基于互信息的多模医学图像配准方法研究
基于轮廓特征点最大互信息的多模态医学图像配准
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
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。
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 。
利用高维互信息的多模态医学图像配准
摘
要：互信息相似性测度在 多模 态医学图像 配准中获得 了广泛的应 用，然而其不足之 处在 于没 用充分利 用图像 固有的 空间信
息 。 对 这 一 不足 ， 出 了利 用 图像 邻 域 信 息 的 高 维互 信 息 配 准 方 法 。 先 用 图像 像 素及 其 邻 域 构 成 高维 向 量 的 集合 ， 针 提 首 然后 利 用 基 于最 近 邻 的 熵估 计 法 来 估 计 集合 的 高维 熵 ， 采 用 近 似 最 近邻 搜 索算 法 来 加 快 高 维 熵 的计 算 。实验 结 果验 证 了新 的相 似 性 测 度 的 并
ｉｆｒ ｔ ｎＣ ｍｐ ｔｒ Ｅ ｇｎ ｅｉｇ ａ ｄ Ａ ｐｉ ｔ ｎ ，０ ７４ （４ ：４ － ４ ． ｎｏｍａ ｏ ．ｏ ｕｅ ｎ ｉｅｒ ｎ ｐ ｌａ ｏ ｓ２ ０ ，３ ２ ）２ ２ ２ ５ ｉ ｎ ｃｉ
Ａ ｓ ａｔ ｂ ｔ ｃ：Ｍｕｕ ｎｏｍ ｔ ｎ ＭＩ ａ ｅ ｉ ｉ ｒｙ ｍｅ ｓｒ ａ ｅ ｎ ｗ ｄ ｌ ｕ ｅ ｎ ｍ ｈ — ｄ ｌｍｅ ｉ ｌ ｉ ａ ｅ ｒｇ ｔ ｔ ｎ ｎ ｒ ｔａ Ｉｆｒ ａｉ （ ）ｂ ｓ ｄ ｓ ｌｉ ａｕｅ ｈ ｓ ｂ ｅ ｉ ｙ ｓｄ ｉ ｕ ｉｍｏ ａ ｌ ｏ ｍ ａｔ ｅ ｄｃ ｍ ｇ ｅ ｉ ｒ ｉ ． ｅ ａ ｓ ａｏ Ｏ
（ Ｎ ） ｎ ｏ ｅ ｏ ｐ ｔ Ｈ ｆ ｃｉ ｌ，ｅ ａｏｔａ ｌ ｒｈ ａｌ ｐ ｒｘ ｔ ｎ ａｅｔｎｉｈ ｏ ｓａｃ ．ｘｅ ｍ ｎｓｄｍｏ— Ｎ Ｓ ． ｒ ｒｔ ｃｍ ｕｅ ＭＩｅｅｔ ｅ ｗ ｄ ｐ ｎ ａｇｉ ｍ ｃｌ ｄ ａｐｏｉ ｅ ｅｒｓ ｅｇｂｒ ｅｒｈＥ ｐ ｒ ｅｔ ｅ ｎ Ｉ ｄ ｏ ｆ ｖｙ ｏｔ ｅ ｍａ ｉ
１ ． 中南大学 信息物理工程学院 生物医学工程研究所 ， 长沙 ４ ０ ８ １０ ３
基于定量定性互信息的医学图像配准的开题报告
基于定量定性互信息的医学图像配准的开题报告1. 研究背景医学图像配准是指对来自不同时间点、不同成像设备或不同成像方法的医学图像进行对齐，以便更好地评估疾病的进展和治疗效果。
医学图像配准是医学图像分析的关键步骤之一，具有重要的临床应用价值。
当前，医学图像配准方法主要包括基于特征点的配准、基于光流场的配准、基于相似度度量的配准等。
但这些方法仍然存在许多问题，比如易受照明变化、噪声等影响，配准效果不稳定等。
2. 研究目的本研究旨在通过定量定性互信息作为相似度度量方法，提高医学图像配准的精度和稳定性，减少配准产生的误差，改善医学图像的诊断效果。
3. 研究内容和方法本研究将采用定量定性互信息作为相似度度量方法，结合通过特征点检测和匹配方法对待配准图像和基准图像之间的对应关系进行精确定位和匹配。
具体步骤如下：1. 对待配准图像和基准图像进行预处理，包括去除噪声、增强图像对比度等。
2. 利用SURF或SIFT等算法提取图像中的特征点，并通过匹配算法（如FLANN）对待配准图像的特征点和基准图像的特征点进行定位和匹配。
3. 利用定量定性互信息进行相似度度量，并通过优化算法找到最佳的转移变换矩阵，以实现待配准图像和基准图像的对准。
4. 实验与结果分析本研究将以医学图像数据库作为实验样本，对比定量定性互信息配准算法与传统配准算法的配准效果，并对实验结果进行评估和分析。
5. 参考文献[1] Pluim, J. P. W., Maintz, J. B. A., & Viergever, M. A. (2003). Mutual-information-based registration of medical images: a survey. IEEE Transactions on Medical Imaging, 22(8), 986-1004.[2] Maes, F., Collignon, A., Vandermeulen, D., Marchal, G., & Suetens, P. (1997). Multimodality image registration by maximization of mutual information. IEEE Transactions on Medical Imaging, 16(2), 187-198.。
基于加权互信息的多模图像配准算法
基于加权互信息的多模图像配准算法张峻豪;孙焱;詹维伟【摘要】In medical image registration based on Mutual Information(MI) method, it exists the problem about the local extrema. Aiming at this problem, this paper proposes a multi-modality image registration algorithm based on Weighted Mutual [nformation(WMI). Through the preprocessing procedure by global filtering and edge extraction, it extrudes the image features, and uses WMI method to realize registration. Experimental result shows that this algorithm can improve the accuracy and the speed in mulit-modality image registration.%基于互信息方法的医学配准容易出现局部极值现象,导致准确率下降.为此,提出一种基于加权互信息的多模图像配准算法.通过全局滤波和边缘提取进行图像预处理,突出图像特征,采用加权互信息方法实现配准.实验结果表明,该算法能够提高多模图像配准的准确率,加快匹配速度.【期刊名称】《计算机工程》【年(卷),期】2012(038)016【总页数】5页(P207-211)【关键词】医学图像配准;局部体积插值;局部极值;加权互信息;预处理【作者】张峻豪;孙焱;詹维伟【作者单位】上海交通大学软件学院,上海200240;上海交通大学软件学院,上海200240;上海交通大学软件学院,上海200240【正文语种】中文【中图分类】TP911.731 概述目前，医学影像技术不仅在硬件技术和成像方法上不断改进，同时对于影像的处理也推陈出新，如在硬件方面，医学影像从体表摄像，经过超声成像和计算机断层成像(Computed Tomography,CT)，发展至当今普遍运用的数字血管减影成像(Digital Subtraction Angiography,DSA)和正电子发射断层成像(Position Single Emission Tomography,PET)等，而处理技术也从对于单幅图像简单的滤波、除噪技术，发展至可对三维体数据进行高速、精确提取、分割的技术。
