医学图像拼接分析中英文对照外文翻译文献Word文件下载.docx

医学图像拼接分析中英文对照外文翻译文献Word文件下载.docx

《医学图像拼接分析中英文对照外文翻译文献Word文件下载.docx》由会员分享，可在线阅读，更多相关《医学图像拼接分析中英文对照外文翻译文献Word文件下载.docx（8页珍藏版）》请在冰豆网上搜索。

补充图片混合算法的基础上，梯度法，是用来消除强度变化急剧的形象加入，从而逐渐融合到一个图像邻近'

复合'

的细节，该算法克服强度差异和几何失调图像之间的缝合将介绍和说明了几个例子。

关键词：

图像拼接，共混，镶嵌图像

1。

导言和背景

有许多应用需要高分辨率图像。

在明亮的场或落射荧光显微镜[1]，例如，用于生物和医学应用中，通常需要分析一个完整的组织部分已层面几十毫米，在高分辨率。

然而，高分辨率单图片不能意识到了低功耗的目标，必要的，以查看大样本，即使使用数码相机时的几万数以百万计的积极像素。

最常见的方法是获得一些图片的部分组织在高放大率和组装成一个复合单一形象保持高分辨率。

这一过程的组装复合图像从一些图片，也被称为'

块'

或'

拼图'

需要一个算法为图像拼接（登记）和混合。

自动建立大型高分辨率图像的马赛克是一种越来越多的研究领域涉及计算机视觉和图像处理。

拼接与融合可以被界定为生产单一edgeless形象整理一套重叠图像[2]。

自动化这一进程是一个重要的问题，因为它是困难和消耗时间，以实现手动。

这样的一个算法的图像拼接和融合是本文介绍了。

图像拼接结合了一些拍摄高分辨率纳入一个综合的形象。

综合图像必须包括图像放在正确的位置和目标是使图像边缘之间的无形的。

那个质量表示缝合因此通过测量两个相邻的信件图像缝合形成了综合形象和知名度煤层之间的缝合图像[3]。

图像拼接（注册）方法已详细解释[4]。

[5]中，互相关证明是最好的方法，自动注册大量的图像。

各种登记方法进行了比较研究[5]这是显示的互相关法提供了最小的错误。

当这些方法进行了比较而言，速度，交叉相关证明是第二快的，但更准确比速度最快的方法（主轴法）。

有一些文件，处理问题的缝合[3，6-8]。

图像拼接可以用图像像素直接-相关法，在频域-快速傅里叶变换法;

利用水平低功能，如棱角;

使用高层次的功能，如部分对象[2]。

布朗[4]分类图片登记根据以下标准：

类型的功能空间，类型的搜索策略和类型的相似性措施。

图像拼接方法的优化，寻求最佳的相关点使用以Levenberg-Marquardt方法给出了[2，9，10]。

以Levenberg-Marquardt方法使良好的效果，但它是昂贵和计算能停留在局部极小。

还有一种方法是运用一个算法搜索最佳的相关点拥有由'

粗到细的决议的办法，以减少计算[10，11]。

该方法提供了本文所选择的最佳关联点，以下列方式。

基于了解预期重叠当使用机动阶段，这将是直截了当的，以找到最佳的相关点在理想的情况。

然而，重叠面积并非尽善尽美，而且肯定不是一个准确的一像素，由于偏离阶段的理想位置，而且由于舞台/相机失调。

我们的算法提供了一个如何克服这一问题，寻找周围地区的小预期中央重叠像素，以便找到最佳关联点。

定位获得图像手册阶段小得多准确，因此有必要寻找更广阔的领域，以找到最佳的关联点。

大多数现有方法的图像拼接或者制作一个粗略'

缝，不能处理的共同特征如血管，彗星细胞和组织，或者他们需要一些用户输入[12]。

新算法的提出本文介绍了嵌入式代码来处理这种功能。

为了消除边缘，使一个紧凑的形象，有必要适用于更多的图像融合。

那个图像融合过程中限制区的重叠这是确定在缝合过程。

这个也就是说，如果重叠区域图像间大，图像不完全匹配的这些部分，鬼影或'

