圖像識別匹配技術(shù)原理要點(diǎn)(編輯修改稿)
2024-09-01 04:29 本頁面
【文章內(nèi)容簡介】 其代價(jià)非常小甚至可以忽略不計(jì)。(2) 最大互信息法(Maximization of Mutual Information)互信息是信息論的一個(gè)基本概念，是兩個(gè)隨機(jī)變量統(tǒng)計(jì)相關(guān)性的測度。最大互信息法幾乎可以用在任何不同模式圖像的配準(zhǔn)，特別是當(dāng)其中一個(gè)圖像的數(shù)據(jù)部分缺損時(shí)也能得到很好的配準(zhǔn)效果。當(dāng)含有相同內(nèi)容的兩幅圖像通過幾何變換在空間對齊時(shí)，它們所包含的灰度值的互信息量最大。因此最大化的互信息量可以作為圖像配準(zhǔn)準(zhǔn)則?；谧畲蠡バ畔8]的配準(zhǔn)過程實(shí)質(zhì)上是搜索最佳的幾何變換參數(shù)，使兩幅圖像的互信息達(dá)到最大。該方法采用整幅圖像的所有像素共同組成特征空間，再根據(jù)特征空間確定一種空間變換，使一幅圖像經(jīng)過該變換后和另一幅圖像的互信息最大，最終實(shí)現(xiàn)配準(zhǔn)?；バ畔?Mutual Information,MI)是信息論中的一個(gè)測度，用于描述兩個(gè)變量間的統(tǒng)計(jì)相關(guān)性，或一個(gè)變量中包含的另一個(gè)變量中的信息的多少，表示兩個(gè)隨機(jī)變量之間的依賴程度，一般用熵來表示。熵表達(dá)的是一個(gè)系數(shù)的復(fù)雜性和不確定性。變量A的熵定義為：, (), ()將待配準(zhǔn)的兩幅醫(yī)學(xué)圖像定義為浮動圖像A和參考圖像B，它們是關(guān)于圖像灰度的兩個(gè)隨機(jī)變量集。設(shè)它們的邊緣概率分布分別為、聯(lián)合概率分布，則它們的互信息為：, ()當(dāng)兩幅圖像的空間位置達(dá)到一致時(shí)，其中一幅圖像表達(dá)另一幅圖像的信息，即其互信息應(yīng)為最大。繼互信息測度提出后，學(xué)者們對基于Shannon熵的方法做了進(jìn)一步的研究，相繼提出了比互信息更為穩(wěn)定的，其它一些形式的熵測度，稱為歸一化的互信息，例如Studholme提出了歸一化互信息測度(nrimalized mutual information, ):, （）(3) 基于小波的圖像配準(zhǔn)方法近年來圖像配準(zhǔn)的重要發(fā)展之一是采用小波變換進(jìn)行圖像局部特征提取，該方法的關(guān)鍵技術(shù)是二維離散小波分解。設(shè)在平面內(nèi)的二維圖像,基于二維離散小波變換的圖像分解是將該原始圖像在某一尺度上分別在方向上進(jìn)行小波分解，每次分解后的低頻部分用表示，高頻部分用表示。在某一尺度上，圖像可以經(jīng)過方向和方向的離散小波變換后分解為4個(gè)子圖像，在方向和方向都是高頻子圖像,在方向是低頻，在方向是高頻子圖像和在方向是高頻方向是低頻的子圖像。低頻子圖像給出了原圖像的概貌，高頻子圖像給出了原圖像的細(xì)貌。對于二維正交小波變換有其快速算法Mallat算法，它把小波變換的計(jì)算問題轉(zhuǎn)化為小波變換后系數(shù)的計(jì)算問題：在實(shí)際操作中，給出尺度層上的離散采樣值數(shù)據(jù)，要計(jì)算尺度層上的小波變換系數(shù)，即分解算法的問題?；谛〔ㄗ儞Q的圖像配準(zhǔn)方法有多分辨率分析的優(yōu)勢，能夠提高配準(zhǔn)的速度。 灰度相關(guān)的配準(zhǔn)方法基于灰度信息的圖像配準(zhǔn)方法一般不需要對圖像進(jìn)行復(fù)雜的預(yù)先處理，而是利用圖像本身具有灰度的一些統(tǒng)計(jì)信息來度量圖像的相似程度。主要特點(diǎn)是實(shí)現(xiàn)簡單，但應(yīng)用范圍較窄，不能直接用于校正圖像的非線性形變，在最優(yōu)變換的搜索過程中往往需要巨大的運(yùn)算量。經(jīng)過幾十年的發(fā)展，人們提出了許多基于灰度信息的圖像配準(zhǔn)方法，大致可以分為三類：互相關(guān)法（也稱模板匹配法）、序貫相似度檢測匹配法、交互信息法。 