基于轮廓特征点最大互信息的多模态医学图像配准
基于最大互信息的人脑多模图像快速配准算法
维普资讯
生 物 医学 工 程 研 究
Ｊ ｒａ ｆＢｏ ｄｃｌＥｎｉｅｒｎ Ｒ ｓａｃ ￣ ｎ ｌｏ ｉｍｅ ｉａ ｇｎ ｅｉｇ ｅｅｒｈ
基 于 最 大 互 信 息 的人 脑 多模 图像 快 速 配 准算 法 ＊
付宜 于晓 王 利 ， 龙 ， 跃华
Ｆａ ｔ Ａｌ ｏ ｉｈ ｆＢｒ ｉ ｕ ｔ — ｍ ｏ ａ ｉｙ Ｉ ａ ｅ ｓ ｇ ｒ ｔ ｍ ｏ ａ ｎ Ｍ ｌｉ — ｄ ｌ ｍ ｇ ｔ Ｒｅ ｉｔ ａ ｉ ｎ Ｂａ ｅ ｎ Ｍ ａ ｉ ａ ｕ ｕ ｌＩ ｆ ｒ ａ ｉ ｎ ｇ ｓ ｒ ｔｏ ｓ ｄ ｏ ｘ ｍ ｌＭ ｔ ａ ｎ ｏ ｍ ｔｏ
ｓｏ ｓ ａ ｔｓ ｇｒｈ ｏｓ’ ｎｅ ａｕ ｒ—ａｊｓ ｅｔ ｆｍ ｇ ｓ ｕｏ ．Ｓ ａ ｉ ｅｒ ｆ ｕｏ ａ ｏ ｄｔ ｄａｔ ｅｏ ｈｗ ｔｈ ｏ ｔ ｄｅｎｔ ｅｄｍ ｎａ ｐｅ ｄ ｔ ｎ ｏ ｉａｅｒ ｏ ｔｎ ｏｉｈｓｈ ｈｄｇ ｅｏ ｔ ｔｎａ ｅａｖ ａ ｆ ｈ ｔ ｉａ ｉ ｍ ｌ ｌ ｕｍ ｅ ｌｉ ｔ ｇ 的轮 廓 ， 用基 于轮廓 的 力矩 主轴 法计 算初 始平 移量 和旋 转量 ， 采 然后设 定初 始 缩放 系数 ，
将此初始配准参数作为改进单纯形法的初始参数 ， 以互信息作为相似性测度迭代搜 索， 使互信 息最大， 而 从
实现 最佳 配 准。结 果表 明本 算法 不需要 人 为预 调 整待 配 准 图像 的 分辨 率 ， 自动 化 程度 高 ， 配准 速 度 快 ， 度 精
（ ． 尔滨工业 大学 ４７信箱 ， 尔滨 １００ ； ． 尔滨医科 大学附属 第一 医院脑神经外科 ， 尔滨 １ ０ １ １哈 ２ 哈 ５０ １ ２ 哈 哈 ５ ０） ０
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。
生物医学工程中的多模态图像配准算法研究
生物医学工程中的多模态图像配准算法研究1. 引言随着生物医学图像数据的迅猛增长，多模态图像配准成为了生物医学工程领域中一个重要的研究方向。
多模态图像配准是指将来自不同模态的图像进行空间上的对准，以便进行进一步的分析和挖掘。
本文将对生物医学工程中的多模态图像配准算法进行深入研究。
2. 多模态图像配准的意义多模态图像配准在生物医学工程领域中具有重要的意义。
首先，不同模态的图像可以提供互补的信息，通过对不同模态的图像进行配准，可以将这些信息融合起来，使得图像的信息更加完整和准确。
其次，多模态图像配准可以有效地进行病灶检测和分类。
通过将来自不同模态的图像进行配准，可以更好地辅助医生进行病灶的定位和诊断。
最后，多模态图像配准可以在手术导航中发挥关键作用。
通过将来自不同模态的图像进行配准，可以更准确地指导手术，提高手术的安全性和成功率。
3. 多模态图像配准的挑战多模态图像配准面临着一些挑战。
