基于特征点的图像配准技术研究

论文摘要

图像配准技术是图像处理领域中的重要研究课题,通过寻找待配准图像和参考图像的匹配对应关系达到空间的一致,它是图像融合、图像重建、目标运动估计和图像分析等研究的基础。在医学图像融合领域中,不同的成像设备对人体的同一解剖结构下得到的形态信息和功能信息是互为补充的,女(?)CT、MR能够得到结构的成像信息,而PET获取是的功能成像信息,即CT、MR得到的医学图像能够清楚地显示体内解剖结构,但却不能显示功能信息,PET图像能反映机体的代谢功能信息,但是图像分辨率低,不能清楚地显示形态结构。临床医生迫切需要不同图像信息的融合,在一幅图像上同时显示结构和功能信息。首先利用图像配准技术让不同模态下的图像信息达到空间位置的一致,从而使得各种模态下的图像信息能够得到有效的融合,最终实现各类影像设备在获取图像信息上的优势互补,为医生提供更加丰富和准确的诊断治疗信息,目前医学解剖图像与功能图像之间的配准主要集中在CT、MR与PET、SPECT之间的配准；在放射治疗中,应用CT和MR图像配准和融合技术来进行放疗计划和评估,用CT图像精确计算放射剂量,用MR图像准确描述肿瘤位置；在计算机辅助外科手术定向导航中,外科医生需根据配准后的CT/MR/DSA精确定位病灶,设计出缜密的手术计划,在手术过程中,利用三维空间定位系统使术前计划的虚拟病人、手术台上的真实病人和手术器械精确联系起来进行手术跟踪；在评估治疗效果时,图像配准是对同一病人在不同时间获取同一器官或组织上的图像,可以将其进行对比,从而监视疾病的发展及治疗过程；除此之外,有时要将被试者的图像与正常人相同部位的图像对比,以确定被试者是否正常,如果异常,再与某些疾病的典型图像对比,确定被试者是否属于同类,有时还需要把病人的图像与图谱进行对比。医学图像配准方法依据几何变换特性可以分为刚性配准和弹性配准两大类。对于2D图像,刚性配准是寻找三个自由度(一个旋转,两个平移)参数的变换,使得浮动图像中的像素点映射到目标图像中的对应点。目前,用于同一模式和不同模式的刚性配准算法已经成熟,可以达到很高的配准精度和鲁棒性,并且应用到临床。然而,刚性配准只适用于不存在变形或变形很小的近似刚体的配准,如大脑的颅骨几乎不发生形变,同一患者的大脑图像配准可以通过刚性变换进行。对于患者和图谱之间的匹配、不同患者之间的配准以及存在组织或器官形变的配准,则需要采用弹性配准。然而,在医学图像配准中刚体或近似刚体的配准只占很小的一部分,许多重要的临床应用需要弹性变换来描述图像之间的空间对应关系。目前已提出了基于样条的配准方法、弹性配准模型、粘性流体配准模型及光流场模型等弹性配准方法来解决这类问题,但相对刚性配准而言,方法还不够成熟,各类方法都存在一定的局限性,在应用中需要针对不同的研究对象选择合适的配准方法,如何提高非刚性配准的计算速度、配准精度以及合理建立配准的形变模型等有待进一步的分析研究。图像配准方法根据配准基准的特性又可以分为两类,一类是基于图像特征的配准方法,另一类是基于像素相似性的配准方法,基于图像特征的配准方法是根据配准图像重要特征之间的变换关系来确定配准参数,首先提取特征,然后寻找特征之间的对应关系,最后根据相似性测度函数求出配准的参数。它很大程度上依赖于图像的分割,若初始分割比较好,则根据组织对应关系,配准可以得到大大简化。目前基于图像特征的配准方法比较常用,配准时首先确定两幅图像中对应的特征点,然后保留那些在图像中较均匀分布的特征点,最后确定相应的对应点,每一个点对就是对应于一个方程的解决办法。如果我们有足够的点对,通常可以利用最小二乘法求目标代价函数的参数,以提高待确定参数的准确性。在基于特征点的配准方法中,有基于角点、直线的交点、曲线中的局部最大曲率点、具有局部最大曲率的窗口的中心,闭合区域的重心等。本文的医学图像配准是基于特征点的方法,在特征点提取的过程中,常用的方法有Harris角点检测和SIFT(Scale Invariance Feature Transform)特征点选取。角点检测的方法主要有基于图像轮廓边缘的方法和基于图像灰度的方法,其中,基于图像轮廓的方法在很大程度上依赖于图像分割和边缘提取,一旦待检测目标局部发生变化,则可能导致图像分割和边缘提取操作的失败,它的适用范围受到很大的制约,而基于图像灰度的方法则避开了这些缺陷,如Harris角点检测,其考虑的是像素点邻域的灰度变化,通过计算点的曲率及梯度来检测角点,而不是整个目标的边缘轮廓。