專利名稱：三維圖像的快速配準(zhǔn)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種在圖像平面內(nèi)的圖形圖像轉(zhuǎn)換，具體涉及三維圖像的快速配準(zhǔn)方法，該方法適用于醫(yī)學(xué)、氣象衛(wèi)星、航空航等圖形圖像片的配準(zhǔn)。
背景技術(shù)：
醫(yī)學(xué)圖像配準(zhǔn)是指對于一幅醫(yī)學(xué)圖像尋求一種(或一系列)空間變換，使它與另一幅圖像上的對應(yīng)點達到空間上的一致。這種一致是指人體上的同一解剖點在兩張圖像上有相同的空間位置，配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上所有的解剖點匹配。多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)是目前醫(yī)學(xué)圖像處理領(lǐng)域中的一個熱點問題，對于臨床診斷和治療有重要意義。醫(yī)學(xué)圖像可以提供有病變組織或器官的大小、形狀、空間關(guān)系等詳細信息，比如CT圖像可以顯示骨骼結(jié)構(gòu)和組織密度分布情況；MR圖像和超聲(US)圖像提供的則是軟組織的信息；PET，SPECT能反映人體的功能和代謝信息。單一模態(tài)的圖像往往不能提供醫(yī)生所需要的足夠的信息，通常要將不同模態(tài)的圖像融合在一起，得到更豐富的信息以便了解病變組織或器官的綜合情況，從而做出準(zhǔn)確的診斷或制訂合適的治療方案。
目前已有多種圖像配準(zhǔn)方法，大體可以分為基于圖像特征和基于圖像灰度的配準(zhǔn)方法?；趫D像特征的方法一般通過尋找圖像中比較明顯的解剖結(jié)構(gòu)特征來計算變換參數(shù)，提取的特征包括點、線、邊緣和輪廓等。該方法計算效率比較高。特別是基于輪廓的方法，盡管不同模態(tài)圖像像素的灰度分布特性之間有很大的差異，但物體的一些明顯輪廓在兩幅圖像中均能得較好的保持，這些輪廓特征可以用來作為參照來進行多模圖像間的配準(zhǔn)。但是基于圖像特征的方法的配準(zhǔn)精度取決于特征提取的準(zhǔn)確性與否。大部分情況下，醫(yī)學(xué)圖像特征點的位置比較復(fù)雜，很難進行準(zhǔn)確地提取?；趫D像灰度的配準(zhǔn)方法不需要提取特征點，而是利用圖像的灰度信息進行配準(zhǔn)。由于充分利用了全部的灰度信息，因此一般更容易得到較精確的配準(zhǔn)結(jié)果。其中互相關(guān)法(Cross-Correlation，CC)、最小平方差法(least square method，LSM)是幾種常用的方法?；ハ嚓P(guān)法一般實現(xiàn)起來簡單，但是計算代價龐大；最小平方差法對圖像數(shù)據(jù)的部分缺失和圖像的背景噪聲不是非常敏感，具有較強的魯棒性，但由于需要通過迭代搜尋最優(yōu)參數(shù)，故其執(zhí)行效率也不是很高，而且其解嚴(yán)重依賴于初始值的選擇，不恰當(dāng)?shù)某跏贾低鶗菇庀萑刖植繕O值。
互信息(Mutual Information，MI)是信息論中的一個測度，用來度量兩個隨機變量之間的相似性。在多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)問題中，雖然兩幅圖像來源于不同的成像設(shè)備，但是它們基于人體共同的解剖信息，所以當(dāng)兩幅圖像的空間位置完全一致時，它們的對應(yīng)象素的灰度互信息達到最大值。作為一種相似性測度，互信息量取得了巨大的成功，特別在醫(yī)學(xué)圖像領(lǐng)域?；バ畔⑴錅?zhǔn)方法目前被公認為是配準(zhǔn)精度和魯棒性最好的回溯性配準(zhǔn)方法之一。但傳統(tǒng)的基于互信息量的方法需要考慮整個三維數(shù)據(jù)的信息，計算復(fù)雜度大，無法滿足臨床需要。能否綜合基于特征方法和基于灰度的優(yōu)點而設(shè)計出一種既快又準(zhǔn)的方法一直是國內(nèi)外學(xué)者努力的方向。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種三維圖像的快速配準(zhǔn)方法，該方法具有處理圖像數(shù)據(jù)信息量小，配準(zhǔn)速度的優(yōu)點。
