基于区域互信息的特征级多光谱图像配准
Matlab中的图像配准算法解析
Matlab中的图像配准算法解析图像配准是计算机视觉和图像处理领域中一项重要的任务，它可以将多幅图像进行对齐，使它们在几何和视觉上更加一致。
在Matlab中，有多种图像配准算法可以使用，包括基于特征匹配的方法、基于区域的方法以及基于相位相关的方法。
本文将对这些算法进行解析，并探讨它们的原理和应用。
一、基于特征匹配的图像配准算法1.1 SIFT算法尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）是一种常用的特征提取算法，它通过检测图像中的稳定特征点，并计算这些特征点的描述子来实现图像匹配。
在Matlab中，可以使用vl_feat工具包实现SIFT算法。
1.2 SURF算法加速稳健特征（Speeded-Up Robust Features，SURF）是一种基于尺度空间的特征提取算法，它可以在不同尺度下检测图像中的稳定特征点，并计算这些特征点的描述子。
在Matlab中，可以使用图像拼接工具箱中的SURF函数实现SURF算法。
二、基于区域的图像配准算法2.1 形态学图像配准形态学图像配准是一种基于区域的图像配准算法，它通过对图像进行分割和形态学变换，在不同尺度下提取图像的结构信息，并将其对齐。
在Matlab中，可以使用图像处理工具箱中的形态学变换函数实现形态学图像配准。
2.2 相关性图像配准相关性图像配准是一种基于相似度测量的图像配准算法，它通过计算图像之间的相似性来实现图像对齐。
在Matlab中，可以使用imregister函数实现相关性图像配准。
三、基于相位相关的图像配准算法相位相关图像配准是一种基于相位信息的图像配准算法，它通过计算图像频率域中的相位相关性来实现图像对齐。
在Matlab中，可以使用图像处理工具箱中的相位相关函数实现相位相关图像配准。
四、图像配准算法的应用图像配准在很多领域都有广泛的应用，例如医学影像配准、遥感图像配准和计算机视觉中的对象追踪等。
医学图像处理中的图像配准方法探析
医学图像处理中的图像配准方法探析近年来，随着医学技术的不断发展，图像配准作为重要的医学图像处理方法之一，在医疗领域中得到了广泛应用。
图像配准可以将多个不同时间、不同成像设备获得的医学图像进行对齐，以便医生能够更准确地分析和诊断疾病，提高医疗效果。
本文将对医学图像处理中的图像配准方法进行探析。
一、基于特征的配准方法基于特征的配准方法是一种常用且有效的图像配准方法。
该方法通过寻找图像中显著的特征点，比如角点、边缘等，并计算这些特征点的相互关系来进行配准。
常用的特征提取算法包括SIFT、SURF和ORB等。
这些算法能够提取出图像中的稳定且能够描述图像内容的特征点，从而实现图像的配准。
二、基于像素的配准方法基于像素的配准方法是另一种常用的图像配准方法。
该方法通过计算图像之间像素值的相似性，从而实现图像的对齐。
基于像素的配准方法通常包括灰度相关性、互信息和归一化互相关等算法。
这些算法能够计算不同图像之间的相似性度量，从而实现图像的配准。
三、多模态图像配准方法在医学图像处理中，由于成像设备和成像模式的不同，常常会出现多模态的医学图像。
多模态图像配准是一种将不同成像模式下的图像进行对齐的方法。
常用的多模态图像配准方法包括基于特征的方法和基于像素的方法。
基于特征的方法通过提取图像中的特征点，并计算这些特征点在不同模态图像中的相互关系来实现配准。
而基于像素的方法则通过计算图像之间的相似度来实现多模态图像的配准。
四、局部图像配准方法局部图像配准方法是一种针对图像局部区域进行配准的方法。
在医学图像处理中，由于图像可能存在变形、畸变等问题，全局的图像配准方法可能会出现不准确的情况。
因此，局部图像配准方法可以有效解决这些问题。
局部图像配准方法通常包括局部特征匹配、局部变形模型和局部优化等算法。