多模态医学图像配准技术发展现状评述
多模态医学图像配准技术发展现状评述医学图像的配准是一项关键的技术，用于将不同模态下获取的医学图像进行对齐和匹配，以便医生在多种图像信息上进行综合分析和诊断。
随着医学影像技术的不断发展和应用，多模态医学图像配准技术也得到了广泛关注和深入研究。
在过去的几十年里，研究人员们提出了各种各样的方法和算法来实现多模态医学图像的配准，取得了令人瞩目的成果。
首先，传统的多模态医学图像配准方法主要基于图像特征的提取和相似度度量。
其中，最常用的方法是基于互信息（Mutual Information）的匹配算法。
互信息是一种常用的信息度量方法，可以通过计算图像间的互信息来量化它们的相似程度。
此外，基于图像灰度直方图的配准方法也被广泛应用。
这些传统方法在一定程度上可以实现图像的配准，但由于其依赖于特征提取和相似度度量的结果，容易受到噪声和图像变形等因素的影响，限制了其在复杂情况下的准确性和稳定性。
然而，随着人工智能技术的快速发展，深度学习方法在多模态医学图像配准中得到了广泛应用，并取得了显著的进展。
深度学习通过构建多层神经网络来自动学习特征表示，能够自动提取医学图像中隐含的特征信息，从而克服了传统方法中对手工设计特征的依赖。
在多模态医学图像配准中，基于深度学习的方法通常通过构建并训练跨模态特征提取器和配准网络来实现。
具体而言，模态间配准可以通过学习将不同模态下的图像特征映射到同一特征空间，以实现图像的配准。
近年来，基于深度学习的多模态医学图像配准技术取得了很多突破性的进展，大大提高了图像配准的准确性和鲁棒性。
另外，多模态医学图像配准技术的发展还受到了多种因素的影响。
首先，不同模态医学图像之间存在着不同的成像原理和特点，这给图像配准带来了一定的挑战。
例如，CT图像具有高分辨率、低对比度和严重的伪影问题，而MRI图像则具有丰富的对比度和高信噪比。
其次，医学图像也常常受到一些因素的影响，如运动伪影、呼吸运动和局部形变等，这些因素使得配准过程更加复杂。
灰度级别对基于互信息医学图像配准方法的影响
第22卷 第1期2003年 3月北京生物医学工程Beijing Biomedical Engineering V ol 122 N o 11Mar. 2003灰度级别对基于互信息医学图像配准方法的影响高智勇 林家瑞 摘 要 医学图像配准在医学图像处理领域中已经被广泛使用。
基于互信息配准的方法具有自动化程度高、配准精度高等优点。
基于互信息的配准方法实质上是一种进行灰度统计和计算的方法,因此同一图像采用不同的灰度表示必然会影响配准结果。
在分析灰度级别的压缩对于图像质量的影响和基于互信息配准方法的影响的基础上,进行了一系列的多模态医学图像配准试验,从配准精度和计算时间两个方面比较了不同的灰度级别对图像配准的影响。
在详细分析和比较不同级别图像配准结果的基础上,给出了基于互信息配准时所采用的合理灰度级别的建议。
关键词 图像配准 互信息 灰度级别中图分类号 R318104 R81文献标识码A文章编号100223208(2003)0120005205The E ffects of G rey Levels on Mutu al I nform ation B ased Medical Im age R egistration G AO Zhiyong ,LIN Jiarui . Insti 2tute o f Biomedical Engineering ,Huazhong Univer sity o f Science and Technology ,Wuhan 430074【Abstract 】 M edical image registration is an active field currently.Am ong all the registration methods ,mutual in formation based methods have been accepted as the m ost accurate and automated method.Essentially ,mutual in formation based methods are based on doing statistics of grey values of images.Therefore ,if different representations of grey levels of one images are used ,registration accuracy will be affected.In this paper ,based on analysis of com pression of grey levels for image quality ,and based on the affects of mutual in formation registration method ,series of regis 2tration tests of multi 2m odes medical images were carried out.A ffects on image registration by different grey levels are com pared from tw o sides :reg 2istration accuracy and time length for calculation.According to these results and analysis ,the recommended grey levels to be used in mutual in forma 2tion registration are given.【K ey w ords 】 Image registration Mutual in formation G rey levels作者单位:华中科技大学生物医学工程研究所(430074)作者简介:高智勇(1972—),男,博士研究生。
医学影像中的图像配准与分割算法研究与应用
医学影像中的图像配准与分割算法研究与应用医学影像在临床诊断中起着重要的作用，而图像配准和分割算法是医学影像处理中的核心技术。
它们能够实现医学影像中不同模态图像的对齐和目标区域的提取，为医生提供准确的诊断和治疗辅助。
本文将重点介绍医学影像中的图像配准与分割算法的研究进展和应用。
一、医学影像中的图像配准算法研究与应用图像配准是将不同模态或不同时间点的医学影像进行对齐，使得它们在空间位置上保持一致性，从而提供准确的比较和可视化分析。
医学影像中常用的图像配准算法包括图像特征提取与匹配、基于互信息的配准、基于形变场的配准等。
1. 图像特征提取与匹配图像特征是指图像中具有判别性的局部信息，如角点、直线和纹理等。
通过提取图像特征并进行匹配，可以实现图像的对齐。
常用的图像特征提取算法有SIFT、SURF和ORB等。
