基于改进光流场模型的医学图像配准方法

基于光流场模型的图像配准方法计算简单快速,但采用原始光流场模型进行图像配准会使图像出现严重的模糊导致不能使用。提出了对原始光流场模型的正则项进行改进,同时引入运动模糊图像复原算法,改进的算法改善了原始光流场模型造成的图像模糊。实验结果表明,基于改进光流场模型的医学图像配准算法配准结果准确,具有较快的配准速度。     

基于改进模拟退火算法的医学图像配准

基于互信息的图像配准方法被广泛应用于医学图像配准,但其目标函数常常存在许多局部极值,干扰配准结果.提出了改进的下降单纯形-模拟退火混合算法.利用快速的下降单纯形法作局部搜索获得局部极值,再利用具有全局优化能力的模拟退火法来获取全局极值,从而实现CT-MR多模医学图像配准.实验表明,该混合算法与传统的单一算法相比,配准精度高,速度快.     

医学图像配准分类研究

医学图像配准是医学图像研究领域的一项重要课题。配准种类包括刚性配准和非刚性配准,配准形式包括不同个体间的配准以及同一个体不同图谱的配准。介绍了基于处理流程和基于图像特征的图像配准方法以及基于变形模型的图像配准三大类。非刚性配准比刚性配准在稳定性和计算效率等方面要求更高,技术难度更大,同时具有更重要的应用意义。随着计算机技术的应用和发展,非刚性配准成为一个非常活跃的研究领域,相关的模型和方法 备受关注。     

改进遗传算法的医学图像配准

采用遗传算法的医学图像配准时,遗传算法存在收敛速度慢,易早熟的问题,有可能导致误配.提出改进遗传算法(IGA),该方法将外推搜索和黄金分割搜索与标准遗传算法(SGA)相结合,既提高了遗传算法的收敛速度,又有效地防止了早熟.实验结果表明,改进算法具有更好的有效性和精确性.     

医学图像配准的优化算法改进研究

在医学图像配准优化算法中通常采用Powell法,由于基本Powell法随迭代次数的增加,搜索方向容易趋于线性相关,为此提出了一种改进的Powell法,该算法随着迭代的增加,搜索方向的共轭程度逐渐增强可避免线性相关.将边缘检测与最大互信息相结合,提高原有算法的性能,较准确地完成图像配准任务.对提出的配准算法进行了Matlab仿真实验并对仿真结果做了分析.     

基于遗传算法的互信息医学图像配准

本文首先介绍了医学图像配准的基本概念及方法流程;然后介绍了基于遗传算法寻优的图像配准,其适应度函数为两配准图像的互信息;最后通过基于遗传算法的脑部二维图像配准实验说明该算法的高效性.     

非刚性医学图像配准研究综述

非刚性配准技术是医学图像配准中的一个重要研究课题,是非刚性组织配准,不同个体之间的配准以及个体同图谱配准的基础。该文提出了多项式法、样条函数法等基于空间变换的配准方法,以及弹性模型、粘性流体模型和光流场模型等基于物理模型的配准方法两大类方法。同刚性配准相比,非刚性配准技术还不成熟,计算效率和稳定性还需要进一步提高,仍是一个非常活跃的研究领域。     

基于运动受限弹簧质子模型的图像上采样

图像上采样是可视媒体技术的重要组成部分.作者提出一种新的方法,将图像上采样问题转换成基于运动受限弹簧质子模型的力学平衡和基于变形网格的上采样问题.首先,根据图像放大的特点,作者调整传统弹簧质子模型中拉伸/排斥力的传统方法定义方式,避免质子对邻域外其它质子的运动产生拉伸干扰;设计向心力,限制质子活动区域;基于源图像梯度场模的梯度场定义模型外力,使所有边缘质子所受外力垂直指向图像边缘方向,非边缘质子所受外力几乎为零;基于Helmholtz- Hodge定理引进光滑正则项,保证变形的光滑性.然后,通过弹簧质子模型确定图元控制区域网格,并基于该网格实现上采样.作者提供了若干实验数据说明方法是有意义的.     

基于薄板样条的非刚体医学图像配准

非刚体图象配准是非线性的图像配准方法,它能够实现图像之间的配准,为提高医学图像配准精度,对于形变较大的多模图像的配准等都有着重要的作用.提出了一种基于薄板样条的3D/2D非刚体医学图象配准算法,算法首先提出一个混合能量公式,在配准的过程中,用薄板样条法实现全局配准,并通过仿真退火算法进行迭代,以缩小并确定变形的待配准区域.在局部的待配准区域,采用互信息的方法进行配准.解决了因特征点不足引起的不完整匹配问题,使得图像连续平滑,以得到较优的配准效果.     

用弹簧分子系统进行弹性医学图像配准

将源图像Delaunay三角化,用弹簧分子系统模拟网格形变,网格点在系统力的作用下移动去拟合待配准的目标图像.力由互信息梯度定义,并利用已知解剖结构特征的对应关系对形变过程进行约束.经过一段时间,网格点停止运动,对每一个Delaunay三角形计算局部仿射变换.实验结果表明,该算法能够快速准确地实现弹性医学图像配准.     