这些算法能够针对特定区域进行配准，提高医学图像处理的准确性。
总结起来，医学图像处理中的图像配准方法有基于特征的方法、基于像素的方法、多模态图像配准方法和局部图像配准方法等。
基于特征点互信息预配准的医学图像配准技术
Ｍ ｅ ｉ ａ ｍ ａ ｅ Ｒｅ ｉ ｔ ａ ｉ ｎ Ｂａ ｅ ｎ Ｆｅ ｔ ｒ ｉ ｅ ｒ ｇ ｓ ｒ ｔｏ ｔ ａ ｅ ｙ ｄ ｃ ｌＩ ｇ ｇ ｓ ｒ ｔｏ ｓ ｄ ｏ ａ ｕ ｅ Ｐｏ ｎｔＰｒ — ｅ ｉ ｔ ａ ｉ ｎ Ｓ ｒ ｔ ｇ
Ｗｕ Ｙａ ｕ Ｚｈ ｕ Ｚｈ ｎ ｄ ｎ ｊ ｎ， ｏ ｅ ｇ ｏ ｇ，Ｄａ ｏ ｏ ｇ ｉＹａ ｄ ｎ
准 实验 证 明 ， 算 法 在 保 证 了 配 准精 度 的 同 时 ， 高 了配 准 的 速 度 ， 健 性 更 强 ， 有 临床 推 广价 值 。 该 提 稳 具
关 键 词 ： 信 息 ； 部 极值 ； 合 优 化 ； 征 点 ； 配 准 互 局 混 特 预 中 图分 类号 ： １ Ｒ３ ９ 文献标识码 ： Ａ 文章 编 号 ： ０ ５ ２ １ （ ０ ７ ０ — ６ ２ ０ １ ０ — ６ ５ ２ ０ ） ５０ ２ — ６
基 于特 征 点 互 信 息 预 配 准 的 医 学 图像 配 准 技 术
伍 亚 军 周 正 东 戴 耀 东
（ 京 航 空 航 天 大 学 材 料 科 学 与技 术 学 院 ， 京 ，１ ０ ６ 南 南 ２０ １ ）
摘 要 ： 于 最 大 互 信 息 的 医学 图像 配 准 算 法 近 几年 来 成 为 医 学 图像 处理 领 域 的 热 点 。 由局 部 极 值 导 致 的 寻 优 困 基 难 是 困扰 该 算 法 的核 心 问题 ， 合 优 化 算 法 成功 地 解 决 了互信 息 函 数 的 寻 优 问题 ， 延 长 了配 准 时 间 。 中研 究 混 但 文 了互 信 息 函数 峰 值 周 围 的局 部 极 值 特 征 ， 出安 全 区 域 的 概 念 。 用 特征 点 互 信 息 理 论 ， 提 利 并结 合 多灰 度 级 和 多分 辨 率 策 略 ， 出一 种 基 于 混 合 优 化 算 法 寻优 和特 征 点 互信 息预 配 准 的 改 进 型 算 法 。 经 过 模 拟 数 据 和 实 际数 据 配 提
高精度图像配准与多模态医学图像融合技术研究
高精度图像配准与多模态医学图像融合技术研究随着医学图像的广泛应用，图像配准和图像融合成为医学影像领域中的重要技术。
在临床诊断和治疗过程中，医生通常需要多种不同模态的医学图像进行综合分析，以获得更全面准确的信息。
因此，高精度的图像配准和多模态图像融合技术对于提高诊断和治疗效果至关重要。
图像配准是指将两个或多个图像对齐，使得它们在空间上具有相同的几何形状和位置关系。
高精度的图像配准可以辅助医生更准确地分析和比较不同时间点或不同模态的医学图像，进而帮助诊断和治疗决策。
常见的图像配准方法包括基于特征点的配准、基于互信息的配准和弹性配准等。
特征点是图像中显著的结构或区域，通过寻找两个图像之间的共同特征点，可以实现图像的配准。
特征点配准方法具有鲁棒性高、计算效率高等优点，广泛应用于医学图像的配准领域。
互信息是一种统计度量，可用于比较两幅图像之间的信息差异。
基于互信息的配准方法可以自动地找到两个图像之间的最优匹配，对于图像配准的精度和鲁棒性都有很好的表现。
弹性配准是一种基于变形场的配准方法，可以处理图像形变和畸变，提高配准的精度和稳定性。
多模态医学图像融合技术是将来自不同模态的医学图像进行融合，以获得更丰富的信息。
常用的多模态图像融合方法包括像素级融合和特征级融合。
像素级融合是指将不同模态的图像像素值进行融合，得到新的融合图像。
特征级融合是通过提取不同模态图像的特征，并将其融合，以得到融合图像。
多模态医学图像融合技术可以提供更准确、更全面的医学图像信息，对于改善医生对病情判断和治疗方案设计具有重要意义。