在医学影像中，图像特征提取与匹配算法可以实现多模态图像（如CT和MRI）的配准，从而提供更全面的信息用于临床诊断。
2. 基于互信息的配准互信息是一种统计量，用来描述两个随机变量之间的依赖关系。
在医学影像中，基于互信息的配准算法可以应用于图像的刚性配准和非刚性配准。
刚性配准是指通过旋转和平移等刚性变换使得两幅图像对齐；非刚性配准是指通过形变场等非刚性变换使得两幅图像对齐。
基于互信息的配准算法可以提取图像的共享信息，并进行相应的变换，从而实现医学影像的对齐。
3. 基于形变场的配准基于形变场的配准算法是一种非刚性配准方法，它通过建立图像的形变模型来实现图像的对齐。
形变场是指图像中每个像素点的位移向量，通过优化形变场的参数来使得两幅图像对齐。
在医学影像中，基于形变场的配准算法可以应用于动态图像的时间序列配准和器官的形变分析等领域。
二、医学影像中的图像分割算法研究与应用图像分割是将医学影像中的目标区域从背景中分离出来，以便于对目标区域进行量化分析和诊断判读。
医学影像中常用的图像分割算法包括基于阈值的分割、基于边缘的分割和基于区域的分割等。
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 、
- 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)。
硕士学位论文 -I- 目 录 摘要·································································································································I Abstract························································································································II 插图索引······················································································································III 附表索引······················································································································IV 第1章 绪 论············································································································1 1.1多模医学图像配准的概念················································································1 1.2医学图像配准的基本过程················································································1 1.3 医学图像配准方法的分类···············································································3 1.4主要的医学图像配准方法················································································5 1.4.1基于特征的配准方法··············································································5 1.4.2基于灰度的配准方法··············································································6 1.5 图像配准方法的发展趋势···············································································7 1.6 本文研究内容··································································································8 第2章 基于最大互信息的配准方法·········································································9 2.1互信息的概念···································································································9 2.1.1 熵············································································································9 2.1.2 互信息····································································································9 2.2基于最大互信息的配准方法··········································································11 2.2.1互信息配准的基本步骤········································································11 2.2.2图像变换·······························································································11 2.2.3插值技术·······························································································12 2.2.4出界点处理····························································································14 2.2.5灰度级别对配准的影响········································································15 