应用改进的弹簧质点模型进行图像滤波的算法

为了克服单一使用中值滤波方法去除脉冲噪声会造成图像细节信息丢失的缺陷,提出一种基于弹簧质点模型检测的迭代中值滤波算法.首先将被检测点作为中心点,其周围8个方向的像素点对该中心点的拉力组成一个平面内的弹簧质点模型,根据弹簧质点模型的稳定条件,即平面汇交力系的平衡原理来检测像素点是否为噪声点;然后通过迭代方法,只用信号点来修改噪声点的像素值.实验结果表明,与传统的滤波算法相比,文中算法可以更有效地去除图像中的脉冲噪声并且保留原图像的细节.     

组合模型的图像配准

为解决图像配准中因旋转变换,尺度缩放,光照变化,相机抖动,气流变化以及压缩等影响成像质量,而导致特征点检测数目不足的问题,本文提出了基于组合模型的图像配准方法.该方法采用KAZE与SURF算子联合检测局部区域中线性与非线性特征点;同时为了提高计算效率,采用二进制向量描述符表征特征点,并使用汉明距离计算特征点之间的匹配距...     

医学图像配准中基于图像梯度的灰度压缩

基于互信息的医学图像配准,其配准精度可以达到亚像素水平,精度高且鲁棒性好,但互信息的巨大计算量使配准速度较慢,不能达到临床使用要求,而互信息的计算速度与图像的灰度阶数有关。为此,针对互信息由于图像灰度级数过多造成互信息计算量大的问题,提出一种基于图像梯度的灰度压缩算法。算法采用图像的梯度信息,根据图像梯度对图像进行非线性灰度映射,同时利用小波对差异图像进行分解和重构。实验结果证明,该算法能减少图像灰度阶数,同时较好地保留图像的细节信息,在保持配准精度的前提下减少配准时间。     

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。     

基于自适应分数阶的医学图像非刚性配准

现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢. 分数阶主动Demons (Fractional active Demons, FAD)算法是解决该问题的有效方法, 并且适用于图像的非刚性配准. 但FAD中的最佳分数阶阶次是人工交互选取, 并且对整幅图像都是固定不变的. 为了解决该问题, 提出一种阶次自适应的主动Demons算法并将其应用到医学图像的非刚性配准中. 算法首先根据图像的局部特征建立分数阶阶次自适应的数学模型, 并逐像素计算最优阶次, 基于该阶次构造Riemann-Liouvill (R-L)分数阶微分动态模板; 然后将自适应R-L分数阶微分引入到Active Demons算法, 在一定程度上缓解了图像配准在弱边缘和弱纹理区域易陷入局部最优问题, 从而提高了配准精度. 通过在两个医学图像库上进行实验验证, 实验结果表明该方法可以处理灰度均匀、弱纹理和弱边缘的医学图像非刚性配准, 配准精度得到较大提升.     

基于改进的弹簧-质点模型的三维服装模拟

针对三维服装造型与效果仿真中存在的模型复杂、模拟效率低、忽略服装的结构特征等问题,提出了改进的弹簧-质点模型.利用该模型统一建立了2D→3D映射和服装真实感模拟方程,给出方程中质点所受内力和外力的组成与表达式以及动态系统的推导和求解过程,并且描述了模拟的具体实现算法.改进的弹簧-质点模型克服了原有模型对服装织物的材料性能表达单一的缺点,考虑了拉伸、剪切、弯曲等力学性能以及省/褶等结构因素对服装外观的影响,实现了较复杂的服装外型.通过从效率与效果两个方面与其他模拟系统进行比较,发现该技术的模拟效率较高而且模拟结果较为真实.该模拟技术已经在服装企业推广应用,用户反映良好.     

基于模型的医学图像形变配准在图像引导放疗中的应用研究进展

为了使人们对基于模型的形变配准在图像引导放疗中的应用状况有个概略了解,在对目前有关基于模型的形变配准方法在图像引导放疗中的应用研究进行调研的基础上,根据形变配准的形变模型和特征空间的选取、相似性度量标准的选取、空间优化等3个主要步骤,以及形变配准方法验证4个方面,对有关基于模型的形变配准方法的文献进行了扼要的分类统计。统计结果表明：目前的形变配准方法在图像引导放疗中的应用研究方向正趋向于在保证形变配准方法的精度与准确度的基础上,通过多分辨率、不同尺度等级、并行计算以及不同优化算法结合等方法来缩短配准时间方面,以满足临床应用的要求。     

基于特征分类的MRI医学图像弹性配准

基于互信息的弹性图像配准是医学图像配准的重要方法之一。然而由于互信息在小样本图像配准中,会出现多局部极值和极值偏离问题,从而容易出现配准误差,进而造成整图的弹性配准误差。为减少这种配准误差,提出了一种基于特征分类的互信息医学图像弹性配准方法。该方法先采用图像的灰度和梯度特征训练自组织映射(self-organized mapping,SOM)神经网络特征分类器,将图像由高维灰度空间映射到低维特征类别空间;然后,在特征类别空间进行互信息图像弹性配准。实验结果表明,该方法大大提高了小样本图像配准的成功率,并可通用于有噪和无噪的医学图像弹性配准中。