资源描述：
《基于最大互信息的分层图像配准方法new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第24卷第6期攀枝花学院学报2007年12月Vo.l24.No.6JournalofPanzhihuaUniversityDec.2007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(NMI)做价值函数,考虑了计算中的出界点和插值问题,将Powell算法与分
2、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(NMI);PV插值;分层策略;Powell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[1]变换有刚体变换、仿射变换、透
3、视或投影变换和非线性变换(也称弯曲变换)。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[2]准图像中。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[6]确度较高、人为干预少的优点,而日益受到重视。但是此
4、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Powell方法加以分层处理。分层处理采用简单的规则将参考图像和待配准图像分层预处理后逐层运用优化算法处理,既减少了运行时间,又较好地避免了局部极值。本文在基于离散图像互信息计算的基本原理上阐述了基于分层的Powell优化算法,并通过实验结果证明了本文方法的有效性。2互信息理论由于脑部的骨架是固定的结构,并且表面的皮肤变形不大,所以可以看作是一个刚体。对于二维的脑部图像进行处理一般可采
5、用几何变换的方法进行。基于像素灰度的算法中,互信息方法可以获得较好[1,2,6,7]的效果。由信息论基本原理可知,两个随机变量A和B的互信息定义为:PAB(a,b)I(A,B)=PAB(a,b)log(1)a,bPA(a)PB(b)其中:PA(a)和PB(b)是A和B的边缘分布,PAB(a,b)是A和B的联合分布。互信息通过测量A和B的联合分布PAB与A、B完全独立时的联合分布PA(a)PB(b)之间的距离来测量A与B的依赖程度。当两幅图像精确配准时,互信息最大。互信息和信息熵的关系如下:I(A,B)=H(A)+H(B)-H(A,B)50第24卷
6、苏瑜苏敏刘丽:基于最大互信息的分层图像配准方法第6期=H(A)-H(AB)=H(B)-H(BA)(2)对于离散的二维图像,熵可以用以下方式表示:H(A,B)=-PAB(ab)logPAB(ab)a,bh(a,b)PAB(ab)=,PA(a)=PAB(ab),PB(b)=PAB(ab),,(3)h(a,b)baa,b归一化互信息和熵的关系则表示为:H(A)+H(B)I(A,B)=(4)H(A,B)其中,H(A)、H(B)是A、B的熵,H(A,B)为A和B的联合熵。3图像去噪预处理对于实际的数字图像,在采集和
7、传输过程中,会存在干扰引起的噪声,而图像的平滑处理可以降低噪声的干扰,提高互信息函数的平滑性。一般可以采用wiener滤波方法和中值滤波方法,中值滤波是用像素点周围8个其他像素点的灰度值来代替该点的灰度值,能较好地保留图像的边缘细节。下面分别给出中值滤波和9*9wiener滤波及原始图像的互信息函数示意图。图1中值滤波和9*9wiener滤波及原始图像的互信息函数示意图由图1可见,中值滤波后计算的互信息值更适合在进行优化时进行较好的配准。4、插值处理在图像的配准过程中,存在着几何变换,因此像素点的坐标变换,图像需要重新采样。在图像配准中[3]常用的插
