一种多模态医学影像鲁棒配准方法

为提高多模态医学影像配准的鲁棒性和精度,提出了一种基于主定序和混合熵的配准新方法.首先利用主成分分析方法定义了图像的主定序特征,描述图像邻域像素间的空间信息和微观结构特性;进而结合图像灰度信息构造了一种基于混合熵的配准测度,有效保证了配准测度函数的光滑性和收敛性.多组多模态医学影像测试结果表明,新方法能有效抑制噪声,具有很高的配准精度,鲁棒性强,优于现有的几种方法.     

基于改进的非刚性配准的三维网格序列压缩方法

旨在解决拓扑异构的三维网格序列的压缩问题,采用非刚性配准和视频帧间编码技术结合,提出双向多参考帧预测方案,构建了一种基于非刚性配准的针对拓扑异构的三维网格序列的压缩方法.该方法有效地利用三维网格序列的帧间相关性,降低存储代价.三维人脸网格序列压缩实验结果表明:与传统方法相比,压缩性能有很大提高.     

一种改进的加速稳健特征图像配准算法

针对传统的加速稳健特征配准算法存在计算复杂、配准精度不高、鲁棒性差等不足,文中提出了一种改进的加速稳健特征配准算法。通过构建尺度空间及计算Hessian矩阵的极值筛选出稳定的特征点,利用二进制稳健独立基本特征描述子对特征点进行描述,并通过几何约束算法对随机一致性抽样算法进行改进,实现了匹配点对的提纯,求出单应矩阵并应用于待配准图像。研究结果表明：文中的算法相较于加速稳健特征配准算法,在噪声环境下配准偏移下降了13.8%,仿真实验中配准偏移平均下降了14.7%,配准时间平均降低了15.63%,表现出优良的抗噪性、准确性及实时性。     

LBM的医学影像非刚体配准新方法

为了提高医学影像的配准性能,利用流体粒子运动可以模拟任意自由复杂形变的特性,将医学影像配准问题转化为粘滞流体力学物理问题,提出了一种基于离散格子玻耳兹曼方法(LBM)的非刚体配准新方法.配准过程是把浮动影像、目标影像和浮动影像的灰度差以及像素点分别视为粘滞流体、外力以及流体粒子,通过LBM方程模拟浮动影像像素点在外力作用下的流动,使影像产生位移场,发生形变.当两幅影像的灰度值接近一致时,外力消失,流体流动停止,影像达到配准.建立了含外力项的粘性可压缩LBM方程,并对边界条件、初始条件和速度模值进行了定义.实验结果表明,文中方法与同类方法相比,配准性能得到了全面提升,提高了配准效率,适合大形变配准场合.     

一种多传感器时间配准方法

针对多传感器数据融合系统中观测数据时问不同步的问题，采用自适应α-β滤波算法与Lagrange插值法结合进行时问配准．与现有算法比较，此方法可与目标跟踪同步进行．仿真表明，该方法配准实时性强，且简单，可提高融合效率．     

特征点对引导的医学图像弹性配准方法

采用最优化方法进行弹性图像配准时,常常会因为初值选择不合适导致优化过程收敛到局部极值,从而使配准失败。针对该问题,提出了利用一对匹配的特征点来引导迭代配准过程的算法。首先,根据一对匹配的特征点确定图像初始局部配准区域;然后,在算法迭代过程中逐渐扩展局部配准区域直至覆盖整个图像。建立初始局部配准区域及局部配准区域扩展时,根据特征点对的空间位置关系,以及医学图像的形变场在统计特性上是高斯马尔可夫随机场的先验知识,来估计局部配准区域形变参数向量的初值;在对局部配准区域进行配准时,基于图像像素灰度统计信息的配准方法被用来求解局部配准区域的形变场参数向量。实验证明,该算法能够有效克服弹性配准算法容易陷入局部极值的问题。     