为了实现高精度的图像配准和多模态医学图像融合，研究人员提出了许多方法和算法。
其中，深度学习技术在医学图像处理中的应用受到了广泛关注。
深度学习模型可以通过学习大量图像数据中的特征和模式，实现自动图像配准和融合。
例如，卷积神经网络（CNN）被广泛应用于医学图像配准任务，通过学习图像的特征表示，实现准确的配准。
此外，生成对抗网络（GAN）可以用于多模态医学图像融合任务，通过训练生成器和判别器网络，实现多模态医学图像的生成和融合。
医学影像技术中的图像配准方法综述与性能评估
医学影像技术中的图像配准方法综述与性能评估摘要：在医学影像技术中，图像配准发挥着至关重要的角色。
本综述旨在深入探讨在医学影像技术中应用的图像配准方法，并对其性能进行评估。
此文首先讨论了图像配准的基本知识，并概述了其在医学影像技术中的应用。
然后，详细介绍了各种主要的图像配准方法，并通过比较和分析评估了它们的性能。
最后，本文探讨了图像配准方法的未来发展趋势，包括面临的挑战与可能的解决方式。
本篇综述的目标是提供一个全面的进展和发展趋势的概述，以期对图像配准的研究和应用提供深入的了解。
关键词：医学影像技术；图像配准；性能评估；图像处理；图像分析；深度学习一、引言1.背景介绍：在当今医学技术高度发展的背景之下，医学影像技术作为医疗诊断和治疗的重要组成部分，受到广泛关注。
更为关键的是，图像配准作为重要的影像处理步骤，弥补了从多源影像中获取信息的局限性，如时间、视角和模态等，对临床治疗和研究具有至关重要的影响。
图像配准的准确性和效率直接关乎到诊断准确率和治疗效果。
2.目的和目标：本文的主要目标是对医学影像技术中的图像配准方法进行全面系统的综述，并对各种配准方法进行性能评估和比较。
旨在通过对各种图像配准新技术和方法的研究，对图像配准性能进行提升，为疾病的诊断和治疗提供更为准确的医疗影像资源。
此外，还希望能找出影响图像配准性能的因素，以期找到改进图像配准性能的有效方法，进一步推动医学影像技术的发展，提高医疗服务质量。
本文的研究将理论和实证相结合，旨在产生对实践有重要影响的理论成果和切实可行的技术指导建议，为医学影像技术研究和应用提供科学的理论支撑和实践参考。
二、医学影像技术概述1.定义和分类：医学影像技术是应用科学和技术手段获取和处理身体各组织和系统图像的一种技术。
它将生物信号转换为可视化的图像，帮助医生进行诊断和治疗。
根据成像原理和所使用的设备不同，医学影像可以大致分为X射线成像，核磁共振成像（MRI），计算机断层扫描（CT），超声波成像，放射性核素成像（PET，SPECT）等。
基于SIFT的高分二号全色与多光谱影像配准算法
基于SIFT的高分二号全色与多光谱影像配准算法基于SIFT（尺度不变特征转换）的高分二号全色与多光谱影像配准算法，是一种用于将高分二号全色影像与多光谱影像进行配准的方法。
全色影像通常具有很高的空间分辨率，而多光谱影像则具有较高的光谱分辨率。
通过将这两种影像进行融合，可以得到既有高空间分辨率又有高光谱分辨率的影像数据，对于地物的提取和分析具有重要的作用。
全色与多光谱影像的配准问题成为了遥感图像处理中的一个重要研究方向。
SIFT算法是一种用于图像特征提取与匹配的方法，具有尺度不变性、旋转不变性和仿射不变性的特点。
在SIFT算法中，首先通过高斯金字塔方法计算图像的尺度空间，然后在每个尺度空间中通过差分高斯函数对图像进行滤波，得到关键点。
在得到关键点之后，通过主曲率来确定关键点的主方向，进而计算关键点的特征向量。
通过比较特征向量之间的欧氏距离来进行特征匹配。
在高分二号全色与多光谱影像的配准算法中，首先需要对全色影像和多光谱影像进行尺度空间的计算和特征向量的提取。
然后，通过比较全色影像和多光谱影像的特征向量之间的欧氏距离，找到最佳的匹配点对。
通过计算匹配点对之间的变换矩阵，将全色影像与多光谱影像进行配准。