首先，不同模态的图像在像素分辨率、图像强度和对比度等方面具有较大的差异。
这些差异给图像配准带来了一定的困难。
其次，多模态图像往往存在变形和缺失等现象，这也增加了图像配准的难度。
此外，多模态图像配准需要在保持图像的准确性的同时尽量减小配准过程中引入的变形和伪影。
4. 多模态图像配准算法4.1 基于特征的配准算法基于特征的配准算法是多模态图像配准中常用的一种方法。
该算法通过提取图像的特征点，并将这些特征点进行匹配，从而实现图像的配准。
常用的特征包括角点、边缘和纹理等。
该算法具有计算效率高、鲁棒性强的优点，但在特征提取和匹配过程中对图像质量和噪声具有一定的依赖性。
4.2 基于互信息的配准算法基于互信息的配准算法是一种广泛应用的多模态图像配准方法。
该算法通过计算不同图像之间的互信息来度量它们的相似性，并利用优化方法将图像进行配准。
该算法具有较好的鲁棒性和准确性，但计算复杂度相对较高。
4.3 基于形变场的配准算法基于形变场的配准算法是一种通过构建形变场来实现图像配准的方法。
基于Harris角点和最大互信息的多模医学图像配准
就 会 碰 到 一 个 问 题 ， 幅 图 像 可 能 包 括 大 量 的 同类 区域 （ 如 一 例 天 空 、 海 等 ） 那 么 这 样 的 图 像 就 不 太 适 合 用 最 大 互 信 息 的 大 ， 互 信 息 是 信 息论 的一 个 基 本概 念 ， 两 个 随 机 变 量 统计 是 相 关 性 的测 度 。 ｏ ｓ 测 试 图 像 的 条 件 熵 作 为 配 准 的测 度 ， Ｗｏ ｄ 用 用 于 Ｐ Ｔ到 ＭＲ 图像 的配 准 。Ｃ ｌ ｎｎ ｗｅｌ 等 人 用 互 信 息 Ｅ ｏｌ ｏ 、 ｌ… ｉ ｇ ｓ 作 为 多模 态 医 学 图像 的 配 准 测 度 。 互信 息 作 为 两 幅 图像 的 以 相 似 性 测 度 进 行 配 准 时 ， 果 两 幅基 于共 同解 剖 结 构 的 图像 如 达 到最 佳 配 准 时 ， 们 对 应 的 图像 特 征互 信 息 应 为 最 大 。最 它 大 互 信 息 法 几 乎 可 以 用在 任 何 不 同 模 式 图像 的配 准 中 ， 别 特 是 当其 中一 个 图像 的 数据 部 分 缺 损 时 ， 以 这 种 方 法 广 泛 用 所 于 多模 态 图像 的配 准 中 。 是 ， 但 当待 匹配 图 像 是 低 分 辨 率 、 图 像 包 含 的信 息 不 够 充 分 或 两 幅 待 匹 配 图像 的 重 叠 部 分 较 少 时 ， 于互 信 息 的配 准 目标 函 数 就 会极 不光 滑 ， 基 出现 较 多 局 部 最 优 解 ， 目标 函 数 最 优 解 的搜 索 带 来 较 大 的难 度 。但 由于 为 该 测 度 不 需 要 对 不 同成 像 模 式 下 图像 灰 度 间 的关 系 作 任 何 假 设 ， 不 需 要 对 图像 进 行 分 割 或 任 何 预 处 理 ， 也 因此 ， 测 度 可 该 以被广泛地应用于 Ｃ － ＴＭＲ，Ｅ － Ｐ ＴＭＲ等 多 种 图像 的配 准 工 作 。
