一种改进的医学图像配准插值算法研究

提出一种基于统计学的插值算法,依据所要进行插值点的方向性进行搜索插值,以确定该点是平滑区域还是边缘区域,根据预先设定的阈值进行插值处理.通过仿真实验,该算法很好地解决了边缘模糊和效果不佳的问题.     

互信息医学图像配准中PV插值算法的改进

基于互信息的医学图像配准算法中,传统的部分体积插值法（PV）使互信息函数在像素整数倍位移处产生局部极值,使优化算法陷于局部最优解,从而导致错误配准。提出用Blackman-Harris窗sinc函数作为核函数,对传统PV插值法进行改进,同时将参与插值的邻域点从4个增加到16个,有效消除了局部极值,得到了光滑的互信息函数曲线。具体配准实验证明,该方法可行,且有更高的鲁棒性。     

图像配准中确定性扰动PV插值算法

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，图像插值是图像配准过程中一个十分关键的步骤，详细分析了各类插值算法的优缺点，提出了一种确定性扰动PV插值算法，在利用PV插值时考虑了随机扰动涉及到扰动点周围9个网格点，并且通过扰动确定化计算PV插值法的权值．实验结果表明：该算法能够避免网格点和非网格点上的局部极值，有效地改善了基于互信息的目标函数的性能，使函数更加平滑。     

基于定量定性互信息的多层次特征图像匹配算法

针对传统基于互信息图像匹配算法计算量大,且没有考虑像素空间关系和效用的问题,提出了一种基于定量定性互信息的多层次特征图像匹配算法：首先对边缘提取后的图像提取多层次特征,即边缘兴趣点、边缘点和边缘邻域点特征;然后基于不同特征点特性,计算定量定性互信息联合效用;最后在遗传算法框架下,将定量定性互信息值作为适应度函数值搜索匹配参数。仿真结果表明,本文提出的匹配算法精度高,耗时较短且对噪声不敏感。     

基于一种改进的Powell算法和互信息的医学图像配准方法

Powell是一种直接法,不用计算目标函数的梯度,仅通过比较目标函数的数值大小来移动迭代点就可求出极值。但Powell算法对参数的初始值有很大的依赖性,在图像配准的优化过程中易陷入局部最优,使得优化结果很大程度上依赖于初始值,会得到错误的配准参数,从而影响配准效果。为解决这一问题,使用粒子群优化算法(PSO)求取Powell算法的初始值。经检验,此方法克服了Powell算法的缺点,大大提高了配准精度。     

基于属性重要性和互信息的MIBARK改进算法

MIBARK属性约简算法中根据决策表中增加某个属性所引起互信息的变化来度量属性重要性,新算法以属性依赖度作为衡量属性重要性的标准,采用先添后删的方法,在不影响分类质量的前提下将冗余属性删除,通过仿真实验表明该算法达到较好的属性约简效果。     

一种鲁棒的基于互信息的实时立体匹配算法

立体匹配算法依然是目前计算机视觉领域中的一个重要的研究热点.现有的绝大多数匹配算法都假定已满足相似性约束条件.然而在野外环境下,光照不均、场景为非朗伯表面、像机间差异都会使该约束条件无法满足,从而导致匹配失败.本文针对这种情况,并从实时应用的角度出发,提出一种鲁棒的基于互信息的实时立体匹配算法.该方法在相关匹配算法中引入互信息概念,并将其转换为相关算法可用的求和形式,通过迭代方法修正互信息值.然后,建立了三种亮度变化模型来验证该算法的有效性.实验结果表明,该算法能很好地抑制立体图像对间的亮度差异,具有很好的实时性与鲁棒性.     

基于条件互信息的特征选择改进算法

针对传统特征选择算法只专注于特征类相关性或者特征冗余性的问题,提出一种基于条件互信息的特征选择算法。该算法采用k-means的基本思想聚类特征,并从中选出类相关度最大的特征,从而去除不相关和冗余特征。实验使用5个数据集,结果表明,该算法的分类性能优于传统特征选择算法。     

基于质心的二维和三维插值算法

文章把质心原理运用于数值插值,推导了二维和三维质心插值公式,并给出主要的C程序。质心插值在治疗计划系统中得到了很好的应用。利用质心插值作人体图象和剂量计算有关的插值处理,取得了满意的结果。     

一种改进的边缘方向插值算法

已有的边缘方向插值算法利用高低分辨率图像局部方差之间存在的对偶性实现自适应非线性插值。其性能明显优于传统线性插值算法，但图像边缘噪声可能仍然比较明显。为了获得更好的视觉效果。提出了一种改进算法。充分利用局部降采样像素之间的相关信息，用和被插点相邻的6个降采样像素估计高分辨率图像的局部协方差。该算法应用于灰度和彩色图像的分辨率增强，不仅降低了运算复杂度，而且有效地抑制了边缘噪声，进一步提高了插值图像的视觉质量。     