模糊'

是可见的。

但是，如果这些地区的小国，接缝将会看到[13]。

为了避免这些影响，使模糊效果微乎其微，在互相关函数之间的综合形象和的形象是被缝合需要适当运用。

新的方法本文介绍表明，最好的质量，才能实现图像融合的应用，如果每张图片后，已缝合。

这种办法提高缝合更多图像，因为互相关应用到混合复合形象，给出了更有力的结果。

当获取图像的高度非均匀样品，因为这是在我们的情况在体内研究中，照明条件变化，从而影响互相关期间适用缝合。

这些照明变化防止取消文物。

为了避免这种影响有可能正常化照明的图像，但它可能会导致有些损失的信息作为一个无法确定的真正原因是什么的变化图像照明。

它可以来自改变照明，而且还从不同的组织的颜色。

因此，一些光照补偿是必要的。

我们的成就是一个高质量，自动拼接和融合算法，响应的功能，如血船只，彗星细胞和组织样本。

光照补偿不纳入提交算法。

本文主办如下。

第2节解释了图像采集过程。

第3节解释采用的方法开发过程中的图像处理算法，该算法适用于缝合和混合。

第4节给出的结果，应用算法选取的图像拼接后只有后两个缝纫和混合，并说明了算法的有效性。

结论中提出的

第5款，并指示今后工作的定义。

2。

图像采集

二维图像

所有图片被收购，利用标准的显微镜。

所有2D图像获得的样本翻译和收集的手动或自动使用机动阶段。

三种类型的二维图像进行收购。

这些包括图像，组织学，荧光细胞的一个组成部分彗星阵列（彗星细胞），并在体内的血管。

那个安装规范，这些图像是摘要列于表1。

CCD相机用于获取图像要么一个IEEE1394接口，或使用一个PCI图像采集（类型：

由美国国家仪器公司，英国）。

成像面积的命令1x1平方毫米时，用客观x10。

CCD相机推出两款噪音影响。

一个是暗电流和

另一个是一个非均匀像素反应。

为了取消了暗电流的影响，获得的图象，没有轻被减去图像的样本。

取消的非均匀像素反应，形象的样本除以一个空白图像收购标准照明清洁幻灯片。

镜头畸变也存在。

全部成像系统，由于这种像差，遭受了或多或少从每桶或枕形失真，或他们的组合。

最困难的条件下的图像拼接是那些各种各样的环境照明即强度跨度-空间不同的照明。

据推测，旋转和缩放保持不变全国各地的实验和处理图像。

只有翻译错误必须纠正在缝合过程。

三维图像

用于购置三维图像下面的安装使用。

尼康电子200荧光显微镜的使用修改阶段，以适应啮齿动物。

我们在体内的血管图像获得一个窗口商会安排。

它包括双面铝框举行两个平行的玻璃窗。

它位于中央上述的目标[14]。

肿瘤血管生成和血管对治疗的反应在这两个形态的血血管网络的功能和个人进行了调查船只使用窗口厅。

多光子显微技术已应用到获取三维图像的肿瘤血管[15]，因为这些技术证明是十分有效地获得三维生物的图片。

多光子显微镜系统是基于酶标仪湄公河委员会1024MP工作站，由一个固体statepumped（10W的年十，Nd：

YVO4晶体，光谱物理），自锁模钛：

蓝宝石（海啸，光谱物理）激光系统，一个中心扫描头，焦探测器和一个倒置显微镜（尼康TE200）[15]。

多光子显微镜可以准确地找到一个三维荧光量，可成功地应用于分析血管形态。

通常是一个小肿瘤（直径几毫米）植入皮肤的窗口中庭。

整个肿瘤血管的影像大多数实验。

图片10倍的目标而采取的一切，但最小的肿瘤和图像覆盖约1.3x1.3毫米的组织。

成堆的图像所采取的一个典型的堆栈50片。

它通常需要13分钟获得的图像为整个堆栈

3。

图像处理-方法

主要有两个阶段在处理这些图像：

1）图像拼接

拼接是由滑动的新形象的综合形象和寻找最佳关联点。

2）图像融合

配煤是由分离颜色的飞机，在必要情况下，采用混合算法每个彩色带重组飞机一起获得全彩色图像的输出。

混合图像应保持质量输入图像[16]。

这些过程中有详细的解释，并参阅下文二维图像，除非明确指出，他们提到的三维图像。

算法开发了C编程语言LabWindows/CVI的7.0（美国国家仪器有限公司）开发环境，使用IMAQ图像处理图书馆和WindowsXP专业版操作系统。

那个算法是完全自动的，他们已经在电脑上测试的处理器速度1.53GHz和448MB的内存。

3.1拼接方法

在该算法的缝合是由图像翻译只。

应用程序可以被称为作为拼接，瓦工，montaging或缝合。

第一步是生成的相对位置所获得的图像和建立一个空的图像阵列在电脑记忆体，这些图片将放在。

下一步是搜索对于这一点的最佳关联是由相邻的图像边缘滑动是双向的，直到最佳比赛的边缘特征发现。

这个搜索过程需要选择最佳的搜索空间如图1所示，在其中进行搜索的最佳关联。

使用太多像素内使这个方块相关过程耗时太少像素，同时减少比赛的质量。

选择若干像素使用密切相关的各个方面的功能预期将显着的形象而这又取决于重点质量，即对目前的最大空间频率的形象。

原文：

Analgorithmforimagestitchingandblending

ABSTRACT