基于形状特征点最大互信息的医学图像配准
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ
Ｍ ｕ ｕ ｌ ｉ ｆ ｒ ｔｏ ｅ ｒ ｓ ｎ ｉ ｇ ｔ ｅ ｎ ｔ ｍｉ ｆ ａ ｕ ｅ ｏ ｅ ｉａ ｍａ ｅ ｉ ｃ ｔ ａ ｎ ｏ ｍａ ｉ ｎ ｒ ｐ ｅ ｅ ｔｎ ｈ ａ ａ ｏ ｃ ｅ ｔ ｒ ｓ ｆ ｍ ｄ ｃ ｌ ｉ ｇ ｓ ｏｍｐ ｔ ｄ ｗｉｈ ｆ ａ ｕ ｅ ｕ ｅ ｔ ｅ ｔ ｒ
ｔ ｓ ｐｒ ｅ ｈｉ ｏｃ ｄｕｒ ｅ ａｎｄ ａ ｒ ａｎｓ ｃ ｍ ｅ ｈｏｄ ｉ ｌ ｏ ａ ａ ｋ ｔ Ｓ ａ ｓ ｄｏｐｔ ｄ Ｏ ａ ｅ ｔ ｖｏｉ ｏｃ ｌｅｘ ｒ ｍ ａ． Ｐｒ ｉ ｉ ｒ ｒ ｓ ｔ ｗ ｏ— ｍ ｅｎｓｏｎａ ｄ ｌ ａ ｔ ｅ ｅｌｍ ｎａ ｙ ｅ ｕｌ ｓｏｎ ｔ ｄｉ ｉ ｌ ｒ ｏｂｕｓ ｉ ｔａｌｇｎｍ ｅｎｔｏｆ Ｍ Ｒ Ｉ Ｍ Ｒ Ｉ ｉ ａ — ｍ ｇｅｓ ａ Ｒ Ｉ ＣＴ ｍ ａ ｅｓ ａｒ ｅ ｅｎ ｅ ｎｄ Ｍ — ｉ ｇ ｅ ｐｒ ｓ ｔ ｄ． Ｔ ｈｅ ｒ ｇｉｔ ａｔｏｎ ｓ ｒ ｅ ｅ ｓ ｒ ｉ ｔ ａｔ ｇｙ ｅｓ ｐｒ ｅｎｔ ｄ ｒ ｅ ｈｅ ｅ
Ｊｌ ｕ ｙ，２ ０ ０ ２
基 于 形 状 特 征 点 最 大 互 信 息 的 医学 图 像 配 准
周永新 罗述谦
（ 首都 医科 大学 生物 医学 工程 学院 北京 １０ ５ ） ０ ０ ４
北京 １０ ８ ） ０ ０ ０ （ 国 科 学 院 自动 化 研 究 所 模 式 识 别 国 家 重 点 实 验 室 中
ｍｉ ｈ ｅ ｓ ｉａ ｌ Ｏ ｃ ｉ ｉａ ｐ ｌ ａ ｉ ｎｓ ｓ ｅ ｉ ｌ ｏ ｍａ ｅ ｔ ｏ ｔ ｇ ａ ｅ ｅ ｎ ｏ ｍ ａ ｉ ｎ ｇ ｔ ｂ ｕ ｔ ｂ ｅ ｔ ｌ ｃ ｌａ ｐ ｉ ｔ ｎ ｃ ｏ ，ｅ ｐ ｃａ ｌ ｆ ｒ ｉ ｇ ｓ ｗｉｈ ｕ ｒ ｙ ｌ ｖ ｌｉ ｆ ｒ ｔｏ ． ｙ
基于角点特征和最大互信息的图像配准
的角 点信 息。 ２１算法思想 ．
设ｐｆ Ｉ ｆ （ｌ＝ ，２ ， １为某一 （ ＝ ｘ） ｆ（ ０ ，…？ ） ） （， ） ｆ １ 一
闭合边缘轮廓点序列点，该序列的起始点为 Ｏ ， （） ｐ ｆ是该序列中第ｆ （ ） 个点， 伴随着 ｆ 值的增大， （ 从 ｐｆ ） 起始点 ｐ ０ 开始沿逆时针方 向行进一周后又 回到 （） ｐ Ｏ 点。在闭合曲线上中，由于 （） 和 只表示坐标， 它们之间是非函数关系，因此 （ 与 （ 能决定 ｆ ） ｆ ） ｐ ｆ点的坐标。 （ ） 我们将ｐ ｆ分解为两条一维离散曲线 （ ） （ 和 （ ， （ 随ｆ ｆ ） ｆ ｘｆ 的增大为ｐ ｆ在水平方向上的 ） ） （ ） 变化， （ 为ｐ ｆ在竖直方向上的变化。因此， ｆ ） （ ） 在曲 线 （ 上 提取角点 的过程就转换为分别提取 曲线 ｆ ） ｘ０、 （ 上的角点。 （ ｆ ）
