粒子群与改进的鲍威尔算法相结合的多分辨率三维医学图像配准

为克服传统基于互信息的多模医学图像配准算法容易陷入局部最优的问题,提出了一种改进的多分辨率三维医学图像配准算法.该算法通过高斯滤波将三维医学图像进行多尺度化,形成多分辨率图像金字塔,以Mattes互信息作为配准框架的相似性测度.在图像金字塔的低分辨率层使用粒子群优化算法进行全局变换参数的搜索,然后以全局变换参数作为高分辨率层配准的初始参数,并以鲍威尔优化算法进行优化,完成最终的三维医学图像配准.实验结果表明,改进的算法不仅使待配准两幅图像空间位置对齐,而且较传统互信息算法提高了配准精度,鲁棒性更强,有效地解决了基于互信息的配准算法陷入局部最优的可能.     

一种改进的心脏磁共振图像亚像素匹配方法

心肌灌注磁共振图像系列的配准是心脏分析诊断的重要辅助手段。针对心脏磁共振时间序列图像,提出了一种结合力矩主轴法与互信息法的序列图像亚像素配准新方法。给出了一种由粗配准到精配准的混合配准策略。采用力矩主轴法进行粗配准,避免那些远离全局最优点的局部极值;采用Powell算法和模拟退火算法相结合的搜索策略,以互信息的值作为目标函数,对结果进行优化。使得图像配准精度和速度有极大的提高。     

基于归一化互信息与模糊自适应PSO的图像自动配准方法

提出了一种基于归一化互信息相似性判据,并采用模糊自适应粒子群优化算(particle swam optimization,PSO)作为搜索策略的图像自动配准方法.由于互信息方法不能解决图像缩放的问题,该方法在计算图像互信息之前,先对图像进行尺寸相同化操作;同时针对互信息方法中目标函数易陷入局部极值及搜索速度慢的问题,该方法采用归一化互信息作为相似性准则,并提出以模糊自适应PSO算法作为优化策略来提高配准速度和精度的方法.实验表明,采用归一化互信息作为配准测度,可提高配准的鲁棒性,而且,引入了模糊推理机之后,配准效率得到大幅提高,用该方法对具有仿射变换的图像进行配准能得到快速、精确的配准结果,证明了该算法的可行性和有效性.     

基于最大互信息和量子粒子群优化算法的医学图像配准研究*

研究了基于最大互信息的图像配准算法,在图像配准中引入了新的相似性测度,在分析具有量子行为的粒子群优化算法基础上,将量子粒子群算法作为优化策略用于图像配准并与Powell算法和PSO算法进行了仿真比较,对仿真结果进行了分析。     

改进的区域互信息和小波变换的图像配准

为提高图像配准的速度和精度,对基于区域互信息配准算法进行了改进,运用了两层小波分解策略的配准方法,小波分解得到的最顶层图像采用粒子群优化全局寻优算法,利用搜索的结果作为下一层Powell寻优方法的起点,另外,对待配准图像应用形态学方法去除噪音。针对不同分解层的特点,采用不同的测度方法,得到的顶层图像采用改进后的区域互信息为相似性测度,而底层采用归一化互信息测度和相位一致性的相结合的方法,不仅提高了速度,还克服了图像间明暗对比的影响。实验结果表明,提出的配准算法对图像噪声有较高的鲁棒性,可达到亚像素精度,在配准速度上也有了很大的提高。     

基于互信息和二级搜索的图像配准

基于互信息的图像配准方法,已经广泛应用于图像配准领域.但互信息图像配准方法容易受到局部极值的干扰,难以得到最优解.对互信息图像配准中互信息的表征、图像插值方法以及优化搜索算法三个要素做了探讨,尤其针对常用的Powell搜索算法的不足,提出了基于互信息和二级搜索的图像配准算法.该算法以标准互信息为图像相似测度,利用PV插值法平滑搜索空间,采用Simplex算法进行一级粗配准,采用Powell算法进行二级精配准.仿真结果表明,二级搜索配准算法能够有效地克服局部极值,提高计算速度,用于大差异图像配准.     

