型的snake模型(动态轮廓模型)、组合优化模型等方法。虽然不断有新的分割方法被提出，但结果都不是很理想。目前研究的热点是一种基于知识的分割方法，即通过某种手段将一些先验的知识导入分割过程中，从而约束计算机的分割过程，使得分割结果控制在我们所能认识的范围内而不至于太离谱[2]。比如在肝内部肿块与正常肝灰度值差别很大时，不至于将肿块与正常肝看成2个独立的组织。 医学图像分割方法的研究具有如下显著特点：现有任何一种单独的图像分割算法都难以对一般图像取得比较满意的结果，要更加注重多种分割算法的有效结合；由于人体解剖结构的复杂性和功能的系统性，虽然已有研究通过医学图像的自动分割区分出所需的器官、组织或找到病变区的方法[3]，但目前现成的软件包一般无法完成全自动的分割，尚需要解剖学方面的人工干预[4]。在目前无法完全由计算机来完成图像分割任务的情况下，人机交互式分割方法逐渐成为研究重点；新的分割方法的研究主要以自动、精确、快速、自适应和鲁棒性等几个方向作为研究目标，经典分割技术与现代分割技术的综合利用(集成技术)是今后医学图像分割技术的发展方向。 2、图像配准 图象配准是图象融合的前提,是公认难度较大的图象处理技术,也是决定医学图象融合技术发展的关键技术。在临床诊断中,单一模态的图像往往不能提供医生所需要的足够信息，常需将多种模式或同一模式的多次成像通过配准融合来实现感兴趣区的信息互补。在一幅图像上同时表达来自多种成像源的信息，医生就能做出更加准确的诊断或制定出更加合适的治疗方法。医学图像配准包括图像的定位和转换,即通过寻找一种空间变换使两幅图像对应点达到空间位置和解剖结构上的完全一致。要求配准的结构能使两幅图象上所有的解剖点，或至少是所有具有诊断意义以及手术区域的点都达到匹配[5]。1993年Petra等综述了二维图像的配准方法,并根据配准基准的特性,将图像配准的方法分为基于外部特征的图象配准(有框架)和基于图象内部特征的图象配准(无框架)两种方法。后者由于其无创性和可回溯性,已成为配准算法的研究中心。 近年来,医学图像配准技术有了新的进展,在配准方法上应用了信息学的理论和方法,例如应用最大化的互信息量作为配准准则进行图像的配准,基于互信息的弹性形变模型也逐渐成为研究热点[6]。在配准对象方面从二维图像发展到三维多模医学图像的配准。一些新算法，如基于小波变换的算法、统计学参数绘图算法、遗传算法等，在医学图像上的应用也在不断扩展。向快速和准确方面改进算法,使用最优化策略改进图像配准以及对非刚性图像配准的研究是今后医学图像配准技术的发展方向。 3、图像融合 图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提高图像的可读性，对多幅图像间的互补信息的处理来提高图像的清晰度。多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起，可以为临床提供更加全面和准确的资料。融合图像的创建分为图像数据的融合与融合图像的显示两部分来完成。目前，图像数据融合主要有以像素为基础的方法和以图像特征为基础的方法。前者是对图像进行逐点处理,把两幅图像对应像素点的灰度值进行加权求和、灰度取大或者灰度取小等操作，算法实现比较简单,不过实现效果和效率都相对较差，融合后图像会出现一定程度的模糊。后者要对图像进行特征提取、目标分割等处理,用到的算法原理复杂，但是实现效果却比较理想。融合图像的显示常用的有伪彩色显示法、断层显示法和三维显示法等。伪彩色显示一般以某个图像为基准,用灰度色阶显示,另一幅图像叠加在基准图像上,用彩色色阶显示。断层显示法常用于某些特定图像,可以将融合后的三维数据以横断面、冠状面和矢状面断层图像同步地显示,便于观察者进行诊断。三维显示法是将融合后数据以三维图像的形式显示，使观察者可更直观地观察病灶的空间解剖位置，这在外科手术设计和放疗计划制定中有重要意义。 在图像融合技术研究中,不断有新的方法出现，其中小波变换、基于有限元分析的非线性配准以及人工智能技术在图像融合中的应用将是今后图像融合研究的热点与方向。随着三维重建显示技术的发展,三维图像融合技术的研究也越来越受到重视，三维图像的融合和信息表达,也将是图像融合研究的一个重点。 在计算机辅助图像处理的基础上，开发出综（下转第33页） 34
图像配准算法综述
杭州电子科技大学 毕业设计（论文）文献综述 毕业设计题目SIFT特征研究及应用 文献综述题目图像配准算法综述学院生命信息及仪器工程学院 专业电子信息技术及仪器 姓名 班级 学号 指导教师
图像配准算法综述 一．前言 图像配准是指找出场景中同一物体表面的结构点在不同图像上的投影像素点之间的对应关系，是图像信息处理领域中一项非常重要的技术，同时也是其它一些图像分析技术，如立体视觉、运动分析、数据融合等的基础。 目前图像配准广泛应用于虚拟现实、视频压缩、图像复原、图像数据库检索等技术中。图像配准的研究是计算机视觉中最困难也是最重要的任务之一。不同的图像配准方法总是对应于某种适用的图像变换模型，其核心问题是提高配准的速度、精度和算法的稳健度。 随着科学技术的发展现在约40%的机器视觉应用中都会使用图像匹配技术，所涉及的领域有：工业检测，导弹的地形匹配，光学和雷达的图像跟踪，交通管理，工业流水线的自动监控、工业仪表的自动监控，医疗诊断，资源分析，气象预报，文字识别以及图像检索等。 图像匹配研究按其处理步骤可以分为样本采集、样本预处理、样本分割、样本的特征提取等，并且与计算机视觉、多维信号处理和数值计算方法等紧密结合。它也是其它一些图像分析技术，如立休视觉、运动分析、数据融合等的基础。正因为其应用的广泛性，新的应用和新的要求逐步产生，使得匹配算法的研究逐步走向深入，出现了快速、稳定、鲁棒性好的匹配算法。因此，研究图像的匹配算法对于如何提高实际工程中的图像处理质量和识别精度具有非常重要的意义。 本文主要分析图像匹配常用方法的优点和不足之处，讨论了图像匹配中需要进一步研究和解决的问题。 二．图像配准算法的研究现状 图像配准是立体视觉、运动分析、数掘融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。国内外学者针对不同的图像配准应用问题进行了大量的研究工作，早在1992年英国剑桥大学的Lisa Gottesfeld Brown在文献[1]习中就总结了图像配准的主要理论及图像配准在各个领域的应用。当时他讨论的图像配准技术主要还是著眼于医学图像处理、遥感图像处理等传统应用领域。图像配准是图像镶嵌技术的核心问题。 微软研究院的Richard Szeliski在1996年SIGGRAPH上提出了基于运动模型的全景图拼接算法[7]。Szeliski采用了非线性优化的方法来最小化像素两幅图像的亮度差以确定变换参数。该方法使用了全部像素进行优化处理，所以配准精度较高，但是计算速度较慢，且稳健性不佳。 国内的赵向阳。杜立民在2004年提出了一种基于特征点匹配的图像自动拼接算法[2]，其中使用了Harris算法[3]提取角点并进行匹配。赵的算法采用了鲁棒变换估计技术，在一定程度上提高配准算法的稳健性，但是计算速度依然较慢，且无法配准重