该算法具有以下特点和优势：1. 尺度不变性：SIFT算法使用尺度空间来提取特征向量，具有很好的尺度不变性，可以适应不同尺度的影像数据。
2. 抗干扰性：SIFT算法通过特征向量之间的欧氏距离来进行特征匹配，可以有效地抵抗噪声和干扰。
3. 计算效率高：SIFT算法通过高斯金字塔来计算尺度空间，可以有效地减少计算量，提高计算效率。
4. 高精度：SIFT算法通过特征匹配和变换矩阵计算，可以得到高精度的配准结果。
基于SIFT的高分二号全色与多光谱影像配准算法具有很好的性能和效果，能够有效地实现全色影像和多光谱影像的配准。
通过该算法可以提高遥感图像处理的精度和效率，为地物提取和分析等应用提供了可靠的数据基础。
利用局部自相似进行多光谱遥感图像自动配准_叶沅鑫
算子 ， 它反映 了 图 像 局 部 区 域 的 形 状 属 性 。 根 据 这一性质 ， Ｌ Ｓ Ｓ能 够 匹 配 纹 理 或 者 灰 度 差 异 较 大 的图像 ， 只要图像 间 具 有 相 似 的 几 何 布 局 和 形 状
１ ２］ 。 图 １ 为一 幅 图 像 局 部 区 域 的 Ｌ 特征 ［ Ｓ Ｓ描述
Ａ ｕ ｔ Ｉ ｍ ａ ｅ Ｒ ｅ ｉ ｓ ｔ ｒ ａ ｔ ｉ ｏ ｎ Ｕ ｓ ｉ ｎ Ｌ ｏ ｃ ａ ｌ ｏ ｍ ａ ｔ ｅ ｄ Ｍ ｕ ｌ ｔ ｉ ｓ ｅ ｃ ｔ ｒ ａ ｌ Ｒ ｅ ｍ ｏ ｔ ｅ Ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｇ ｇ ｐ ｇ ｉ ｌ ａ ｒ ｉ ｔ ｓ ｉ ｍ Ｓ ｅ ｌ ｆ － ｙ
。基于
特征的方法首先 在 图 像 间 提 取 特 征 ， 然后利用特 征间的相似性进行匹配 。 常用的基于特征的方法
３］ 、 基于线特征的方 包括了 基 于 点 特 征 的 方 法 ［ ４］ ５］ 。 最 近， 具有旋转和 和基于面 特 征 的 方 法 ［ 法［
子的形成过程 。
尺度不变性的 尺 度 不 变 特 征 变 换 （ ｌ ｅ ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ ｓ ｃ ａ 也被广泛地应用于遥感图 ｆ ｅ ａ ｔ ｕ ｒ ｅ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ， Ｓ Ｉ Ｆ Ｔ） ］ ［ 像的配准 ６－７ 。 这些方法通常要求在图像间检测到 的特征具有较高重复率 ， 不过当图像间灰度差异较
利用局部自相似进行多光谱遥感图像自动配准
２ ３ ， ， 单 杰２， 彭剑威２， 熊金鑫２， 李 维４ 叶沅鑫１，
； 四川 成都 ６ 湖北 武 １ ．西南交通大学 地球科学与环境工程学院 ， ０ ３ １ ２ ．武汉大学 遥感信息工程学院 ， １ ０ ； ； 西拉法叶 ４ 北京 １ 汉４ ０ ７ ９ ３ ．美国普渡大学 土木工程学院 ， ０ ７ ４ ．中国科学院 电子学研究所 ， １ ９ ０ ７ ９ ０ ０ ３ ０
医学影像处理中的图像配准算法实现技巧
医学影像处理中的图像配准算法实现技巧医学影像处理在现代医学诊断中起着至关重要的作用。
而图像配准作为其中重要的一环，是将不同影像之间进行准确的位置、尺度和方向的对齐，以实现医学影像的比较、融合和分析。
本文将介绍医学影像处理中的图像配准算法实现技巧。
一、图像配准概述图像配准是指将一组图像中的目标物体进行精确定位和对齐。
医学影像处理中的图像配准旨在准确地比较不同时间点或不同影像模态的医学图像，以便更好地追踪疾病的进展和评估治疗效果。
二、图像配准的算法医学影像图像配准的算法可以分为以下几类：1. 特征点匹配算法特征点匹配算法是一种常用的图像配准方法。
该方法通过检测图像中的特征点，并找到这些特征点之间的对应关系，从而实现图像的对齐。
常用的特征点匹配算法包括SIFT、SURF和ORB等。
首先，算法会在图像中提取特征点，并计算每个特征点的描述子。