利用SIFT方法提取出的特征点可以用于一个物体或场景不同视角下的可靠匹配,提取出的特征点对图像尺度和旋转保持不变,对光线变化、噪声、仿射变化都具有鲁棒性,而且具有很高的独特性,其中SIFT的特征描述向量,即梯度方向直方图,能很好地描述特征点邻域梯度信息,因此能去除了尺度变化、旋转等几何变形因素的影响,再对该特征向量的长度归一化,则可以去除光照变化的影响,但SIFT方法对纹理不够丰富的图像(医学图像)只能提取很少的特征点。本文利用Harris角点检测提取足够多的特征点,并利用SIFT的特征描述向量对每个特征点进行描述,进而完成图像的配准。基于像素相似性的配准方法是利用待配准的两幅图像的灰度分布具有统计相关性这一事实进行构建,该方法使用最灵活,在配准全过程中直接利用图像灰度信息,不需要分割图像,但其运算量大,而且对多模态图像的配准精度和鲁棒性不好,限制了它在临床中的应用。目前这种方法主要应用在头部图像的全局仿射变换,能够自动实现图像配准。常见的基于像素相似性的配准方法有互相关法、联合熵法、互信息法等,即分别使用互相关系数最大、联合熵最小或互信息最大作为相似性测度的配准方法。由于灰度值不能正确反映图像空间结构信息,配准结果容易受到局部极小值的影响,鲁棒性不强。沈定刚提出的HAMMER(Hierarchical Attribute Matching Mechanism for Elastic Registration)算法在脑图像的弹性配准中取得很好的效果,它通过定义一个属性向量(边界类型、图像灰度值和几何不变矩),对每个象素进行特征描述,由于像素的特征描述子反映了空间邻域的解剖结构信息且像素间有较高的区分度,配准精度和鲁棒性明显优于基于图像灰度信息的算法,然而,HAMMER不足之处在于属性向量的定义依赖于脑组织的分割结果且计算量比较大。图像配准的效果将影响后续图像处理的工作,在对图像配准方法了解的基础上,本文主要对基于图像特征点的弹性配准进行研究,本文提出一种新的特征描述子,该特征描述子由灰度值、特征点类型和梯度方向直方图组成。特征点类型由分为角点,边界点和平坦点,角点是图像重要的局部特征,它是二维图像亮度变化最剧烈或图像曲线上曲率值最大的像素点,具有旋转不变和不随光照条件变化而改变的优点,本文利用Harris角点检测算法检测获取。梯度方向直方图则融入了特征点邻域内所有像素点的梯度信息,能很好地描述图像空间局部结构特性。同时,构建新的代价函数,并采用分级优化策略求解代价函数的最小值,其关键思想在于配准过程中动态增加特征点数量,以保证算法的鲁棒性与配准精度。本文方法在MR脑部图像与标准自然图像上进行测试,实验结果表明,本文方法在配准精度上较传统方法有显著提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 变换模型的发展
• 1.2.2 相似性测量准则的发展
• 1.2.3 参数优化方法的发展
• 1.3 本文结构
• 参考文献
• 第二章 医学图像配准
• 2.1 配准的原理
• 2.2 配准的分类
• 2.3 配准的基本步骤
• 2.3.1 特征提取
• 2.3.2 特征匹配
• 2.3.3 空间变换
• 2.3.4 图像插值
• 2.3.5 相似性测度函数
• 2.3.6 优化方法
• 2.4 配准应用领域
• 参考文献
• 第三章 特征点提取
• 3.1 Harris角点检测
• 3.1.1 Moravec角点检测算子
• 3.1.2 Harris角点检测算子
• 3.1.3 Harris算法总结
• 3.2 SIFT算法
• 3.2.1 SIFT算法的主要优点
• 3.2.2 SIFT特征提取算法的主要步骤
• 3.2.3 SIFT算法详细分解
• 参考文献
• 第四章 基于特征点的图像配准技术
• 4.1 图像配准技术的分类
• 4.1.1 基于图像特征的图像配准
• 4.1.2 基于最大互信息的图像配准
• 4.2 基于特征点的图像配准
• 4.2.1 分级特征点选取
• 4.2.2 特征点匹配
• 4.2.3 空间变换
• 4.2.4 相似性测度函数
• 4.2.5 优化方法总结
• 4.3 基于互信息的图像配准技术
• 4.3.1 互信息
• 4.3.2 基于互信息量的B样条配准方法
• 4.4 配准的实验结果及讨论
• 4.4.1 MR脑部图像配准
• 4.4.2 标准测试图像配准
• 4.5 结论
• 参考文献
• 第五章 总结与展望
• 5.1 本文的工作总结
• 5.2 后续工作展望
• 作者在攻读硕士学位其间发表的论文
• 致谢