Inmanyclinicalstudies,includingthoseofcancer,itishighlydesirabletoacquireimagesofwholetumoursectionswhilstretainingamicroscopicresolution.Ausualapproachtothisistocreateacompositeimagebyappropriatelyoverlappingindividualimagesacquiredathighmagnificationunderamicroscope.Amosaicoftheseimagescanbeaccuratelyformedbyapplyingimageregistration,overlapremovalandblendingtechniques.Wedescribeanoptimised,automated,fastandreliablemethodforbothimagejoiningandblending.Thesealgorithmscanbeappliedtomosttypesoflightmicroscopyimaging.Examplesfromhistology,frominvivovascularimagingandfromfluorescenceapplicationsareshown,bothin2Dand3D.Thealgorithmsarerobusttothevaryingimageoverlapofamanuallymovedstage,thoughexamplesofcompositeimagesacquiredbothwithmanually-drivenandcomputer-controlledstagesarepresented.Theoverlap-removalalgorithmisbasedonthecross-correlationmethod;

thisisusedtodetermineandselectthebestcorrelationpointbetweenanynewimageandthepreviouscompositeimage.Acomplementaryimageblendingalgorithm,basedonagradientmethod,isusedtoeliminatesharpintensitychangesattheimagejoins,thus

graduallyblendingoneimageontotheadjacent‘composite’.Thedetailsofthealgorithmtoovercomebothintensitydiscrepanciesandgeometricmisalignmentsbetweenthestitchedimageswillbepresentedandillustratedwithseveralexamples.

Keywords:

ImageStitching,Blending,Mosaicimages

1.INTRODUCTIONANDBACKGROUND

Therearemanyapplicationswhichrequirehighresolutionimages.Inbright-fieldorepifluorescencemicroscopy[1],forexample,whichareusedinbiologicalandmedicalapplications,itisoftennecessarytoanalyseacompletetissuesectionwhichhasdimensionsofseveraltensofmillimetres,athighresolution.However,thehighresolutionsingleimagecannotberealisedwithalowpowerobjective,necessarytoviewalargesample,evenifusingcameraswithtensofmillionsofactivepixels.Themostcommonapproachistoacquireseveralimagesofpartsofthetissueathighmagnificationandassemblethemintoacompositesingleimagewhichpreservesthehighresolution.Thisprocessofassemblingthecompositeimagefromanumberofimages,alsoknownas‘tiling’or‘mosaicing’requiresanalgorithmforimagestitching（registration）andblending.Theautomaticcreationoflargehighresolutionimagemosaicsisagrowingresearchareainvolvingcomputervisionandimageprocessing.Mosaicingwithblendingcanbedefinedasproducingasingleedgelessimagebyputtingtogetherasetofoverlappedimages[2].Automatingthisprocessisan

