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.     

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.     

基于混合优化算法和小波变换的图像配准研究

互信息被广泛地应用于图像配准,通常采用优化算法来优化互信息。提出了粒子群优化算法和单纯形法相结合的混合优化算法,该混合算法实现简单,粒子群优化算法具有极强的全局搜索能力,能够有效地跳出局部极值,而单纯形法又能够有效地 进行局部搜索,将两种方法相结合进行图像配准能大大提高配准精度。为了减少运算量,提出了利用小波变换的方法来缩小搜索范围,配准精度达到亚像素级。     

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.     

群搜索优化方法和互信息结合的医学图像配准

本文提出了群搜索优化方法与互信息相结合的医学图像配准算法。使用PV插值法计算两幅图像的联合直方图,进而计算它们的互信息,以互信息作为图像配准的相似性测度,使用群搜索优化方法在指定的搜索空间求解配准所需的空间变换参数。实验结果表明：与粒子群优化方法相比,群搜索优化用于医学图像配准具有更高的配准精度。     

QPSO算法和Powell法结合的多分辨率医学图像配准

图像配准一直是图像研究领域的热点话题,互信息的配准方法由于其精度高、鲁棒性强等特点,成为图像配准中的常用方法。但其目标函数存在局部极值问题。针对这个问题,提出一种量子行为的粒子群优化算法(QPSO)和Powell法相结合的多分辨率搜索优化算法。QPSO参数个数少,其每一个迭代步的取样空间能覆盖整个解空间,能保证算法的全局收敛,因此可以有效地解决Powell算法的缺点。该算法将量子行为的粒子群优化算法(QPSO)与Powell法结合起来对二维的MRI图像进行配准。实验结果表明,该方法能够有效地克服互信息函数的局部极值问题,并提高了配准精度和速度。     

基于互信息和随机优化的超光谱遥感图像配准

精确的谱间配准是从超光谱遥感图像中获取光谱信息的基本前提之一。而谱间配准的主要困难在于宽的成像光谱范围使波长间隔远的图像缺乏相似性, 超光谱图像本身海量的数据也限制了配准算法的复杂性。提出了一种结合互信息和随机优化技术的多分辨率配准方法。该方法采用互信息作为相似性测度, 能很好的适应超光谱图像光谱特征的变化; 二阶同步试探随机逼近(2SPSA )算法的应用, 解决了互信息的多变量优化问题; 通过一种具有平移和旋转不变性的小波分解实现算法的多分辨率形式, 能明显加快算法的收敛速度并保证搜索结果的全局最优性。实验结果表明该算法适用于配准波长范围很宽的超光谱图像, 并能达到子像素的配准精度。     

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。     

医学图像配准的混合量子粒子群优化算法研究

基于互信息的配准方法具有精度高、鲁棒性强等特点,但互信息的配准函数存在局部极值,给配准的过程带来了很大的困难。针对此问题提出了以归一化互信息作为相似性测度,将具有较强全局搜索能力的量子粒子群优化（QPSO）算法用于求解低精度的配准参数,再利用具有较强局部搜索能力的Powell法获得高精度配准参数的方法,应用到医学图像的配准中。实验结果表明,提出的混合算法能够有效地克服互信息函数存在的局部极值和Powell方法存在的初始点依赖问题,提高了配准的成功率,具有较高的配准精度和较快的速度。     

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.     

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。     

结合形态学梯度互信息和多分辨率寻优的图像配准新方法

对互信息配准法进行算法改进. 在互信息基础上结合形态学梯度作为新的图像配准测度, 不仅考虑所有体素信息, 而且有效结合像素在空间位置的相互关系. 将粒子群优化 (Particle swarm optimization, PSO) 算法这种全局寻优算法和 Powell 这一局部寻优算法相结合, 前者的配准结果为后者的算法优化提供了非常有效的初始点, 优化时间大为减少. 借鉴小波变换中多分辨率的思想, 在低分辨率图像中粗略配准后, 上升到高分辨率图像上进一步细化配准结果, 增加算法鲁棒性. 实验结果证明, 本文算法效果良好, 寻优过程在数分钟内完成, 能够满足诊断和科研的实时性要求.     

互信息医学图像配准的实时性研究

基于互信息的医学图像配准是一种高精稳健的自动配准算法,可以达到亚像素级精度且无需提取解剖特征而倍受重视,但其最大问题是速度慢,致使其不能满足临床的实时需求。在分析影响其速度因素的基础上提出一套加速方案,即采用快速粗配准来缩小互信息的搜索范围、利用非等间隔的灰度压缩来加快互信息的计算、通过混合遗传算法和单纯形算法来加快互信息的搜索。实验表明,改进后的算法在保证配准精度的前提下能显著提高配准速度。     

基于改进头脑风暴优化算法的医学图像配准方法

针对精准医疗中图像配准方法收敛速度慢、精度不够高的问题,提出一种基于改进头脑风暴优化（Improved brain storm optimization, IBSO）算法的医学图像配准方法。配准过程分为3个阶段：首先,将待配准图像进行多分辨率分解;然后,使用IBSO算法对低分辨率图像进行全局粗配准;最后,利用单纯形搜索法对高分辨图像精配准。相比粒子群和单纯形结合算法、差分进化和Powell结合算法,以及头脑风暴和Powell结合算法,在单模态实验中,所提算法平均耗时较以上3种算法分别降低了32.89%、13.91%和13.66%,且最大误差、平均误差最小;在多模态实验中,互信息、归一化互信息、交叉累计剩余熵与归一化互相关指数均优于上述3种配准算法。实验结果表明,所提算法可以有效地提升医学图像配准的精度与速度。     

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。     

Medical image registration based on self-adapting pulse-coupled neural networks and mutual information

Medical image registration plays a dominant role in medical image analysis and clinical research. In this paper, we present a new coarse-to-fine method based on pulse-coupled neural networks (PCNNs) and mutual information (MI). In the coarse-registration process, we use the PCNN-clusters’ invariant characteristics of translation, rotation and distortion to get the coarse parameters. And the parameters of the PCNN model are optimized by ant colony optimization algorithm. In the fine-registration process, the coarse parameters provide a near-optimal initial solution. Based on this, the fine-tuning process is implemented by mutual information using the particle swarm optimization algorithm to search the optimal parameters. For the purpose of proving the proposed method can deal with medical image registration automatically, the experiments are carried out on MR and CT images. The comparative experiments on MI-based and SIFT-based methods for medical image registration show that the proposed method achieves higher performance in accuracy.     

基于归一化边缘互信息与自适应加速粒子群的图像配准方法

传统的归一化互信息配准方法未利用图像的空间信息,当图像中混有一定噪声时,会出现误配准。边缘是图像最基本的特征之一,为了改进归一化互信息方法,提高图像配准的精度,加快收敛速度,将图像的边缘信息与灰度信息自适应地结合,形成归一化边缘互信息测度(NCMI),提出一种基于加速因子的自适应加速粒子群优化算法(AAPSO)来优化基于NCMI测度的图像配准。AAPSO算法通过对解排序,将指定数量的劣解进行进化加速来引导粒子的飞行,并对自适应惯性权重公式加以改进,提高了算法的收敛性,防止早熟收敛并增加优化解的多样性,同时加入加速因子来提高收敛速度。实验结果表明,该方法配准精度高,速度快,具有较强的实用性。