基于图像混合特征的城市绿地遥感图像配准

为了解决同一场景城市绿地遥感图像因视角变化等原因不在同一坐标系,以致于不能对其进行变化检测的问题,提出一种基于图像混合特征的遥感图像配准方法. 1）提取SIFT特征点:从待配准图像和参考图像提取足够的SIFT特征点;2）基于混合特征的SIFT特征点配准：首先在特征点集Y和X之间进行对应关系评估,然后利用对应关系建立空间映射函数不断更新形变后源点集的位置;3）图像配准：基于源点集和形变后的源点集来构造一个映射函数,从而对图像进行配准. 在与当前流行的4种算法（SIFT、CPD、RSOC、GLMDTPS）的对比实验中,提出的算法均给出了精确的配准结果,在大部分实验中其性能超过了其他算法.     

基于控制点的一种高光谱图像配准方法

提出了一种改进的基于控制点(control points,CP)的高光谱图像配准算法,该方法利用Forstner算子对不同类型传感器所获取的图像进行特征点提取,然后用2种方法对同名特征点进行有效匹配,最终利用一个仿射变换实现高光谱图像与高分辨率图像的配准。通过实地图像成像实验、图像配准实验和图像融合验证实验,证明了算法的有效性。     

融合空间聚类与结构特征的点集配准优化算法

在点集配准中,噪声、非刚性形变和误匹配的存在,产生了求解非线性最优空间变换困难的问题。针对这个问题引入局部约束条件,提出了一种采用局部空间聚类和邻域结构特征的点集配准优化算法(PR-SDCLS)。首先,利用点集空间距离矩阵构造运动一致性聚类子集和离群值聚类子集;然后,在运动一致性聚类子集中分别使用高斯混合模型拟合,并引入通过融合形状上下文特征描述子与加权空间距离获得考虑全局和局部特征的混合系数;最后,采用最大期望算法完成参数估计,实现了混合模型的非刚性点集配准模型;为了提高算法效率,模型变换采用再生核希尔伯特空间建模,并使用核近似策略。实验结果表明,该算法在涉及不同类型数据退化(变形、噪声、离群点、遮挡和旋转)的非刚性数据集上,面对大量异常值时具有良好的配准效果和鲁棒性,配准平均误差的均值在经典和先进的算法基础上降低了约42.0538%。     

基于深度学习的图像配准方法综述

图像配准是图像处理和计算机视觉领域中的关键技术。近年来,随着深度学习在图像处理和计算机视觉领域取得突破性进展,基于深度学习的图像配准方法也不断涌现。系统介绍了基于深度学习的图像配准方法,将其分为基于特征的组合配准方法、有监督学习的直接配准方法以及无监督学习的直接配准方法三大类,比较分析了各种配准方法的优劣。并以此为基础,对基于深度学习的图像配准方法未来的研究趋势进行了展望。     

利用局部特征联合匹配的非刚体目标跟踪

针对视频序列中非刚体目标的跟踪问题,提出了基于局部特征联合匹配的快速跟踪算法．算法将基于关键点的特征匹配问题转化为求解平衡指派的最优化问题,进而依据整体匹配最优的原则实现特征的联合匹配．跟踪过程为:首先分别提取目标模板和当前搜索区域的局部关键点并进行特征描述;然后依据联合匹配策略确定目标模板关键点在输入帧图像中的匹配结果;最后依据匹配结果确定目标在输入帧图像中的位置和尺度．实验结果表明,该算法对目标的非刚性形变具有较强的鲁棒性,能够适应复杂的背景变化并获得稳定的跟踪结果．     

自适应近邻的局部线性嵌入算法

在局部线性嵌入算法(LLE)中寻找最优近邻数常用试凑法进行搜索,需要大量的时间才能得到最优结果.为此提出基于自适应近邻的局部线性嵌入算法( ANLLE),算法首先给出一个相似性度量函数,然后据此为各个样本设定阈值,根据每个样本周围数据分布情况,为每个样本自动设置不同近邻数,最后在各个样本近邻数不相同情况下进行数据降维及待测样本的分类.在人脸数据库及手写数字数据库上的对比实验表明,ANLLE算法识别性能高于标准LLE算法及邻域线性嵌入算法(NLE).     