基于萤火虫算法的互信息医学图像配准

提出了从任意视角图像中检测视觉目标的新框架,并通过多视角分类器球面(Multi-View Detector Sphere,MVDS)模型对不同视角分类器之间的关系进行建模,以描述多个视角在识别视觉目标过程中的视角关联。首先,对不同视角的特定目标进行建模,对每个视角训练一个分类器;其次,通过将视角球面三角化,将视角球面均匀划分成若干三角面片,面片顶点所代表的视角之间的关系用以刻画不同视角分类器之间的关系。最后,对于来自未训练视角的目标,可通过融合 球面上相邻视角分类器的输出给出其正确的检测结果。在多个公共数据集上的实验结果表明了该算法的有效性和准确性。     

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。     

基于特征点互信息的医学图像配准

针对互信息配准方法耗时较长、容易陷入极值的缺陷,提出采用ReNet的方法提取图像边缘,构建边缘特征点互信息能量函数,通过改进Powell算法对配准进行优化.通过实验,基于特征点互信息的医学图像配准方法与结构互信息相比,在配准准确率大致相同的情况下,配准所需时间大幅降低.     

基于互信息多步骤优化的医学图像配准

提出了一种新的基于互信息(Mutual Information, MI)的多步骤优化的配准方法。计算输入图像的梯度值，减少了图像的内在信息而使轮廓更为清晰。设计了多步骤的配准框架，优化了配准的收敛过程，使用完整的图像进行有限次的传统配准方法的微调，以实现高精度。为了验证该方法的有效性，分别使用单模、多模和时间序列的方法对临床医学数据进行了实验，与传统的MI配准方法相比，基于互信息的多步骤优化的配准方法具有更高的有效性和精确度。     

基于形状特征点最大互信息的医学图像配准

定义了基于形状特征点的互信息计算公式，提出区域增长结合动态聚类算法的形状特征点提取方法，在使形状特征点互信息最大化完成医学图像配准的过程中，引入人机交互，缩短了优化过程，避免了局部极值。提出的配准策略具备临床实用性，尤其适于缺少灰度信息的医学图像配准。     

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.     

基于小波变换和互信息的医学图像配准

为提高医学图像配准效果,提出了一种基于小波变换和互信息的配准方法。该方法首先通过小波变换将图像分层,并用小波分解的近似分量从最顶层开始搜索,同时以添加边界约束条件的下降单纯形法为搜索策略,而以搜索结果作为下一层搜索的粗略位置;然后逐层细化,以实现由粗到细的搜索过程;同时,针对不同的分解层采用不同的配准方法,即下层引入结合空间信息的区域互信息(RMI)为相似性测度,而上层采用PV插值法,以避免陷入局部极值。最后将此法应用于加噪MR图像单模配准、PET图像单模配准和MR-PET图像多模配准的。实验结果表明,该方法可以得到精确、有效的配准结果。与传统方法相比,该方法不仅配准精度高、抗噪性能好,而且计算效率高。     

基于ITK的Mattes互信息医学图像配准研究

近年来非刚性医学图像配准在临床上的需求越来越明显,而使用互信息的方法已经受到许多学者的关注。本文较为详细的介绍了医学图像分割与配准算法工具包在VS2008中的安装和使用,基于该工具包完成了2D-2DMRI脑部图像的Mat-tes互信息配准,对互信息算法及其实现做了研究,并提出了使用图像金字塔算法策略联合互信息测度进行配准的方案。实验表明,与没有使用联合策略的配准方法相比,该方案在配准鲁棒性没有受到明显影响的同时,提高了配准速度和精度。     

基于共生互信息量的医学图像配准

该文考虑对应点及其邻域内不同方向上的像素点,将图像的空间与方向信息引入到配准中,提出了一种新的相似性测度--共生互信息量(Co-MI),并在此基础上构造了一种新的配准算法--最大共生互信息量法.实验结果表明在图像空间分辨率较低,有噪声影响和图像部分缺损的情况下,该算法具有计算速度快、精度高、鲁棒性强的特点.作为一种一般性的配准方法,共生互信息量同互信息一样,不仅可以用于图像的刚性和弹性配准,还可以应用到图像配准以外的更广阔的领域,如经济学、运筹学、模式识别等.     

Interpolation Artefacts in Mutual Information-Based Image Registration

Image registration requires the transformation of one image to another so as to spatially align the two images. This involves interpolation to estimate gray values of one of the images at positions other than the grid points. When registering two images that have equal grid distances in one or more dimensions, the grid points can be aligned in those dimensions for certain geometric transformations. Consequently, the number of times interpolation is required to compute the registration measure of two images is dependent on the image transformation. When an entropy-based registration measure, such as mutual information, is plotted as a function of the transformation, it will show sudden changes in value for grid-aligning transformations. Such patterns of local extrema impede the registration optimization process. More importantly, they rule out subvoxel accuracy. In this paper, two frequently applied interpolation methods in mutual information-based image registration are analyzed, viz. linear interpolation and partial volume interpolation. It is shown how the registration function depends on the interpolation method and how a slight resampling of one of the images may drastically improve the smoothness of this function.