然后，通过计算特征点描述子之间的相似度，找到最佳匹配。
最后，通过对特征点的位置进行配准，实现图像的对齐。
2. 基于互信息的配准算法互信息是一种常用的图像配准衡量指标，用于评估两幅图像的相似性。
基于互信息的配准算法主要包括归一化互信息（NMI）和互信息标准差（MIS）等。
该方法通过计算图像中的灰度直方图，并结合互信息来衡量两幅图像的相似度。
然后，通过优化配准变换参数，使得互信息最大化，实现图像的配准。
3. 基于变形场的配准算法基于变形场的配准算法利用变形场来描述图像的形变情况，并通过优化变形场来实现图像的对齐。
典型的基于变形场的配准算法有Thin-Plate Spline（TPS）和B-spline等。
该方法首先计算图像的像素点之间的位移，然后通过插值方法生成变形场。
最后，通过优化变形场的参数，实现图像的对齐。
三、图像配准的应用图像配准在医学影像处理中广泛应用于以下领域：1. 临床诊断医学影像图像配准可以提供医生在不同时间点或不同影像模态下进行疾病比较和评估的依据。
例如，在肿瘤的持续监测中，医学影像配准可以实现不同时间点下肿瘤的精确测量和比较。
- 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)。
基于区域互信息的特征级多光谱图像配准*田伟刚**,郭 雷,李晖晖,杨卫莉(西北工业大学自动化学院,陕西西安710072)摘要:提出了一种基于点特征的多光谱图像配准方法。
利用SUSAN算法提取角点特征,采用区域互信息(RMI)作为相似性测度获取初始匹配特征点集;在精匹配阶段,首先计算初始匹配特征点对的匹配强度和明确度,进行松弛迭代,得到匹配强度和明确度都较大的一一对应关系的特征点对,然后利用马氏距离的仿射不变性筛选出正确的点对,将不正确的点对从初始匹配特征点集中删除,重新进行松弛迭代,重复上面的步骤,直到筛选不出新的正确点对为止;获取了足够多的同名控制点后,用最小二乘法估计初始仿射变换参数并迭代修正。
实验结果表明,算法可以达到亚像素级的配准精度。
关键词:图像配准;区域互信息(RMI);松弛算法;控制点;仿射变换中图分类号:TP391 文献标识码:A 文章编号:1005 0086(2008)06 0799 05A point based algorithm for mu lti sp ectral image registration u sing mu tual information of reg ionsTIAN Wei gang**,GUO Lei,LI Hui hui,YANG Wei li(College of Automation,Northwestern Polytechnical University,Xi an710072,China)A bs tra ct:A poi nt based image registration algorith m for multi spectral i magery is descri bed in this paper.On the basi s of poi nt mapping techniques,it deals with the registration of images wi th affine geometric distortion.First,the i ni tial set of cor respondent points is acquired from SUSAN corners using the similarity of regi onal mutual i nformati on(RMI):If the RMI value of two poi nts is larger than the threshold,they belong to the initial set of correspond