不 同的成像 时间的待配准图像，图像 之间互信 息最大 的前提 是它们的图像空间位置完全一致。因此图像配 准 的配准测度 可 以用互信息来表 示，即当两幅图像 的 最佳配准位置就是它们的互信息达 到最大 的位置 。也
法得到 。假设待配准 图像 的分辨 率很低 或者图像之间 的误配情况 比较严重时 ，将导致 图像重叠区域较小。
计 算 机 系 统 应 用
而 且联合直方图的迭代 将会 是一个费时的过程 ，互信 息函数 会 出现 许多局 部极值 ， 这些 极值会 导致互信 息 的局部极 大值与配准位置不一致， 造成误配甚至错配 。 国内外学者提 出了多种解 决基于最大互信息配准 的不足的改进方案，Ｊｓ ｎ 则将互信 息与图像的空间 ｏｉ ｅ 梯 度信息相结合的方法 ，进行配准 ，取得 了比较好的 效果【。Ｌ ｕ ｓ｜ ” ｏｔ ［ ａ２ 利用小波变化或其他边缘检测方法 ， 获得两幅图像的轮廓信息 ，利用聚类分析法求 出轮廓 特征 点，并定义这两个集合的互信息 ，使之最大化 以 达到配准 。孙淑一利用小波变换来提取 图像边缘 的同 时计算两幅 图像之间的交互方差 ，并通过基于交互方
基于边缘检测和最大互信息的医学图像配准算法
１ 传统医学 图像配 准的步骤
配准是 由特 征空 间 、搜 索算 法 、相似性 测度 等各个部 分组 合而 成 。配准 的方法 也是 多种 多样 。对 配准
张裕 ，刘佳佳 ，石翠萍 ，徐春伟
（ 齐齐哈尔大学 通信 与电子工程学院 ，黑龙 江 齐齐哈尔 １ １０ ６ ０ ６）
摘要 ：在ｌ 床上 ， 使用 多种成像技术并适 当地将其扣 以融合 ，可为临床诊 断和手术治疗提供更加全面准确的信息 。 １ 而图像配准是融合技术 中需要先期解决 的问题 ，也是融合 的关键部分 。本文提出 了一种基于 Ｄ Ｐ的医学 图像配准 Ｓ
第 ２ 卷第 ｌ ７ 期
２１ 年 １ ０ １ 月
齐 齐 哈 尔 大 学 学 报
Ｊ ｕ ｎ ｌ ｆ ｑ ｈ ｒＵｎ ｖ ｒ ｉ ｏ ｒ ａ ｉ ａ ｉｅ ｓｔ ｏ Ｑｉ ｙ
Ｖｏ ．７Ｎｏ １ １ ． ． ２
Ｊ ｎ ，０１ ａ． ２ １
基于边缘检测和最大互信 息的医学 图像 配准算法
的是两 幅图像重叠 后灰 度对 （ ） ， 的边 缘概 率 。
在单幅图像的边缘信息熵和两幅图像的边缘信息联合熵 的基础上 ， 仿照经典的互信息的定义方法来定 义带有边缘信息的互信息睁 。两幅图像之间像带有边缘信息的互信息可以定义为 问
’
， ，） Ｈ ） ’ ） ’ Ｙ ‘ 】＝ ’ ＋ （ 一 ，） ， ｙ
（） ５
新的基于互信息与边缘检测的医学图像配准方法既利用了原始图像 的灰度互信息，又利用了图像二维
水平面上的像素之间关系 ，用原图像的边缘 ，然后对互信息的配准测度进行改进 ，具有较好的效果 。