互相關(guān)法是最基本的基于灰度統(tǒng)計(jì)的圖像配準(zhǔn)[9]方法，通常被用于進(jìn)行模板匹配和模式識別。它是一種匹配度量，通過計(jì)算模板圖像和搜索窗口之間的互相關(guān)值，來確定匹配的程度，互相關(guān)值最大時(shí)的搜索窗口位置決定了模板圖像在待配準(zhǔn)圖像中的位置。序貫相似度檢測匹配法(Sequential Similarity Detection Algorithms，)是由Barnea等人提出來的。方法的最主要的特點(diǎn)是處理速度快。該方法先選擇一個(gè)簡單的固定門限，若在某點(diǎn)上計(jì)算兩幅圖像殘差和的過程中，殘差和大于該固定門限，就認(rèn)為當(dāng)前點(diǎn)不是匹配點(diǎn)，從而終止當(dāng)前的殘差和的計(jì)算，轉(zhuǎn)向別的點(diǎn)去計(jì)算殘差和，最后認(rèn)為殘差和增長最慢的點(diǎn)就是匹配點(diǎn)。這種方法的基本思想是基于對誤差的積累進(jìn)行分析。所以對于大部分非匹配點(diǎn)來說，只需計(jì)算模板中的前幾個(gè)像素點(diǎn)，而只有匹配點(diǎn)附近的點(diǎn)才需要計(jì)算整個(gè)模板。這樣平均起來每一點(diǎn)的運(yùn)算次數(shù)將遠(yuǎn)遠(yuǎn)小于實(shí)測圖像的點(diǎn)數(shù)，從而達(dá)到減少整個(gè)匹配過程計(jì)算量的目的。 交互信息法最初是Viola等人于1995年把交互信息引入到圖像配準(zhǔn)的領(lǐng)域的，它是基于信息理論的交互信息相似性準(zhǔn)則。初衷是為了解決多模態(tài)醫(yī)學(xué)圖像的配準(zhǔn)問題。交互信息用來比較兩幅圖像的統(tǒng)計(jì)依賴性。首先將圖像的灰度視作具有獨(dú)立樣本的空間均勻隨機(jī)過程，相關(guān)的隨機(jī)場可以采用高斯—馬爾科夫隨機(jī)場模型建立，用統(tǒng)計(jì)特征[10]概率密度函數(shù)來描述圖像的統(tǒng)計(jì)性質(zhì)。交互信息是兩個(gè)隨機(jī)變量和之間統(tǒng)計(jì)相關(guān)性的量度，或是一個(gè)變量包含另一個(gè)變量的信息量的量度。交互信息圖像配準(zhǔn)方法一經(jīng)提出，有不少基于此類的研究，尤其在醫(yī)學(xué)圖像的配準(zhǔn)問題上。比如將交互信息和梯度結(jié)合起來改善其極值性能的算法、多分辨率圖像金字塔法等等。但交互信息是建立在概率密度估計(jì)的基礎(chǔ)上的，有時(shí)需要建立參數(shù)化的概率密度模型，它要求的計(jì)算量很大，并且要求圖像之間有很大的重疊區(qū)域，由此函數(shù)可能出現(xiàn)病態(tài)，且有大量的局部極值。 本文接下來將要陳述灰度相關(guān)的幾種配準(zhǔn)方法，大致可分為：線匹配法、比值匹配法和塊匹配法。比值匹配法是指將待配準(zhǔn)圖像的一定間隔的行或列的像素的比值作為模板；塊匹配法是指將待配準(zhǔn)圖像的正方形區(qū)域的像素的集合作為模板。比值匹配法是從一幅圖像的重疊區(qū)域中部分相鄰的兩列上取出部分像素，然后以它們的比值作為模板，在另一幅圖像中搜索最佳匹配，這種算法計(jì)算量較小，但精度低；塊匹配法是以一幅圖像重疊區(qū)域中的一塊作為模板，在另一幅圖像中搜索與此模板最相似的匹配塊，這種算法精度較高，但計(jì)算量過大。而設(shè)計(jì)一種基于灰度相關(guān)的算法，既能實(shí)現(xiàn)水平、垂直位移上的配準(zhǔn)，同時(shí)也能實(shí)現(xiàn)繞光軸旋轉(zhuǎn)這種情況是本文的核心。第3章 線匹配法 線匹配法基本介紹及原理針對圖像的平移、旋轉(zhuǎn)、尺度變換等整體匹配，提出了一種圖像線性變換的匹配算法[11]。首先定義待匹配圖像匹配點(diǎn)間的線性變換模型，以對應(yīng)像素灰度差平方和
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1