ent points(multivalued mapping). Next,a relaxation algori thm restricted by the i nvariance of Mahalanobis d istance i n affi ne geometric distortion is proposed: first the matchi ng intensity and defi nitude grade of the initi al set of correspondent points is calculated;and the one to one correspondent poi nts with high matchi ng intensity and hi gh defi nitude grad e are obtained by relaxation algorithm;next,cor rect correspondent points are exracted by the invariance of Mahalanobis d istance in affine geometri c distorti on;and i ncorrect correspondent poi nts are deleted from the initial set to get a new initial set;then,the relaxation is practised again and again unti l no new correct correspondent points can be extracted.Finally,initial transformati on parameters are esti mated based on the sufficient control poi nts.An iterative refi ned parameter process is devised to improve the accuracy of registration.E xperi mental result shows high accuracy registration can be acq uired by the algorithm.Key words:i mage registration;regional mutual information(RMI);relaxati on algori thm;control points;affine geo metric distortion1 引 言在遥感数据处理中,图像配准是图像融合、目标变化检测等应用中基本的预处理步骤。
图像配准包括几何和灰度上的配准。
目前图像配准技术大致可以分为两种[1],即基于灰度统计特性的方法和基于特征的方法。
前者依赖图像的一些灰度统计信息,难以处理灰度相关性较弱的图像;后者通过提取两幅图像的共同结构来实现,因此更适合于灰度相关性较弱的多光谱遥感图像。
对于空间存在仿射差异的多光谱遥感图像配准,本文提出了一个基于点特征的配准算法。
配准过程包括特征点的提取、利用区域互信息(RMI)作为相似性测度获取初始的匹配特征点集、利用马氏距离仿射不变性约束的松弛算法获得一一对应的同名控制点和用最小二乘法进行变换参数估计并对参数迭代修正。
2 特征点的提取采用SUSAN算法[2]提取特征点,它具有方法简单、特征点定位准确、抗噪声能力强等特点,适于实时图像处理。
具体检测时,用SUSAN模板扫描整个图像,在每个位置上,比较模板内的每一个像素与模板核(模板中心像素)的亮度。
