輪廓提取配準方法思考范文
本站小編為你精心準備了輪廓提取配準方法思考參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
基于輪廓提取的醫學圖像配準主要涉及三個參數:平移參數T、旋轉參數R和尺度參數S.平移參數T反映了測試圖像與參考圖像的相對位移,旋轉參數R反映了測試圖像與參考圖像的相對角度差,尺度參數S反映了測試圖像與參考圖像的相對大小.本配準算法的要求就是在基于輪廓提取的基礎上找出這些參數的一個最優解.文中假設配準的兩幅圖像中參考圖像記為s(x,y),測試圖像記為t(x,y).
1.1尺度參數S當只對圖像進行平移和旋轉運算而不進行放大縮小運算時,物體的周長是不變的,可見周長對平移和旋轉操作是一個不變的量.因此我們可以用圖像的輪廓周長比來確定兩幅圖像之間的尺度關系.
1.1.1輪廓線周長L
輪廓上的任一點總有8個點和它相鄰,即8鄰域點.我們以如圖1的順序對輪廓進行跟蹤,得到輪廓線的方向碼鏈,從而輪廓線周長可以用下面的公式近似計算[10]:
1.1.2確定尺度參數S
①根據公式(2),計算參考圖像s′(x,y)的輪廓周長Ls;②同理計算測試圖像t′(x,y)的輪廓周長Lt;③計算尺度參數S=LsLt.(3)
1.2平移參數T
圖像的幾何質心可確定物體的位置,當兩幅圖像配準時圖像的質心應重合,因此可以根據兩幅圖像的輪廓質心坐標來確定配準的平移參數T.由于輪廓提取過程會產生微小畸變,為了消除此類誤差對輪廓質心的影響,首先將輪廓進行填充,即把圖像閉合輪廓曲線內的所有像素置1,再確定質心坐標.
1.2.1二值圖像質心(xC,yC)任意圖像的質心可由其零階與一階矩確定,所以二值圖像g″(x,y)的目標質心坐標。其中(xi,yj)是二值圖像中像素的坐標,m和n是圖像的行數和列數.
1.2.2確定平移參數T根據定義2,可按以下步驟確定平移參數T:①根據公式(5)計算參考圖像s″(x,y)的質心坐標(xsC,ysC);②同理計算測試圖像t″(x,y)的質心坐標(xtC,ytC);③計算平移參數T:Tx=xtC-xsC,Ty=ytC-ysC.(6)
1.3旋轉參數R
當平移參數T和尺度參數S確定后,通過對圖像進行平移和尺度變換操作,使待配準的兩幅圖像之間只存在角度之間的差異.當兩幅圖像完全匹配時,對應坐標點的像素值應相同.據此,可以采用異或運算來構造一個評價函數,用其度量兩幅二值圖像配準過程中的匹配程度.
1.3.1構造評價函數
根據以上分析,可構造如下函數:diff(x″,y″)=∑x″y″,(7)其中,x″y″=0,當x″和y″對應像素點像素值同時為0或1時1,當x″和y″對應像素點像素值相異時,x″和y″分別是待配準的圖像x和y對應的二值圖像.可見diff(x″,y″)描述的是x和y兩幅二值圖像中對應像素之間的像素值的異或關系,當diff(x″,y″)值最小時,兩幅圖像具有最大相似性.
1.3.2確定旋轉參數R
根據構造函數diff(x″,y″),確定最佳旋轉參數的問題轉化為搜索一個角度使函數diff(x″,y″)的值最小的問題.為此我們對測試圖像進行旋轉,每旋轉一個角度,就計算一次diff(x″,y″)的值,這樣循環迭代,當diff(x″,y″)為最小時,測試圖像所旋轉的角度就是最佳的配準旋轉參數R.其算法描述如下:①初始化參數;②平移t″(x,y),使其質心與s″(x,y)重合;③對t″(x,y)進行尺度變換,使其尺度與s″(x,y)一致;④以質心為旋轉中心,不斷旋轉t″(x,y),當diff(s″(x,y),t″(x,y))達到最小時t″(x,y)所旋轉過的角度即為所求的最佳旋轉參數R.
2醫學圖像配準實驗結果
從廣西桂林市南溪山醫院核醫學科選取了一組圖片,該圖為一個腫瘤患者的頭部功能醫學圖像a為參考圖像,圖2b為測試圖像,c為參考圖像和測試圖像不經配準直接融合得到的無配準融合圖像.我們分別采用基于輪廓質心和主軸的配準算法、基于最大互信息的配準算法以及本文算法對圖2a和圖2b進行配準,得到如表1所示的配準參數,并根據各組配準參數對測試圖像圖2b實現平移、旋轉及尺度變換,得到第二行的三幅配準圖像,其中圖2d為基于輪廓質心和主軸配準算法得到的配準圖像,圖2e為基于最大互信息配準算法得到的配準融合圖像,圖2f為本文算法得到的配準融合圖像.3算法分析及其評價輪廓是醫學影像中非常重要、非常有用的信息.本文算法是基于醫學影像中器官的輪廓,計算出平移參數和尺度參數,然后利用異或運算構造一個評價函數,通過循環迭代求得旋轉參數的一個最優解.
由于輪廓是圖像中一個相對穩定的信息,它受外界條件的影響相對較小,因此本算法具有較強的抗干擾能力,同時也適合不同形式的醫學影像的配準.當然,本文配準算法的配準精度受到輪廓提取精度的影響,而輪廓的提取精度又直接受圖像質量和輪廓提取算法的制約.因此,為了得到更高的配準精度,可以根據圖像特點對其進行圖像預處理[11,12],抑制圖像中存在的噪聲,同時突出目標的輪廓線,再提取輪廓線.從理論分析及實驗所示數據表,我們可以看出,本文配準算法的配準時間稍慢于基于輪廓質心和主軸的配準算法,但遠遠小于基于最大互信息的配準算法.從圖像的融合結果看,本文的融合效果也是介于另外兩種算法之間.因此,本文算法是有效的.