圖像識(shí)別匹配技術(shù)原理要點(diǎn)-文庫吧資料
2024-08-18 04:29本頁面
【正文】 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。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。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)。初衷是為了解決多模態(tài)醫(yī)學(xué)圖像的配準(zhǔn)問題。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。這種方法的基本思想是基于對(duì)誤差的積累進(jìn)行分析。方法的最主要的特點(diǎn)是處理速度快。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。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。 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(duì)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。對(duì)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。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。繼互信息測度提出后，學(xué)者們對(duì)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。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(dòng)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?；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?；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。當(dāng)含有相同內(nèi)容的兩幅圖像通過幾何變換在空間對(duì)齊時(shí)，它們所包含的灰度值的互信息量最大。(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。尤其注意的是互相關(guān)法受到不同模態(tài)成像特點(diǎn)的影響，例如同一物體在不同的模態(tài)圖像中表現(xiàn)出紋理和密度的非線性差異，使相關(guān)性計(jì)算無意義，故互相關(guān)性法主要局限于單模圖像配準(zhǔn)[7]。其中最經(jīng)典的相似性測度是歸一化的相關(guān)系數(shù)(correlation coefficient , CC)，即：, ()式中，為模板圖像，為圖像的灰度；為與有相同大小的目標(biāo)圖像，為圖像的灰度；和分別為圖像和灰度的均方值?；ハ嚓P(guān)法的思路是找出使各圖像之間相關(guān)性最大的空間變換參數(shù)來實(shí)現(xiàn)圖像的配準(zhǔn)。(1) 互相關(guān)法對(duì)于同一物體由于各種圖像獲取條件的差異或物體自身發(fā)生的空間位置的改變而產(chǎn)生的單模圖像配準(zhǔn)問題常常應(yīng)用互相關(guān)法。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。多模(multimodality)圖像配準(zhǔn)[6]是指待配準(zhǔn)的兩幅圖像來源于不同的成像設(shè)備。許多實(shí)際應(yīng)用中使用了不止一種最優(yōu)化方法，一般是先使用一種粗糙但快速的算法，然后再接著使用一種準(zhǔn)確但運(yùn)算速度慢的算法。目前應(yīng)用比較廣泛的方法有Powell的方法、Downhill Simplex方法、Brent的方法以及一系列一維搜索算法、LevenbergMarquardt最優(yōu)化算法、NewtonRaph son迭代算法、stochastic搜索算法、梯度下降法(gradient descent methods)、遺傳算法(genetic methods)、模擬退火法(simulated annealing)，粒子群算法(partice sworm)，蟻群算法(ant)，幾何散列法(geometric hashing)。這些函數(shù)通常在單模配準(zhǔn)中能簡單一些，因?yàn)榇藭r(shí)圖像的相似性更能容易直接定義。直接計(jì)算的最優(yōu)化方法一般已完全由實(shí)例決定，所能研究的工作也僅限于如何使用非常少的信息把此計(jì)算方法應(yīng)用于實(shí)際。全自動(dòng)式中使用者僅需給相應(yīng)算法提供圖像數(shù)據(jù)以及圖像獲取的一些可能信息；交互式中使用者必須親自進(jìn)行配準(zhǔn)，軟件僅給目前變換提供一個(gè)可視的或數(shù)字的感官印象以及初始變換的一個(gè)可能參數(shù)；半自動(dòng)式中，交互式有兩種方式：一種是使用者須初始化算法，如分割數(shù)據(jù)，另一種是指導(dǎo)算法，如拒絕或接受配準(zhǔn)假設(shè)。從近期關(guān)于圖像配準(zhǔn)方面的文章看，一般剛性和仿射多用于全局變換，而曲線變換多用于局部變換。配準(zhǔn)時(shí)的變換區(qū)域根據(jù)實(shí)際需要又分為局部配準(zhǔn)和全局配準(zhǔn)。圖像匹配就是要找到一個(gè)把圖像映射到圖像的變換,使得變換后的圖像和具有幾何對(duì)應(yīng)性。內(nèi)部基準(zhǔn)是指由圖像本身得到的位置相對(duì)固定且圖像特征明晰的各種配準(zhǔn)標(biāo)識(shí)。其中參考特征和對(duì)應(yīng)優(yōu)化算法的選擇是配準(zhǔn)的核心，也是不同配準(zhǔn)算法的差異所在。 圖像配準(zhǔn)的定義對(duì)于二維圖像配準(zhǔn)可定義為兩幅圖像在空間和灰度上的映射[4]，如果給定尺寸的二維矩陣和代表兩幅圖像，和分別表示相應(yīng)位置上的灰度值，則圖像間的映射可表示為：,式中表示一個(gè)二維空間坐標(biāo)變換，即，且是一維灰度變換。精彩文檔第2章 圖像配準(zhǔn)基本理論 圖像配準(zhǔn)的基本介紹 圖像配準(zhǔn)的描述圖像配準(zhǔn)是對(duì)取自不同時(shí)間
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號(hào)-1