亮度比较结果c(r,r0)为光电子!激光第19卷第6期 2008年6月 Journal of Optoelectronics!Laser V ol.19N o.6 Jun.2008收稿日期:2007 04 03 修订日期:2007 06 19* 基金项目:国家自然科学基金资助项目(60675015)**E m ail:ti w ager@c(r,r 0)=1 if |I(r)-I(r 0)|∀t0 if |I(r)-I(r 0)|>t(1)式中:r 0为核在二维图像中的位置;r 为模板内除核之外的任意像素点的位置;I(r 0)为核点的亮度值;I(r)为模板内其他任意像素的亮度值;t 为亮度差的阈值,它控制着生成特征点的数量,t 小则特征点多,t 大则特征点少。
模板内所有点(共n 个)与核亮度比较的和为 n(r 0)=#rc(r,r 0)(2)将n(r 0)与一给定阈值g 比较,得到图像的边缘响应为R(r 0)=g -n(r 0) if n(r 0)<g0 other(3)式中,g 为几何门限,它决定着角点的尖锐性,g 越小,角点越尖锐。
假设模板能取到的最大n 值为n max ,为了消除噪声的影响,通常用几何门限g 控制特征点的生成质量,一般取3n max /4。
为保证提取角点的各向同性,SUSAN 算法采用圆形模板。
使用37pixel 的圆形模板,见图1示。
图1 SUSA N 圆形模板F ig .1 R ound template of SUSA N3 特征点的初始匹配3.1 RM I对于多光谱遥感图像,由于图像间的灰度相关性较弱,采用互相关系数作为相似性测度往往得不到满意的效果。
1995年,Viola 等[3]将互信息作为相似性测度首次应用于多模态医学图像的配准中,随后出现了许多改进的互信息形式,如归一化互信息[4]等,取得了很好的效果[5]。
近年将互信息作为相似性测度引入遥感图像的配准中[6],取得了较好的效果。
但是无论是基本形式还是改进的归一化形式的互信息,都仅考虑到每一个像素点的灰度值,而不关注像素点的位置信息,从而丢失了原图像的许多空间信息。
为了克服这一问题,Daniel 等[7]提出了一种更为合理的互信息形式,即RMI 并将其应用于医学图像配准中,获得了比一般的互信息更为鲁棒性的结果。
RMI 计算步骤为1)对于两幅均为m ∃n 图像A 和B ,选取两个均为(2r +1)(2r +1)的小窗口W 1和W 2以同样的步调同时移动,并且不能超出A 或B 的范围,这样W 1和W 2分别在两幅图像中移动过N 个位置,N =(m -2r)(n -2r)。
对于每一个位置,将W 1和W 2中的像素分别按行排列成(2r +1)2维列向量,然后把两个列向量首尾连接,得到d 维列向量p i ,d=2(2r +1)2。
这样,总共可以得到N 个d 维列向量,用矩阵表示为p =[p 1,%,p N ]。
2)计算N 个d 维列向量的协方差矩阵C ,有C =1NP 0P T 0(4)式中,P 0=[p 1- p ,%,p N - p ], p =1N #N i =1p i 。
3)计算R MI ,有RM I =H g (C A )+H g (C B )-H g (C)(5)式中:H g (X )=log((2 e)d2det (X )12);C A 为协方差矩阵C 左上角(d/2)∃(d /2)个元素构成的矩阵,C B 为协方差矩阵C 右下角d 2∃d2个元素构成的矩阵。
3.2 获取初始匹配特征点集利用RMI 作为特征点匹配的相似性测度,从而获取初始匹配特征点集。
具体方法为:首先,约定以图像中的一个特征点为中心,m ∃n 的子图像窗口称为特征点的邻域窗。
对左图像中的每一特征点,以它的坐标为中心,以 为半径在右图像中设置搜索区域,在邻域窗内计算该特征点与右图像落入搜索区域中的每一个特征点的RMI 值,将RMI 值大于阈值 的映射归入匹配特征点映射集合!1。
为了增强算法的自适应性,阈值 =S max -S max /10,其中S max 为该特征点与右图像落入搜索区域中的各个特征点的最大RMI 值。