基于互信息与边缘互距离的医学图像配准

提出了一种基于互信息与边缘互距离信息的医学图像配准新测度。该种测度既利用了待配准图像间的灰度互信息,又利用了图像边缘间的互距离均值和互距离方差空间信息,从而改进了互信息测度。实验证明这种测度得到的配准参数曲线光滑且峰值尖锐,收敛范围宽,对图像大小有更强的鲁棒性,在图像互信息值一样的情况下,仍有辨识能力。     

改进的基于二阶互信息的配准技术

着重分析讨论了灰度级别、邻域信息对基于二阶互信息的配准技术的影响,通过实验分析得到在PV插值基础上最佳的灰度级别、邻域信息,从而改进了基于二阶互信息的配准技术,并借助分析噪声对配准的影响来解释相关结论。     

互信息配准的一种改进算法

在传统的互信息配准方法中,由于重叠面积的变化会引起配准测度的不稳定,导致误配准.本文提出了一种改进的方法,用"面积补偿"的原理来保证参考图像和待配准图像相对平移时重叠面积保持基本不变,有效地增加了配准测度在配准过程中的鲁棒性.通过对比实验证实了此方法的有效性.     

基于样条金字塔和互信息的快速图像配准*

采用高精度B样条生成金字塔,大幅降低了计算复杂度,通过Parzen窗计算联合直方图并在此基础上导出目标函数的Hessian矩阵表达式,将具备二次收敛性的Newton方法引入到优化过程从而大大提高了配准速度。对普通光学和多谱图像的配准实验表明,该算法大幅提高了互信息模型下的配准速度,且精度较高。     

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。     

一种基于互信息的图像频域配准算法

图像配准是多源图像分析的关键步骤,是图像应用的基础。频域配准方法具有配准精度高和速度快的优点。P.Vandewalle的频域配准算法明显优于其他频域算法和一些空间域算法,对该算法进行了改进,仅使用了一半图像频谱灰度,在对分块后的频谱灰度进行分析时引入了互信息理论,实现了配准精度更高、速度更快的基于互信息的图像频域配准算法。     

基于P样条和局部互信息的非刚性医学图像配准*

为了克服互信息仅考虑两幅图像相应像素的灰度信息,忽略了图像本身的内在空间信息,以及B样条变换模型存在形变场奇异点的缺陷,提出一种基于P样条和局部互信息的非刚性医学图像配准方法。该方法以局部互信息为相似性测度,采用P样条变换模型模拟待配准图像的几何形变,然后使用三次插值算法对图像像素进行赋值,结合对大规模参数优化效率高的LBFGS算法对配准参数进行优化。实验结果表明,该方法较传统的互信息和B样条变换模型都有效地提高了配准的精度。     

基于灰度互信息和梯度相似性的医学图像配准及其加速处理

研究基于归一化互信息的医学图像刚性配准算法,提出改进配准速度和改善配准精度的相应措施．配准处理包含3项主要计算处理,即空间变换、互信息计算以及优化搜索．针对不同计算处理分别研究了相应加速策略,提高其计算速度,实现三维体数据的快速配准．并且,针对传统基于互信息测度配准方法未利用图像灰度空间分布信息,提出将灰度变化梯度相似性与互信息相结合的配准方法,从而进一步提高了配准算法的精度和鲁棒性．实验结果表明了算法的有效性．     

基于脉冲耦合神经网络的混沌控制

根据脉冲耦合神经网络(PCNN)能产生混沌现象,研究了对配置混沌PCNN系统的李雅普诺夫指数使其稳定于期望点的方法。根据特定期望点的情况,按需要配置负的李雅普诺夫指数,产生不同的控制序列来改变混沌PCNN系统,达到稳定控制的要求。仿真和实验结果证明了该算法的有效性,实现了混沌PCNN系统从混沌状态到稳定期望点的控制。     

基于互信息的医学图像配准中改进的采样方法

研究了以互信息为相似性测度的医学图像配准方法,在互信息计算过程中,对图像数据的采样提出了一种基于信息熵的采样方法。这种方法是将图像分成一定数量的小方块,计算每一小方块的熵,根据熵值的大小对方块进行分类,不同的类设置不同的采样因子:熵值大的方块对应的采样因子大,熵值小的方块对应的采样因子小。通过实验证明,该方法能够折中配准的精度和速度,适用于医学图像配准的实时处理。     

