基于 Nyström 低阶近似和谱特征的图像非刚性配准

图像非刚性配准在计算机视觉和医学图像有着重要的作用.然而存在的非刚性配准算法对严重扭曲变形的图像配准精度和效率都比较低.针对该问题,提出基于Nystrm低阶近似和谱特征的图像非刚性配准算法.算法首先提取像素的谱特征,并将谱特征与空间特征、灰度特征融合形成具有扭曲不变性的全局谱特征; 然后在微分同胚配准的框架内使用全局谱匹配,确保算法产生的变形场具有光滑性、可逆性、可微性,以提高配准的精度;其次采用Nystrm抽样方法,随机抽取拉普拉斯矩阵的行与列,低阶逼近该矩阵,降低高维矩阵谱分解的时间,从而提高配准的效率;最后提出基于小波分解的多分辨率图像配准方法,进一步提高配准的精度和效率.理论分析和实验结果均表明,该算法的配准精度和配准效率都有明显的提高.     

基于改进K-Means聚类医学图像配准

ICP算法广泛应用于医学图像配准,但存在浮动点集初始平移矩阵和旋转矩阵对ICP的影响较大,图像配准容易造成目标函数陷入局部最优值且计算量大等问题。论文提出了基于改进K-Means聚类医学图像配准算法,该方法通过计算出参考图像和浮动图像的质心,获得配准平移初始值;对医学图像坐标进行中心化处理,通过改进的K-Means聚类方法把图像坐标聚成2类;把这2个聚类中心拟合成一条直线,求得该条直线的斜率,进而求得相关倾斜角,获得配准旋转初始值;使用BSGO自动选择特征点,得到参考点集和浮动点集。通过实验得出该算法既可用于单模态图像配准,也可用于多模态图像配准;具有运算量少、图像配准速度较快、计算比较简单、精确度较高等特点,并且解决了图像配准容易陷入局部最优的问题。     

基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。     

基于活动轮廓模型的脑部医学图像弹性配准

针对传统互信息弹性配准方法在医学图像应用上计算量大、处理速度慢的问题提出了一种基于活动轮廓模型(CVL-BFGS)医学图像配准方法。该算法结合了图像局部轮廓信息和全局变化信息,通过提取图像的边缘轮廓,可以有效地挖掘轮廓信息,并克服了弹性配准算法容易陷入局部极值问题,使图像配准的结果更加稳定。同时该算法为全局互信息配准提供一个通过局部配准得到的更优初始值,从而降低了整体配准的迭代次数,提高图像配准效率,并证明了该算法的鲁棒性和有效性。     

基于自适应分数阶的医学图像非刚性配准

现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢. 分数阶主动Demons (Fractional active Demons, FAD)算法是解决该问题的有效方法, 并且适用于图像的非刚性配准. 但FAD中的最佳分数阶阶次是人工交互选取, 并且对整幅图像都是固定不变的. 为了解决该问题, 提出一种阶次自适应的主动Demons算法并将其应用到医学图像的非刚性配准中. 算法首先根据图像的局部特征建立分数阶阶次自适应的数学模型, 并逐像素计算最优阶次, 基于该阶次构造Riemann-Liouvill (R-L)分数阶微分动态模板; 然后将自适应R-L分数阶微分引入到Active Demons算法, 在一定程度上缓解了图像配准在弱边缘和弱纹理区域易陷入局部最优问题, 从而提高了配准精度. 通过在两个医学图像库上进行实验验证, 实验结果表明该方法可以处理灰度均匀、弱纹理和弱边缘的医学图像非刚性配准, 配准精度得到较大提升.     

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。     

基于SURF的抗重复特征干扰图像配准方法

针对基于加速鲁棒特征(SURF)的图像配准算法的配准精度易受重复特征干扰的影响这一问题,提出一种基于SURF的抗重复特征干扰的图像配准方法.使用SURF算法提取图像特征点;针对重复特征干扰,提出一种特征点分类匹配方法以取代传统的全局匹配,在不显著增加计算量的情况下有效的降低误配率;使用随机抽样一致(RANSAC)算法进一步筛除误配,并计算出图像转化矩阵以完成配准.实验结果表明,该方法能有效抑制实验图像中严重的重复特征干扰,并获得较高的配准精度.     

基于特征点Rényi互信息的医学图像配准

针对医学图像配准有鲁棒性强、准确性高和速度快的要求,文中提出一种基于特征点Rényi互信息的医学图像配准算法.起初从模板图像与待配准图像中依次提取出多尺度特征点,其次使用其空间坐标计算特征点Rényi互信息目标函数,实现图像配准.该算法有效地避免了多模噪声图像间的灰度差异影响,减少了待处理的数据量,同时使用Rényi互信息来消除目标函数所受的局部极值的影响,进一步提高了配准精度.实验证明该算法适于单模和多模医学图像配准,速度较快、精度高、鲁棒性强,是一种有效的自动配准方法,并且具有较好的临床应用价值.     

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.     

融合多种特征点信息的最小生成树医学图像配准

针对医学图像配准鲁棒性强、准确性高和速度快的要求,提出了一种基于融合多种特征点信息的最小生成树医学图像配准算法.该算法首先提取3种特征点,Harris-Laplace,Laplacian of Gaussian 和网格点;然后使用遗传算法去除特征点集的冗余,并通过对位映射构建无向完全图顶点集合;进而使用改进的Krusk...     

