MATLAB应用图像处理)第6章MATLAB图像配准PPT推荐.ppt
《MATLAB应用图像处理)第6章MATLAB图像配准PPT推荐.ppt》由会员分享,可在线阅读,更多相关《MATLAB应用图像处理)第6章MATLAB图像配准PPT推荐.ppt(83页珍藏版)》请在冰豆网上搜索。
![MATLAB应用图像处理)第6章MATLAB图像配准PPT推荐.ppt](https://file1.bdocx.com/fileroot1/2022-10/3/3a550e4b-7554-4bbe-97dd-047bddf4d58b/3a550e4b-7554-4bbe-97dd-047bddf4d58b1.gif)
,根据医学图像模态,图像配准可分为如下几类:
(1)单模图像之间的配准。
该类配准一般应用于生长监控、剪影成像等。
(2)多模图像之间的配准。
该类配准是解剖解剖之间的配准、解剖功能之间的配准。
(3)患者和模态之间的配准。
该类配准多应用于放射治疗和计算机辅助手术中的手术定位。
根据变换性质,图像配准可分为如下几类:
(1)刚性变换配准。
该类配准包括平移和旋转。
(2)仿射变换配准。
该类配准是将平行线变换为平行线。
(3)投影变换配准。
该类配准是将直线映射为直线。
(4)曲线变换配准。
该类配准是将直线映射为曲线。
根据用户交互性,图像配准可分为如下几类:
(1)交互配准。
该类配准是用户完成配准过程,而程序提供一个当前变换的直观显示以指导用户。
(2)半自动配准。
该类配准是用户可能需要初始算法的某些参数,可能需要接受或拒绝某些配准假设。
(3)自动配准。
该类配准时用户只需给出算法和图像数据,但完全实用还需要时间。
6.2图像配准方法,6.2.1基于灰度信息的图像配准方法1序贯相似度检测匹配法序贯相似度检测匹配法(SequentialSimilarityDetectionAlgorithms,SSDA)是由Barnea等人提出来的。
该方法先选择一个简单的固定门限T,若在某点上计算两幅图像残差和的过程中,残差和大于该固定门限T,就认为当前点不是匹配点,从而终止当前的残差和计算,转向别的点去计算残差和,最后认为残差和增长最慢的点就是匹配点。
2交互信息法交互信息法最初是Viola等人于1995年引入到图像配准的领域的,它基于信息理论的交互信息相似性准则,初衷是解决多模态医学图像的配准问题。
交互信息用来比较两幅图像的统计依赖性。
首先将图像的灰度视作具有独立样本的空间均匀随机过程,相关的随机场可以采用高斯马尔科夫随机场模型建立,用统计特征及概率密度函数来描述图像的统计性质。
交互信息是两个随机变量A和B之间统计相关性的量度,或是一个变量包含另一个变量的信息量的量度。
交互信息是用A和B的个体熵的联合熵来表示的,其中,图像A和B的个体熵分别为随机变量A和B的边缘概率密度,联合熵为两个随机变量的联合概率密度分布。
基于交互信息的图像配准是用两幅图像的联合概率分布与完全独立时的概率分布的广义距离来估计交互信息。
交互信息用于图像配准的关键思想是:
如果两幅图像达到匹配,它们的交互信息达到最大值。
在图像配准的应用中,通常联合概率密度和边缘概率密度可以用两幅图像重叠区域的联合概率直方图和边缘概率直方图来估计,或者用Parzen窗概率密度估计法来估计,从而计算交互信息。
当两幅图像达到最佳配准时,它们对应的像素的灰度交互信息应为最大。
由于基于交互信息的配准对噪声比较敏感,所以首先通过滤波和分割等方法对图像进行预处理,然后对图像进行采样、变换、插值、优化,从而达到配准的目的。
交互信息法只依赖于图像本身的信息,不需要对图像进行特征点提取和组织分类等预处理,它是一种自动而有效的配准算法。
该算法可靠,对图像中的几何失真、灰度不均匀和数据的缺失等不敏感,它不依赖于任何成像设备,可应用于多模态医学图像配准。