2.3本章小结·········································································································17 第3章 基于智能优化的互信息配准算法·······························································18 3.1互信息配准中的优化方法··············································································18 3.1.1引言·······································································································18 3.1.2 Powell法·······························································································20 3.1.3遗传算法·······························································································22 3.1.4 模拟退火算法·······················································································25 3.2基于智能优化的互信息配准算法··································································27 3.2.1遗传－模拟退火混合优化算法····························································28 3.2.2蚁群算法·······························································································30 硕士学位论文 -II- 3.3 配准实验与结果分析·····················································································33 3.3.1实验数据·······························································································33 3.3.2实验过程·······························································································34 3.3.3实验结果和分析····················································································35 3.4 本章小结········································································································37 第4章 基于小波变换的多分辨率图像配准···························································39 4.1 小波变换与多分辨率分析·············································································39 4.1.1小波变换·······························································································39 4.1.2多分辨率分析························································································40 4.1.3Mallat算法·····························································································43 4.1.4图像的小波变换····················································································43 4.2基于小波变换的多分辨率图像配准······························································46 4.3 配准实验与结果分析·····················································································47 4.3.1实验过程·······························································································47 4.3.2实验结果与分析····················································································48 4.4小结·················································································································50 结论······························································································································51 参考文献······················································································································53 致谢······························································································································58 附录A 攻读学位期间所发表的学术论文目录························································59