importantissueasitisdifficultandtimeconsumingtoachieveitmanually.Onesuchalgorithmforimagestitchingandblendingispresentedinthispaper.Imagestitchingcombinesanumberofimagestakenathighresolutionintoacompositeimage.Thecompositeimagemustconsistofimagesplacedattherightpositionandtheaimistomaketheedgesbetweenimagesinvisible.Thequalityofstitchingisthereforeexpressedbymeasuringboththecorrespondencebetweenadjacentstitchedimagesthatformthecompositeimageandthevisibilityoftheseambetweenthestitchedimages[3].Imagestitching（registration）methodshavebeenexplainedindetailin[4].In[5],cross-correlationisshowntobethepreferredmethodforautomatic

registrationoflargenumberofimages.Variousregistrationmethodswerecomparedinthispaper[5]anditwasshowedthatthecross-correlationmethodprovidedthesmallesterror.Whenthesemethodswerecomparedintermsofspeed,thecross-correlationwasshowntobethesecondfastestbutmuchmoreaccuratethanthefastestmethod（principalaxesmethod）.Thereareanumberofpapersthatdealwiththestitchingproblem[3,6-8].Imagestitchingcanbeperformedusingimagepixelsdirectly-correlationmethod;

infrequencydomain-fastFouriertransformmethod;

usinglowlevelThree-DimensionalandMultidimensionalMicroscopy:

ImageAcquisitionandProcessingXII,Jose-AngelConchello,CarolJ.Cogswell,TonyWilson,Editors,March2005191featuressuchasedgesandcorners;

usinghighlevelfeaturessuchaspartsofobjects[2].Brown[4]classifiesimageregistrationaccordingtofollowingcriteria:

typeoffeaturespace,typeofsearchstrategiesandtypeofsimilaritymeasure.ApproachesforimagestitchingthatoptimisethesearchforthebestcorrelationpointbyusingLevenberg-Marquardtmethodaregivenin[2,9,10].Levenberg-Marquardtmethodgivesgoodresults,butitiscomputationallyexpensiveandcangetstuckatlocalminima.Analternativewayistoapplyanalgorithmwhichsearchesforthebestcorrelationpointbyemployinga‘coarsetofine’resolutionapproachinordertoreducethenumberofcalculations[10,11].

Theapproachofferedinthispapermakestheselectionofthebestcorrelationpointinthefollowingway.Basedonknowledgeabouttheexpectedoverlapwhenusingthemotorisedstage,itwouldbestraightforwardtofindthebestcorrelationpointintheidealcase.However,theoverlapareaisnotperfect,andcertainlynottoanaccuracyofonepixel,duetodeviationsinstagepositionfromtheidealandduetostage/cameramisalignment.Ouralgorithmoffersawaytoovercomethisproblembysearchingthesmallareaaroundtheexpectedcentraloverlappixelinordertofindthebestcorrelationpoint.Positioningofacquiredimageswithamanualstageismuchlessaccurate,sothereisaneedtosearchawiderareainordertofindthebestcross-correlationpoint.Mostoftheexistingmethodsofimagestitchingeitherproducea‘rough’stitchthatcannotdealwithcommonfeaturessuchasbloodvessels,cometcellsandhistology,ortheyrequiresomeuserinput[12].Thenewalgorithmpresentedinthispaperhasembeddedcodetodealwithsuchfeatures.Inordertoremovetheedgesandm