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。
- 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)。
Ｍ ｕ ｔ－ ｏ ａ ｔ ｅ ｉａ ｍ ａ ｅ Ｒｅ ｉｔ ａ ｉ ｎ ｌｉｍ ｄ ｆ ｙ Ｍ ｄ ｃ ｌＩ ｇ ｇ ｓ ｒ ｔｏ ｉ
（ ． ｈ ｓ ｓａｄＥｅｔ ｎｃＥ ｇｎｅ ｎ ｏｅｅｏ ｏｔｗ ｓ Ｎ ｒ ａ Ｕ ｉ ｒｉ ，ａｚｏ７０ ７ ， ｈｎ ； １ Ｐ ｙｉ ｎ ｌ ｒ ｉ ｎｉｅｒ ｇＣｌ ｇ ｆ ｒ ｅｔ ｏｍ ｌ ｎｖ ｓ ｙＬ ｎｈ ｕ３０ ０ Ｃ ｉａ ｃ ｃｏ ｉ ｌ Ｎ ｈ ｅ ｔ ２ Ｍ ｔｅ ａ ｃ ｎ ｎ ｒ ａ ｏ ｃ ｎｅＣ ｌ ｇ ｆ ｏｔｗ ｓ Ｎ ｒ ａ Ｕ ｉ ｒｉ ，ａｚｏ ３０ ０ Ｃ ｉ ） ． ａｈｍ ｔ ｓ ｄＩｆ ｍ ｔ ｎＳｉ ｃ ｏ ｅｅｏ ｒ ｅｔ ｏ ｌ ｎ ｅ ｔ Ｌｎｈｕ７ ０ ７ ，ｈｎ ｉ ａ ｏ ｉ ｅ ｌ Ｎ ｈ ｍ ｖｓ ｙ ａ
图像的主轮廓。数学形态学表示以形态为基础对图 像 进行 分析 的数学 工具 。它 的基 本思想 是用具 有一 定 形态 的结构 元 素 ｇ去量度 和提取 图像 中 的对 应形 状以达到对图像分析和识别的 目的。形态运算是 ｇ 对图像 ｆ 进行操作。数学形态学有膨胀 、 腐蚀、 开启 和闭合 四种基 本运 算 。 本 文 的 目的是要 提取 图像 的边 界 ， 卢（ 来 表 用 示 图像 的边界 ， 可 以通 过 适 当的结 构 元 素 ｇ对 图 它
ｍｅ ｏ ａｅｔｅａ ｖ ｔｇｓｏ ｉｈｐｅ ｉｉｎ ａ ｄｇ ｏ ｏ ｕｔ ｈ ｔ ｄｈ ｖ ｄ ａ ａ ｅ ｆ ｇ ｒｃｓ ｎ ｏ ｄ ｒｂ ｓ． ｈ ｎ ｈ ｏ
Ｋｅ ｙ ｗｏｒ ｄｓ：ｍａ ｅ ｒ ｉｔａｉｎ；ｍｕ ｕ ｎ ｏ ａｉ ｎ； Ｐ ｉ ｇ ｅｇｓｒｔｏ ｔ ａ ｉ ｒ ｔｏ ｌ ｆ ｍ ＳＯ ；Ｐｏ ｌ ｓ ａ ｃ ｇ ｒｔ ｍ ｗｅ ｅ ｒ ｈ ａ ｏ ｈ ｌ ｉ
Ｂａ ｅ ｎ Ｍ ｕ ｕ ｌＩ ｆ ｒ ａ ｉ ｎ ０ ａ ｕ ｅ Ｐｏ ｎ ｓ ｓｄ ｏ ｔ ａ ｎ ｏ ｍ ｔ０ ｆＦｅ ｔ ｒ ｉ ｔ
Ｈ Ｏ Ｙ ａ ．ａ Ｑ ｏ ｇｆｎ Ｓ Ｎ ａ— ｅｇ Ｕ ｕｎ１ ｎ ， Ｉ ｎ ． ｇ ，Ｏ Ｇ Ｈ ｉ ｈ ｎ ｉ Ｙ ｅ ｓ
本 文选取 了 基 于 数 学 形 态 学 的方 法 提取 出
图像进行预处理 ， 只对图像的灰度进行操作 ， 缺点是 计算量过大 。本文将基于特征的配准和基于灰度 的
配准方法结合在一起 ， 出了基于轮廓特征点最大 提 互信息的配准方法。首先提取出图像 的主轮廓特征 点集 ， 然后以特征点对之间的最大互信息作 为配准
摘 要 ： 出 了一种基 于轮 廓特 征点最 大 互信息 的 多模 态 医学 图像 配准 方法 ， 提 并将粒 子群优 化
