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.     

一种快速的三维扫描数据自动配准方法

研究了两幅和多幅深度图像的自动配准问题.在配准两幅深度图像时,结合二维纹理图像配准深度图像,具体过程是:首先,从扫描数据中提取纹理图像,特别地,针对不包含纹理图像的扫描数据提出了一种根据深度图像直接生成纹理图像的方法;然后,基于SIFT(scale-invariant feature transform)特征提取纹理图像中的兴趣像素,并通过预过滤和交叉检验兴趣像素等方法从中找出匹配像素对的候选集;之后,使用RANSAC(random sample consensus)算法,根据三维几何信息的约束找出候选集中正确的匹配像素对和相对应的匹配顶点对,并根据这些匹配顶点对计算出两幅深度图像间的刚体置换矩阵;最后,使用改进的ICP(iterative closest point)算法优化这一结果.在配准多幅深度图像时,提出了一种快速构建模型图的方法,可以避免对任意两幅深度图像作配准,提高了配准速度.该方法已成功应用于多种文物的三维逼真建模.     

医学图像配准算法研究

研究图像配准精度优化问题,医学图像由多种图像结合,利用图像各自的特点进行融合.图像配准技术一直被广泛应用在医学图像和遥感图像领域中,针对传统的图像配准算法效率和精度较低等不足,为了提高医学图像配准的准确度,提出了一种将改进的最大熵算法并应用到图像配准的优化过程中,算法首先将输入的待配准图像进行灰度处理,对灰度值进行初始化,然后采用遗传算法的选择、交叉和变异操作对图像进行平滑,并选择最优值,最后采用最大熵算法对图像进行配准选择,算法有效克服了传统遗传算法容易陷入局部最优的缺点.仿真结果表明了改进的算法有效的提高J图像配准的精确度,验证了改进算法是有效的图像配准方法.     

基于LTS Hausdorff距离与遗传算法的图像配准方法

提出了一种基于LTS Hausdorff距离与遗传算法的图像配准方法。算法首先对参考图像和待配准图像进行压缩、二值化和边缘检测预处理,然后在此基础上结合遗传算法对待配准图像进行配准操作。     

遗传算法和最大互信息医学图像配准算法的研究

针对人脑的二维图像设计了一种遗传算法和最大互信息相结合的医学图像配准算法,采用互信息配准模型,以图像的灰度统计信息为配准依据,用改进的遗传算法搜索图像间的最优变换参数,并用最大互信息作为目标函数指导最优变换参数的搜索。通过实验验证了算法的可行性和稳定性。     

基于隐含相似性的光学和SAR图像配准方法

异质图像配准是多源图像融合的关键步骤之一,通常需要精确提取和匹配图像的同名特征,这种同名特征在成像机理差异巨大的光学和SAR图像中进行提取和匹配十分困难,利用相同场景图像中的隐含相似性可以有效避开这一难点.为了对光学和SAR图像进行配准,提出了一种基于隐含相似性的光学和SAR图像配准方法,该算法首先选用高梯度幅值像素作为隐含特征点集,然后通过像素迁移来构建相似测度准则函数,并用遗传算法对准则函数解空间进行全局优化搜索来获取配准解,这样就将图像配准问题归于模型参数优化求解过程.实验结果表明,该方法有效可行,配准图像能达到像素级配准精度.     

一种基于遗传算法的图像配准算法研究

针对图像位置配准问题,提出了一种基于遗传算法的图像配准算法。选择合适的相似性参数来表征两图像的配准参数,引用遗传算法实现对相似性参数的优化,通过对比实验得到的种群大小、遗传代数和运算时间,最终用MATLAB编写程序对本算法进行实验。实验结果表明该算法相对传统算法具有较好的收敛性和运算速度,同时也具有较好的精确度和实用性。     

三维重建中深度图像配准方法研究

三维重建是计算机视觉的主要目的,也是计算机图形学领域的研究热点。通过两两配准和多视角配准的深度介绍和举例说明,系统介绍了深度图像配准方法。通过这些方法可以大大简化三维物体的识别和定位等问题,开辟了机器视觉的一个新途径。     