但它也有缺点,如运算量大、对噪声敏感、要求待配准图像间联合概率分布函数必须是严格正性的。
交互信息图像配准方法在医学图像的配准问题上应用较多。
比如将交互信息和梯度结合起来改善其极值性能的算法、多分辨率图像金字塔法等。
但交互信息是建立在概率密度估计的基础上的,有时需要建立参数化的概率密度模型,它要求的计算量很大,并且要求图像之间有很大的重叠区域,所以函数可能出现病态,且有大量的局部极值。
3互相关法互相关法是最基本的基于灰度统计的图像配准的方法,通常被用于进行模板匹配和模式识别。
互相关法是一种匹配度量,通过计算模板图像和搜索窗口之间的互相关值,来确定匹配的程度,互相关值最大时的搜索窗口位置决定了模板图像在待配准图像中的位置。
模板匹配法是在一幅影像中选取一个合适的影像窗口作模板,大小通常为55或77,如图6.2所示。
然后通过相关函数的计算来寻找它在搜索图中的坐标位置。
设模板T放在搜索图S上平移,模板覆盖下的那块搜索图叫做子图Si,j,子图的中心点在S图中的坐标(i,j)叫参考点。
图6.2模板匹配法,用以下测度来衡量T和Si,j的相似程度:
根据施瓦兹不等式,0P1,并且在Si,j(m,n)/T(m,n)值为常数时取极大值1。
但实际上两幅不同图像的P值介于0和1之间,很难达到理想值。
根据经验取某个阈值P0,如果PP0,则匹配成功;
如果PP0,则匹配失败。
为了加快搜索速度,很多影像匹配方法使用金字塔影像,如图6.3所示。
图6.3金字塔影像,将原始图像作为金字塔影像的底层。
对图像进行一次采样率为1/n(n=2,3)的重采样,即把图像的每nn个像素变为一个像素,这样就得到一对长、宽都为原来1/n的图像,把它作为金字塔的第二层。
再对第二层用同样方法进行一次采样率为1/n的重采样,又得到第三层(顶层)。
具体过程如下:
第一步:
顶层的匹配,得到一个平移初始值;
第二步:
根据平移初始值乘以n得到第二层平移量初始值,在它mm个像元的邻域内进行模板匹配;
第三步:
根据第二层匹配值乘以n得到第三层平移量初始值,再进行一次模板匹配。
如果影像尺寸不是特别大,可以只用两层金字塔。
6.2.2基于变换域的图像配准方法最主要的变换域图像配准方法是傅立叶变换方法,它主要有以下一些优点:
图像的平移、旋转、仿射等变换在傅立叶变换域中都有相应的体现;
利用变换域的方法还有可能获得一定程度的抵抗噪声的鲁棒性;
由于傅立叶变换有成熟的快速算法和易于硬件实现,因而在算法实现上有其独特的优势。
相位相关技术是配准两幅图像平移失配的基本傅立叶变换方法。
相位相关依据的是傅立叶变换的平移性质。
给定两幅图像,它们之间的唯一区别是存在一个位移,根据傅立叶变换的性质可知这两幅图像有相同的傅立叶变换幅度和不同的相位关系,相位关系是由它们之间的平移直接决定的。
两幅图像的相位差就等于它们交叉功率谱的相位,对其进行傅立叶反变换会得到一个脉冲函数,该函数在其他各处几乎为零,只在平移的位置上不为零,这个位置就是要确定的配准位置。
旋转在傅立叶变换中是一个不变量。
根据傅立叶变换的旋转性质,旋转一幅图像,在频域相当于对其傅立叶变换作相同角度的旋转。
两个频谱的幅度是一样的,只是有一个旋转关系。
也就是说,这个旋转关系通过对其中一个频谱幅度进行旋转,用最优化方法寻找最匹配的旋转角度就可以确定。
6.2.3基于特征的图像配准方法基于特征的匹配方法的共同之处是首先对待配准图像进行预处理,也就是先要进行图像分割和特征提取的过程,再利用提取得到的特征完成两幅图像特征之间的匹配,通过特征的匹配关系建立图像之间的配准映射关系。
由于图像中有很多种可以利用的特征,因而产生了多种基于特征的方法。
常用到的图像特征有特征点(包括角点、高曲率点等)、直线段、边缘、轮廓、闭合区域、特征结构以及统计特征(如矩不变量、重心等)等。