算法 （ Ｓ 和 Ｐｗ ｌ算 法相结合 以一种组合 的全 局优 化算 法 （ Ｐ Ｏ） Ｐ Ｏ） ｏ ｅｌ Ｐ Ｓ 来求 取 最优 配准 变换 参 数 。实验 结果表 明， 方 法具 有 配准精度 高 、 该 速度 快 、 鲁棒 性 强等特 点 ， 一种 有效地 全 自动配 是
・ 图像 与信号处 理 ・
基 于轮 廓 特征 点 最 大互 信 息 的多模 态 医学 图像 配 准
火 元莲 齐永锋 宋 海声 ， ，
（． １西北师范大学物理与电子工程学院 ， 甘肃 兰州 ７０ ７ ２ 西北师范大学数学与信息科学学院 ， ３０ ０；． 甘肃 兰州 ７ ０ ７ ） ３０ ０
１ 引 言
的 目标 函数来 完 成 图像 的配准 。
２ 配 准 的过 程 ２ １ 轮廓 特征 点 的提取 ．
多模 医学 图像配 准是 医学 图像 配准 的重 点研究
课题 ， 是指待配准 的两幅图像来源于不 同的成像设 备。在临床上 ， 使用多种成像技术并适 当地将其加 以融合 ， 可为临床 诊 断 和手 术 治 疗 提供 更 加 全 面准 确的信息。配准的结果使两幅图像的对应特征点在 空 间上达 到一 致 。 目前 ， 典型的图像 配准算法按是否提取图像特 征为依据将其分为基于特征的配准¨ 和基于灰度 的配准 Ｊ 。前者需要在配准之前对 图像进行预处 理， 提取共同的特征作为配准的依据 ； 后者不需要对
维普资讯
第３ ８卷 第 １ 期 ２０ ０ ８年 １月
激 光 与 红 外
Ｌ Ｅ ＡＳ Ｒ ＆ Ｉ ＲＡＲＥ ＮＦ Ｄ
Ｖ０． ８ Ｎ ． １３ ． ｏ １
Ｊｎ ａｙ，０ ８ ａｕｒ ２ ０
文章编号： ０－ ７（０８Ｏ－ ９－ １ １ ０８２０）１０６ ３ ０ ５ ０ ０
Ａｂ ｔａ ｔ Ａ ｅ ｔｏ ｆｍｕ ｔ ｍｏ ａ ｉ ｄｃ ｍａ ｅ ｒ ｏｓ ｔ ｎ ｂ ｓ ｄ ｏ ｔ ａ ｎｏ ｍａ ｏ ｆｆａｕ ｅ ｐ ｉｔ ｓｒ ｃ ： ｎ ｗ ｍｅ ｄ ｏ ｌ — ｄ ｔ ｍｅ ｉａ ｉ ｇ ｅ ￣ａ ｏ ａ ｅ ｎ ｍｕ ｕ ｉ ｒ ｔ ｎ ｏ ｔ ｒ ｏ ｎｓ ｈ ｉ ｌ ｙ ｌ ｉ ｌ ｆ ｉ ｅ Ｗ ， ｇｖ ． Ｃ ｍｂ ｎ ｓＰ Ｏ ａｇ ｒ ｈ ａ ｄ Ｐ ｗｅ ｇ ｒ ｈ ｔ ｅ ｄ ｐ ｔｅ ｎ ｗ ｃ ｍ ｉｅ ｐ ｍｉａｉ ｎ ａ ｇ ｒｔｍ Ｏ ｉｅ ８ ｄ ｏ ｉ ｅ Ｓ ｏｉ ｍ ｎ ｏ Ｈ ａ ｏ ｔ ｍ， ｎ ｗｅ ａ ｏ ｅ ｏ ｌ ｔ ｌ ｉ ｈ ｈ ｂ ｎ ｄ ｏ ｔ ｚｔ ｏ ｈ ａ ｉ ｏ ｌ ｉ ｓ Ｏ１ ｏ ｔ ｚ ｔ ｎ ａｇ ｒ ｍ ｏ ｓ ａ ｃ ｅ ｂ ｓ ｒ ｇｓ ａ ｏ ａ ａ ｔｒ ． Ｔ ｅ ｒ ｓ ａ ｄ ｅ ｐ ｒ ｎ ｓ ｉｄ ｃ ｔｄ ｔａ ｈ ｓ Ｉ＂ ｐ ｉ ａ ｏ ｏ ｉ １ ｍｉ ｉ ｌ ｈ ｔ ｔ ｅ ｒｈ ｔ ｅ ｔ ｅ ｉｔ ｔ ｎ ｐ ｒ ｍｅｅ ｈ ｒｉ ｓ ｈ ｏ ｅ ｎ ｘ ｅ ｍｅ ｔ ｎ ｉａｅ ｔ ｔｉ ｉ ｉ ｈ