一种融合纹理的三维图像重建快速实现方法

为了得到完整的三维模型,介绍了一种融合纹理的三维图像重建快速实现方法。通过对不同视角的深度图像的手动粗配准、ICP算法精配准以及全局配准得到这些深度图像的旋转平移矩阵。通过vrippack,三维重建出完整的三维图像,用TextureStitcher对得到的三维图像进行纹理映射,从而实现融合纹理的三维图像的快速重建。文中在论述配准算法主要思想和实现步骤的同时,也用实验验证了方法的可行性与通用性。     

基于深度学习的医学影像配准综述

图像配准是医学影像处理与智能分析领域中的重要环节和关键技术.传统的图像配准算法由于复杂性较高、计算代价较大等问题,无法实现配准的实时性要求.随着深度学习方法的发展,基于学习的图像配准方法也取得显著效果.文中系统总结基于深度学习的医学图像配准方法.具体地,将方法归为3类:监督学习,无监督学习和对偶监督/弱监督学习.在此基础上,分析和讨论各自优缺点.进一步,着重讨论近年来提出的正则化方法,特别是基于微分同胚表示的正则和基于多尺度的正则.最后,根据当前医学图像配准方法的发展趋势,展望基于深度学习的医学图像配准方法.     

基于轮廓特征匹配的数字人多模态图像配准

医学多模图像配准技术是实现非同源图像的信息融合的前提条件和关键步骤。数字人断层影像学的3种图像数据(彩色切片数据、CT和MRI数据)本质上都是医学图像。基于多模图像信息互补的思路,通过将数字人的两种源图像(彩色切片和MRI图像)进行统一分辨率、维数和去噪等预处理后,提取有效轮廓信息,计算图像的周长、质心和主轴作为配准参数,利用仿射模型实现数字人多模图像的配准,为信息融合工作提供准确的图像信息,解决了关键的技术难题。由实验结果可以看出,配准算法准确,实现处理速度快,图像特征精确,图像配准的目标已达到。     

一种基于角点特征的图像自动配准方法

图像配准是图像处理和计算机视觉中的重要环节。提出了一种基于角点特征的图像自动配准方法来处理具有相似变换的图像配准问题。角点特征由改进的Harris算子提取,然后将提取的角点组成虚拟三角形,利用在相似变换下参考图像和待配准图像中对应的虚拟三角形相似的原理,找到最相似的两个虚拟三角形,以它们对应的顶点作为控制点,求出变换模型参数,从而配准两幅图像。该方法只要求两幅图像中提取的角点特征包含3个以上的对应角点,就能配准两幅图像。它的另一个优点是理论上对两幅图像之间发生的平移、旋转和尺度变化没有限制。实验结果表明:这种图像自动配准算法是正确和有效的。     

增强现实三维注册中标识点匹配算法研究与改进

基于标识点的增强现实系统中,计算机生成的虚拟物体需要正确地注册到相应的标识点上构成对现实环境的增强.针对增强现实三维注册过程中传统算法标识点匹配过程中误识率较高,匹配不够精确的不足,提出了将相对误差法进行改进实现增强现实中的三维注册,同时提出了将基于颜色直方图的图像匹配原理引入增强现实的三维注册过程中,通过实验验证与分析,改进后的匹配算法与传统算法相比减少了标识的误识率,提高了注册精度,已成功应用于增强现实系统的三维注册过程中.     