点特征是配准中常用到的图像特征之一,其中主要应用的是图像中的角点,图像中的角点在计算机视觉模式识别以及图像配准领域都有非常广泛的应用。
基于角点的图像配准的主要思路是,首先在两幅图像中分别提取角点,再以不同的方法建立两幅图像中角点的相互关联,从而确立同名角点,最后以同名角点作为控制点,确定图像之间的配准变换。
由于角点的提取已经有了相当多的方法可循,因此基于角点的方法最困难的问题就是怎样建立两幅图像之间同名点的关联。
已被报道的解决点匹配问题的方法包括松弛法、相对距离直方图聚集束检测法、Hausdorff距离及相关方法等等,这些方法都对检测到的角点要求比较苛刻,比如有的要求角点的数目同样多,简单的变换关系等等,因而不能适应普遍的配准应用。
6.3MATLAB图像配准工具介绍,6.3.1cp2tform从给定的控制点推导出变换数据结构TFORM,用于对图像进行变换。
基本调用格式为TFORM=cp2tform(input_points,base_points,Transformtype)其中,input_points为待配准图像上的点,base_points为参考图像上的点。
input_points和base_points都是m2矩阵,表示点的坐标信息,每个矩阵的第一列为x坐标,第二列为y坐标。
Transformtype为变换类型参数,具体的意义如表6.1所示。
表6.1cp2tform变换类型参数,6.3.2cpcorr用相关函数对控制点的位置进行微调,以控制点对、待配准图像、基准图像为输入,调用方法如下:
input_points=cpcorr(input_points_in,base_points_in,input,base)其中,input_points_in为M2矩阵,包含输入图像input上的点对信息;
base_points_in为M2矩阵,包含基准图像base上的点对信息。
两矩阵的第一列都为x坐标,第二列都为y坐标。
input_points为调整后的点对矩阵,大小与输入矩阵一致。
如果cpcorr函数不能够对控制点对进行调整,则直接将input_points_in输出。
当发生如下四种情况之一时,cpcorr函数不能够对点的位置进行调整:
(1)点的位置太过于接近图像的边缘。
(2)点周围的数据包含有NaN和Inf。
(3)输入图像的输入点局部区域的标准偏差为零。
(4)输入点与局部区域几乎不相关。
cpcorr函数对点位置调整的最大范围为4个像素,计算精度为1/10个像素。
cpcorr函数对点的调整的基本步骤如下:
(1)从输入图像的控制点周围选取一个1111大小的模板,从基准图像的周围选取一个2121大小的模板。
(2)计算所选取模板之间的归一化相关函数。
(3)寻找相关矩阵的最大值。
(4)利用最大值的位置信息对输入图像上的控制点进行调整。
具体的调用例子如下:
input=imread(onion.png);
base=imread(peppers.png);
input_points=12793;
7459;
base_points=323195;
269161;
input_points_adj=cpcorr(input_points,base_points,.input(:
:
1),base(:
1)input_points_adj=127.000093.000071.000059.6000,6.3.3cpselectcpselect为控制点选择工具,基本的调用格式如下:
cpselect(input,base)其中,input为待配准图像,base为基准图像。
调用cpselect函数指定控制点包括四个过程:
(1)开启工具,指定待配准图像和基准图像。
(2)使用浏览工具,确定可以作为控制点的特征点。
(3)在待配准图像和基准图像上