改进型文化粒子群在图像配准中的应用

设计了一种用于图像配准的优化算法.根据图像灰度和空间结构信息,构造一个基于最大化互信息的配准测度函数,结合一种适用于图像自动配准的文化粒子群优化(CIPSO)算法.新的配准算法在搜索空间上进行优化设置,将整个搜索空间分成群体空间、信念空间两组.群体空间的粒子不仅根据自己空间的个体最优和全局最优来优化自己,还与信念空间中的最优个体进行交互学习,加速粒子群的收敛速度,克服了图像配准中计算量过大、搜索速度慢等问题.实验表明,与现有的PSO配准算法相比,提出的算法具有较好的鲁棒性和配准精确率.     

一种基于混合量子行为粒子群优化算法的图像配准方法

针对多模医学图像配准的高精度要求,以最大化互信息图像配准方法为基础,提出了一种基于混合量子行为的粒子群优化(HQPSO)算法的多模医学图像配准新方法。实验结果表明,在多模医学图像配准应用中,新算法的实际性能不仅优于传统的Powell算法和PSO算法,也比QPSO算法有一定的优势。上述结论为医疗图像诊断分析提供了一种新的有效方法。     

基于FCN和互信息的医学图像配准技术研究

针对传统配准方法在进行三维多模态图像配准时存在收敛速度较慢、容易陷入极值等问题,提出一种基于全卷积神经网络（Fully Convolutional Networks,FCN）和互信息的配准方法。利用FCN模型提取二维图像深层特征并进行粗配准;将得到的配准结果作为互信息算法的初始搜索点,从而使搜索范围缩小至全局最优解附近;利用互信息算法对参数进一步微调优化,得到最优三维配准结果。实验结果表明,在进行CT-MR图像配准时,所提方法不仅可以大幅度提升配准速度,还能有效避免局部收敛的情况,具有更高的准确性。     

基于P样条和局部互信息的非刚性医学图像配准*

为了克服互信息仅考虑两幅图像相应像素的灰度信息,忽略了图像本身的内在空间信息,以及B样条变换模型存在形变场奇异点的缺陷,提出一种基于P样条和局部互信息的非刚性医学图像配准方法。该方法以局部互信息为相似性测度,采用P样条变换模型模拟待配准图像的几何形变,然后使用三次插值算法对图像像素进行赋值,结合对大规模参数优化效率高的LBFGS算法对配准参数进行优化。实验结果表明,该方法较传统的互信息和B样条变换模型都有效地提高了配准的精度。     

基于混合互信息的医学图像配准

通常的互信息测度是基于Shannon熵的,对Renyi熵进行分析,根据某些参数下的Renyi熵可以消除局部极值、而Shannon熵对于局部极值具有很强吸引域的特点,提出一种使用Renyi熵和Shannon熵的混合互信息测度,将两种测度分别用于不同的搜索阶段,首先使用全局搜索算法寻找基于Renyi熵的归一化互信息测度的局部极值,再通过局部优化方法对当前的局部最优解进行局部寻优以找到全局最优解,在局部优化阶段使用基于Shannon熵的归一化互信息测度作为目标函数。实验表明,这种配准算法比单纯使用Shannon熵能够取得更准确的配准结果,而且求解速度得到提高。     

基于动态融合蚁群遗传算法的医学图像配准

将基于动态融合的蚁群遗传算法作为一种新的图像配准优化算法应用在多模医学图像配准中。该算法以互信息作为相似性测度,生成初始信息素分布,采用蚁群算法搜索最优变换参数,其中动态融合策略提高了混合算法的搜索效率。仿真实验结果表明,该算法有效地避免信息函数的局部极值,减少大量重复运算,提高了配准的效率,配准结果具有良好的稳定性。     

一种新的卫星多光谱图像自动配准算法

针对小卫星独立相机多光谱成像系统波段间配准的非线性误差问题,提出了一种多光谱图像波段间自动配准算法,该算法综合利用互信息、遗传算法和MQ几何校正模型进行多光谱图像的自动配准。在算法中,以互信息作为配准的相似性度量,获得了很高的配准精度;利用遗传算法的快速搜索特性,可以较快的完成搜索并获得整体的最优解;利用MQ几何模型可以精确的建立图像之间的几何关系。试验表明该算法对于多光谱图像波段间非线性几何关系,能够取得非常高的波段间自动配准精度,整体配准误差在一个像元以内。     