基于近邻消息传递的自适应局部线性嵌入

针对局部线性嵌入(LLE)降维算法中邻域参数的人工设定及其全局性的缺陷,研究了聚类和降维的内在联系,提出了邻域参数的自适应选取策略,构建了一种聚类和降维的自适应局部线性嵌入(ALLE)算法,为每个样本点设计最佳的近邻搜索空间,自适应选取邻近点计算权值重建矩阵,基于类信息重新定义了重构误差函数。实验表明,新算法更能体现出数学上流形概念的局部坐标化本质,对不相关数据、冗余数据和噪声数据具有良好的鲁棒性,在实际识别问题中体现出优越的性能。     

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。     

基于支持向量机的局域线性嵌入算法在图像检索中的应用

SVM算法复杂度与样本维数无关,具有的泛化能力强、分类精度高的特点,而LLE是有效的非线性降维方法,本文利用支持向量机（SVM）算法对局域线性嵌入（LLE）算法进行改进,有效地解决了基于内容的图像检索中的高维特征向量的降维问题,实验表明具有较高的查全率和查准率。     

Multi-modality liver image registration based on multilevel B-splines free-form deformation and L-BFGS optimal algorithm简

A new coarse-to-fine strategy was proposed for nonrigid registration of computed tomography （CT） and magnetic resonance （MR） images of a liver. This hierarchical framework consisted of an affine transformation and a B-splines free-form deformation （FFD）. The affine transformation performed a rough registration targeting the mismatch between the CT and MR images The B-splines FFD transformation performed a finer registration by correcting local motion deformation. In the registration algorithm, the normalized mutual information （NMI） was used as similarity measure, and the limited memory Broyden-Fletcher- Goldfarb-Shannon （L-BFGS） optimization method was applied for optimization process. The algorithm was applied to the fully automated registration of liver CT and MR images in three subjects. The results demonstrate that the proposed method not only significantly improves the registration accuracy but also reduces the running time, which is effective and efficient for nonrigid registration.     

基于变电站多模图像的自动集成配准方法

针对采集的变电站多模图像,提出了一种改进的多模态图像的自动集成配准方法。变电站多模图像的尺寸不同,所以先对其进行小波变换,以变换后得到的两幅概貌图像为待配准图像,以六种配准方法中的每一种作为一个适应度函数。使用遗传算法进行搜索,分别寻找两幅概貌图像的最佳配准位置,再映射回小波变换前的多模图像,最后使用动态可信度进行集成。实验结果证明,该方法能实现不同尺寸的多模态图像的自动配准,速度较快,鲁棒性强,比单一的配准方法准确性高,并且可以不断地修正可信度,具有较强的适应性。     

Maximum likelihood registration for systemic error based on statistical linear regression

Generally,there are non-random systemic errors in target detection with the cooperative multi-sensor system.In order to solve this problem,a maximum likelihood registration algorithm based on statistical linear regression (SLR-MLR) is presented.The registration equation for the multi-sensor system is established first by jointly maximizing the likelihood function of the target state and systemic error,on the basis of which the proposed algorithm utilizes a set of diverse regression points to handle the linearization problem of the nonlinear measurement transformation.The regression equation for the target state with respect to unbiased measurement is constructed through statistical linear regression,and then the first two statistical properties of the projected state can be obtained.Moreover,the algorithm uses the likelihood maximization iteration to seek the solution of the registration equation,thus achieving the joint estimation for the systemic error and target state.Simulation results show that the SLR-MLR can achieve the registration of multiple sensors in each observation dimension,and has a higher accuracy and near computational complexity compared with the classical MLR.