加权熵互信息在医学图像配准中的应用

基于互信息的医学图像配准方法具有自动化程度高、配准精度高等优点。采用部分体积插值法和香农熵计算得到的互信息,无法避免会出现一些局部极值,可能导致错误的配准。提出了一种用加权熵代替香农熵的互信息计算方法,并将其应用于图像配准实验。实验结果表明,该方法能够有效平滑互信息的局部极值,减少错误的医学图像配准。     

Accurate and robust image registration based on radial basis neural networks

Neural network-based image registration using global image features is relatively a new research subject, and the schemes devised so far use a feedforward neural network to find the geometrical transformation parameters. In this work, we propose to use a radial basis function neural network instead of feedforward neural network to overcome lengthy pre-registration training stage. This modification has been tested on the neural network-based registration approach using discrete cosine transformation features in the presence of noise. The experimental registration work is conducted in two different levels: estimation of transformation parameters from a local range for fine registration and from a medium range for coarse registration. For both levels, the performances of the feedforward neural network-based and radial basis function neural network-based schemes have been obtained and compared to each other. The proposed scheme does not only speed up the training stage enormously but also increases the accuracy and gives robust results in the presence of additive Gaussian noise owing to the better generalization ability of the radial basis function neural networks.     

互信息医学图像配准研究与局部极值的克服

研究了基于互信息的三维医学图像配准,并克服了的局部极值问题。改进了互信息和归一化互信息的公式,减小了计算量：对Powell算法的方向替换策略进行矫正,最大限度地保持原搜索方向;采用预谩旋转量的方法有效解决了插值赝像局部极值问题。采用背景阚值策略,减小了互信息的计算区域,应用形态学方法,去除了PET图像的背景伪迹,使用了多分辨率策略,有效地提高了配准的速度。实验表明,用谊改进的算法进行三雏医学图像配准可以达到亚像素精度,且在速度上有了明显的提高。     

基于分块互信息的图像配准

针对传统互信息缺乏利用空间信息而容易导致误配的缺点,提出了基于分块互信息的多模图像配准方法,并运用于可见光与红外图像之间的配准。该方法首先将可见光与红外图像分块,求得每个可见光与红外图像块对的互信息,并由块对中可见光与红外图像的质心间的距离为参数,确定块对的配准系数,求得每个块对的互信息与配准系数的乘积的和,定义为分块互信息,并以此为配准准则。实验表明,该方法运用与可见光与红外光配准,在配准精度上优于传统互信息方法。     

图像配准中图像互信息的快速估计算法

快速、精确地估计图像互信息是图像配准中一个非常重要的课题,它涉及到两幅图像的联合概率密度和边缘概率密度的估计。针对核密度估计法运算量大而导致互信息估计速度慢的问题,提出了一种快速核密度估计法,并用它估计图像互信息。快速算法利用了单位冲激函数性质和基于快速傅立叶变换的快速卷积算法,能在线性时间复杂度内估计互信息。采用临床MRI图像的实验证实了快速算法的性能。     

基于人工免疫及最大互信息的胸部多模图像配准*

为了实现胸部医学图像的自动配准,提出了一种基于人工免疫及最大互信息的配准方法。首先定义了最优配准的目标函数,接着运用人工免疫算法,结合最大互信息熵函数产生最优的仿射变换系数,从而实现医学图像自动配准。该人工免疫算法中,抗原是指最大互信息熵目标函数,而抗体是指最优的仿射变换系数。实验证明该方法配准效果较好。     

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。     

Review of pulse-coupled neural networks

This paper reviews the research status of pulse-coupled neural networks (PCNN) in the past decade. Considering there are too many publications about the PCNN, we summarize main approaches and point out interesting parts of the PCNN researches rather than contemplate to go into details of particular algorithms or describe results of comparative experiments. First, the current status of the PCNN and some modified models are briefly introduced. Second, we review the PCNN applications in the field of image processing (e.g. image segmentation, image enhancement, image fusion, object and edge detection, pattern recognition, etc.), then applications in other fields also are mentioned. Subsequently, some existing problems are summarized, while we give some suggestions for the solutions to some puzzles. Finally, the trend of the PCNN is pointed out.     

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。