视差图像配准技术研究综述

传统图像配准技术受限于严苛的初始输入已难以满足人们的需求,近年来,视差图像的配准逐渐成为图像拼接技术中的研究热点。基于视差形成原理介绍了视差图像配准的难点与一般流程。主要研究了基于特征的视差图像配准技术,对近年来视差图像配准的研究成果进行了归纳梳理,并从基于多平面对齐的图像配准、基于网格变形的图像配准以及缝合线驱动的图像配准三个方面进行阐述。通过对各种典型的视差图像配准算法的算法思想、特点以及局限性进行描述和比较,提供该领域研究现状的系统综述,并对视差图像配准技术的研究趋势进行了展望。     

参数自适应的图像亚像素级配准方法

目前基于区域的图像配准方法不能同时满足宽范围运动参数和高准确度的配准要求。基于图像变换的频域和空间域特性,提出一种运动参数自适应的图像配准方法,设计了旋转参数、平移参数的估计步骤和融合方法。基于仿真实验对参数自适应方法与Vandewalle方法、Keren改进方法的效果进行了比较分析,采用误差的标准差和均方误差两项指标评价配准算法的参数自适应性和配准准确度,参数自适应方法的两项评价指标均低于另两种方法,表明其在宽范围运动参数估计方面有自适应能力和高配准精度。     

基于FAST特征的快速图像拼接系统研究

随着应用需求的增多,图像拼接技术已经成为虚拟现实技术、计算机视觉技术、计算机图形学以及视频处理等领域的一个重要研究课题。主要以FAST特征为核心,提出了一种基于FAST特征的快速图像配准系统。该系统首先通过FAST特征进行配准,然后通过改进的RANSAC算法增加配准准确率,最后通过加权融合完成图像拼接。实验表明,该系统有较好的适应性和稳定性,对图像的旋转、仿射变换均不敏感,能够较好地完成有重叠区域图像的拼接工作;同时该系统有较大的速度优势。     

基于深度学习的医学图像配准技术研究进展

医学图像配准技术对于病灶检测、临床诊断、手术规划,疗效评估等有着广泛的应用价值。系统性地总结了基于深度学习的配准算法,从深度迭代、全监督、弱监督到无监督学习的研究发展趋势,分析了各种方法的优势与局限。总体来看,无论是对数据的要求、配准精度,还是计算效率,无监督学习因其不依赖金标准和解剖标签,采用端到端的网络配准框架就可以自动执行需要的任务等优势成为研究的主流方向。然而,基于无监督学习的医学图像配准方法在医学图像领域的可解释性、跨模态多样性和可重复可扩展性方面同样面临着一些研究难点和挑战,这为将来实现更精准的医学图像配准方法指明了研究方向。     

Registering real and virtual imagery

Registering a virtual scene with a real scene captured by a video camera has a number of applications including visually guided robotic navigation, surveillance, military training and operation. The fundamental problem involves several challenging research issues including finding corresponding points between the virtual and the real scene and camera calibration. This paper presents our research in defining and mapping a set of reliable image features for registering the two imageries, extracting and selecting reliable control points for the construction of intrinsic and extrinsic camera parameters. A number of innovative algorithms are presented followed by extensive experimental analysis. An application of registering virtual database image with video image is presented. The algorithms we developed for calculating and matching linear structured features and selecting of reliable control points are applicable to image registration beyond virtual and real imageries.     

一种基于结构特征边缘的多传感器图像配准方法

图像配准是多传感器图像融合等处理的前提. 本文以包含人造目标的合成孔径雷达(Synthetic aperture radar, SAR)图像和可见光图像为处理对象, 提出了一种基于结构特征边缘的多传感器图像配准方法. 该方法提取人造目标在两类图像中表现的共性特征---结构特征边缘, 并基于边缘匹配构造虚拟角点, 采用基于特征一致的粗配准方法和基于虚拟角点的精配准方法, 对待配准图像实现由粗到精的自动配准. 实验结果表明, 本文方法能够取得较高的配准精度.     

基于复值小波分解的图象拼合

图象拼合是一种基于图象的场景编码方法，它被很多基于图象的绘制IBR（image based rendering）系统采用，用来建立复杂的虚拟场景表示（例如，360°球面和柱面全景图、环境映照及高分辨率图象等）.基于复值小波多分辨率分解(Complex Wavelet Multiresolution Decomposition)提出了一种有效的图象拼合方法，它能同时地、逐步求精地对图象进行匹配和整合.首先，采用复值小波变换不仅可以保证全局优化的结果，还能够满足图象整合的规模不变和平移不变性.其次，基于多分辨