一种基于广义互信息的图像配准算法

互信息作为图像配准中的相关度矩阵有着广泛的应用,通常采用的是基于Shannon熵的互信息。采用一个广义的信息熵——Renyi熵,提出了一种基于广义互信息的图像配准方法。在全局搜索阶段,采用q取较小值的Renyi熵,此时,Renyi熵可以消除局部极值,再通过局部优化方法对当前的局部最优解进行局部寻优,以找到全局最优解;在局部优化阶段,使用基于q→1时的Renyi熵的归一化互信息测度作为目标函数。实验结果表明:相对于归一化互信息图像配准算法,基于Renyi熵的互信息配准算法有良好的配准效果,且提高了配准速度。     

基于分块互信息和量子粒子群算法的图像配准

多模图像的配准是图像融合等图像处理需要先行解决的问题.本文提出了一种基于分块互信息和量子粒子群的配准方法,在配准中利用分块互信息值为相似性测度,并用量子粒子群算法求解配准所需的空间变换参数.实验表明:该方法能够避免陷入局部极小值而且速度得到明显改善,其运用于多模图像配准,可以得到理想的效果.     

基于互信息的颅脑MR影像序列的三维配准

医学图像配准具有重要的临床应用价值,并一直是医学图像处理领域的热点研究问题。基于互信息的配准方法由于自动化程度高和配准精度高的优点而被广泛应用于三维医学图像配准;但是,也存在着数据量大、计算速度慢的问题。采用归一化互信息测度,并将一种新的正交优化技术应用于颅脑MR影像序列的三维配准,旨在缩短处理时间。将该方法与使用传统优化算法的配准方法作了比较,实验结果表明,提出的方法能够显著提高配准速度,且不降低配准精度。     

基于角点特征和最大互信息的图像配准

基于互信息的配准方法是图像配准领域的重要方法。互信息是图像配准中常用的相似性度量,具有鲁棒、精度高等优点,但基于互信息的配准计算量大,制约了它的实际应用。文章提出一种基于角点和最大互信息配准方法:首先采用间接算法来计算曲率的极大值点,从而能快速准确的提取角点集;接着计算两幅图像角点集间的互信息,最后通过POWELL算法搜索使互信息最大以实现配准。实验表明,该算法计算简单,配准速度快,具有更好的精确性和鲁棒性。     

基于Dividing Rectangles的多模态

为了准确、可靠地配准多模态医学图像,提出了一种基于互信息的全局优化配准算法。该算法首先提取出目标物体的外轮廓面,再用迭代最近点方法初步对齐图像;然后用确定性的全局优化方法—Dividing Rectangles搜索归一化互信息的全局最优解。该算法利用图像的特征信息,为Dividing Rectangles方法提供了一个较好的初始配准位置,并充分利用了Dividing Rectangles方法在小范围内的高效搜索能力。实验结果表明,对于3维人体脑部数据,该算法配准精度高、速度快,而且有效地避免了配准过程中出现的局部极值。     

广义Jensen-Schur测度在医学图像配准中的应用

使用互信息或归一化互信息测度进行医学图像配准时,由于噪声、模态、插值等影响,测度函数存在许多局部极值,收敛范围较窄,有可能导致误配准。为了克服上述缺点,定义了广义Jensen-Schur测度,利用巴特沃思函数对自变量值的非线性压缩功能,成功地消除了PV插值伪极值点。从测度曲线光滑性、抗噪鲁棒性、收敛性能方面,对四种新构造的广义Jensen-Schur测度、互信息和归一化互信息进行了比较和分析。实验结果表明,新构造的JS22和JS23测度在以上三个方面的性能都优于其他测度。     

自适应特征点检测的可见-红外图像配准

目的 针对可见—红外图像之间配准点的数量不足、分布严重不均匀以及配准点之间的错配率高这3个核心问题,提出一种基于自适应特征点检测的可见—红外图像配准方法。方法 本文提出的自适应特征点检测方法,以Harris corner作为基本特征点;以特征点数目与空间分布为检测目标,从而自动地估计合适不同空间位置的特征点的检测阈值。在特征点对匹配中,将梯度方向与互信息相融合有效地添加了相似性函数的空间位置信息。结果 自适应Harris corner检测方法能够有效地提供空间分布均匀、数量充足的特征点。而梯度方向与互信息相融合的相似性匹配函数提高特征点的匹配率20%,降低配准误差50%。结论 本文提出的多传感器图像配准方法能够快速、准确地实现可见光图像与红外图像之间的配准,在CCD-IR图像融合领域具有很好的实用价值。