基于K-means聚类和RANSAC的图像配准算法研究

针对图像配准中特征点匹配方法存在实时性不高和精度低的问题,提出了一种基于K means聚类和RANSAC的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K means聚类对匹配点对进行预处理,剔除大部分错误匹配点,然后利用RANSAC进行二次优化,实现了图像的快速和精确配准。实验结果表明,该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

自适应变异差分算法与Powell算法相结合的医学图像配准

图像配准是医学图像处理中的关键技术。文中提出一种自适应差分算法(Difference Algorithm,DE)和Powell算法相结合的多分辨率医学图像配准方法,其不仅可以克服Powell算法依赖初始点的缺点,还可以降低陷入局部极值的几率。首先,对源图像进行多分辨处理,获得包括源图像在内的三层图像;然后,在低分辨率图像上使用自适应DE算法进行全局变换参数的搜索,获得的变换参数作为Powell算法的初始点;最后,在高分辨率图像及源图像上使用Powell算法进行配准。与传统实验相比,该方法具有更高的精确度,能够有效避免局部收敛问题。     

改进的自适应遗传算法医学图像配准研究

研究图像配准精度问题。图像配准技术一直被广泛应用在医学图像和遥感图像等众多领域,由于不同的模式设备对人体内的组织会存在不同的灵敏度和分辨率,造成了图像的分辨率不同,而传统的配准算法对于具有不同的分辨率的图像配准的精度度难以提高。为此提出了一种将改进的自适应遗传算法并应用到图像配准的优化过程中,该算法首先采用进化前后期分别调整交叉概率和变异概率来克服传统遗传算法容易陷入局部最优的缺点,同时采用了刚体旋转方法对图像进行旋转匹配,使得图像可以进行局部的匹配。仿真结果表明了该算法有效的提高了图像配准的精确度,验证了该算法是一种可行性有效的图像配准算法。     

快速特征提取与感知哈希结合的图像配准算法

经典的特征点提取算法是从整个图像进行遍历来确定特征点,运算量较大,不能满足实时应用的要求。提出了一种特征点快速稀疏提取算法,该方法首先利用高斯拉普拉斯算子（Laplacian of Gaussian,LoG）提取图像梯度,设定阈值过滤获得图像的边缘稀疏矩阵,然后在稀疏矩阵的基础上利用改进的加速分割测试特征（Features from Accelerated Segment Test,FAST）检测算法,解决了传统匹配算法提取特征点耗时的问题,使图像实时匹配成为可能。为减少误匹配对,利用感知哈希算法对匹配对进行提纯,并根据仿射不变性建立两个约束条件进一步验证单应性矩阵,提高配准精度。实验结果证明,该算法提高了特征点提取的速度以及配准精度。     

基于仿射CPD的股骨医学图像配准方法*

股骨医学图像配准是股骨三维重建技术的主要研究内容,通过机器辅助获得配准的参数决定了三维重建的准确性。针对传统ICP算法普遍存在的准确度和鲁棒性的较低问题,提出一种基于仿射CPD的股骨医学图像配准方法,使配准自动化以及精准化。该方法通过边缘提取获得浮动、参考点集;在配准后获取结果参数;通过结果参数将股骨通用模型摆成股骨个体化骨折姿态。实验结果：平移、旋转的平均误差分别小于2.1mm、 1.6;配准失败率仅在10%左右;三维重建后的3D图像真实度较高。结论：本文所述的方法对于图像配准和三维重建是可行的和高效的。     

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Laplacian金字塔和小波变换的医学CT图像增强算法

对医学图像进行增强可提高信息的利用率。传统的图像增强方法应用于医学图像时处理效果一般,存在诸多问题,如在增强图像的同时使图像的细节丢失,减弱了图像中目标的边缘信息,降低了图像的对比度。针对上述问题,提出一种基于小波变换和Laplacian金字塔分解的图像增强算法。首先,对原医学图像进行小波变换分解,得到处理结果;然后,对原医学图像进行Laplacian金字塔分解,得到医学图像的高频信息;最后,利用小波变换的结果和Laplacian金字塔分解的结果进行重构,得到增强后的图像。实验结果表明,该方法的增强效果明显优于传统的图像增强算法,对医学图像具有较好的增强效果,同时能更好地抵抗噪声。     

基于脑磁共振图像配准的动态联合角点检测算法

角点检测算法是基于角特征点的图像配准方法的核心。Harris和Susan是两种重要的角点检测算法,有较好的检测能力,但是其在描述角点信息方面都不全面。因此,联合Harris、Susan两种算法是一种较好的解决思路。其中,如何确定在联合算法中Harris、Susan两种算法的权重是一个关键。设计了一种联合算法,并通过统计实验获取两者的权重,通过引入两个加权因子ω1和ω2分别对Harris角点响应值与Susan角点响应值进行加权计算,获得其角点强度,从而筛选出新的角点集合,使该联合算法的角点检测能力明显提高。最后将该方法用于脑磁共振图像配准实验中。实验比较结果表明,该联合角点检测算法在脑磁共振图像配准的应用中,相对于目前已有角点检测算法,能获得较高的配准精度和较好的稳定性。     

大形变微分同胚图像配准快速算法

本文提出一种研究大形变图像配准算法. 大形变使得图像信息和拓扑结构有较大的改变, 目前该方面的研究仍然是一个难点. 基于严密数学理论的微分同胚Demons算法是图像配准的著名算法, 为解决大形变配准问题提供了重要基础. 基于对微分同胚Demons算法的研究结合流形学习的思想提出一种大形变图像配准的新算法(MRL算法). 新算法通过挖掘图像的局部和全局流形信息改进微分同胚Demons 速度场的更新, 更好地保持图像的拓扑结构. 对比实验结果表明, 本文所提出的算法能够快速高精度地实现大形变图像的配准.