本發(fā)明實現(xiàn)上述目的的技術(shù)解決方案是一種三維圖像的快速配準(zhǔn)方法，該方法由以下步驟組成1)分別讀入待配準(zhǔn)的目標(biāo)圖像和浮動圖像，通過線性變換將二者所有像素點的灰度值變換到0～255的范圍內(nèi)；2)利用FCM算法對步驟1所得到目標(biāo)圖像和浮動圖像的灰度值進行二值粗分割，得到目標(biāo)圖像和浮動圖像所示物體的向量表示；3)分別計算目標(biāo)圖像和浮動圖像所示物體的質(zhì)心和協(xié)方差矩陣，并對協(xié)方差矩陣進行特征值分解，得到特征向量矩陣E和特征值矩陣V，得到主成分變換表達式；再以最大特征值對應(yīng)的特征向量所指方向為目標(biāo)圖像和浮動圖像所示物體的第一主軸方向，次之為第二主軸方向，再次之為第三主軸方向，然后令第一主軸和第二主軸所確定的平面為當(dāng)量子午面(Equivalent Meridian Plane，EMP)，得到當(dāng)量子午面；4)采用雙線性插值(Bilinear Interpolation)方法對所到的主成分變換表達式進行主成分變換(Principal Component Transform，PCT)，將目標(biāo)圖像和浮動圖像所示物體的質(zhì)心分別變換到目標(biāo)圖像和浮動圖像的中心，并使當(dāng)量子午面分別與其所在的目標(biāo)圖像和浮動圖像的中間層重合，得到變換后的目標(biāo)圖像和浮動圖像，完成粗配準(zhǔn)；5)固定變換后的目標(biāo)圖像，對變換后的浮動圖像進行微小的調(diào)整，其調(diào)整方法是，以變換后的目標(biāo)圖像的當(dāng)量子午面與目標(biāo)圖像的中間層的互信息量為目標(biāo)函數(shù)，采用Powell算法搜索目標(biāo)函數(shù)的最大值，當(dāng)互信息量達到最大時，完成精配準(zhǔn)。
本發(fā)明所述的一種三維圖像快速配準(zhǔn)方法，其中步驟2)的處理過程如下所述利用FCM算法對步驟1所得到目標(biāo)圖像和浮動圖像的灰度值進行二值粗分割，得到閾值T0后，先在閾值T∈[T0-10，T0+10]內(nèi)取不同的T值對目標(biāo)圖像和浮動圖像進行分割并計算分割圖像與原圖像的互信息量，再利用互信息量最大時的閾值T對圖像進行二值精分割，得到目標(biāo)圖像和浮動圖像所示物體的向量表示。該進一步改進方案使所得到的分割圖像邊界特征保持完好，虛假信息大大降低，圖像邊界細膩、連續(xù)且定位性能好，可大大提高配準(zhǔn)的精度。
本發(fā)明所提供的快速配準(zhǔn)方法將三維數(shù)據(jù)的配準(zhǔn)減化為二維數(shù)據(jù)的配準(zhǔn)，在保證精度的前提下，減少了配準(zhǔn)所需時間。我們知道子午面是地理學(xué)中的一個重要概念，它是過地球南北兩極所確定的軸線(地軸)的平面。推而廣之，對于任意曲線，繞曲線端點所確定的軸線旋轉(zhuǎn)360度都可以形成一個三維體，而過軸線的平面即為該三維體的子午面。對于醫(yī)學(xué)圖像，由成像設(shè)備產(chǎn)生的斷層序列圖像也可以重建為三維體，但該三維體一般是非常不規(guī)則的，故不能求取一般意義上的子午面。為此本發(fā)明提出了當(dāng)量子午面的概念，即對于三維物體，分別求出其第一主軸和與之正交的第二主軸，而由第一主軸和第二主軸所確定的平面稱之為當(dāng)量子午面。由于不同模態(tài)的圖像都有相似的外輪廓，因而當(dāng)量子午面也基本相同。當(dāng)量子午面是三維數(shù)據(jù)中一個非常特別的平面，集合中所有點到該平面的距離的平方和最小，該平面也是唯一確定的。從而兩個三維圖像的配準(zhǔn)可以簡化為當(dāng)量子午面的對準(zhǔn)，即當(dāng)量子午面互信息量最大時就說明圖像完全對準(zhǔn)。與計算整個三維數(shù)據(jù)的互信息量相比，這就大大減少了計算量。首先對圖像進行二值化，得到待配準(zhǔn)圖像的向量表示；計算物體的質(zhì)心和協(xié)方差矩陣，對協(xié)方差矩陣進行特征值分解，得到特征向量矩陣E和特征值矩陣V，得到當(dāng)量子午面和主成分變換表達式；利用主成分變換完成粗配準(zhǔn)，精細配準(zhǔn)時只需要對浮動圖像進行微小的調(diào)整計算當(dāng)量子午面的互信息量，這就大大提高了配準(zhǔn)速度，減少了陷入局部極值的可能。實驗結(jié)果表明此方法能準(zhǔn)確，快速地處理圖像剛性配準(zhǔn)問題，特別適用于三維圖像的配準(zhǔn)。
本發(fā)明綜合了基于特征和基于灰度配準(zhǔn)算法快和準(zhǔn)的優(yōu)點，將圖像看作一個數(shù)據(jù)集合，首次提出了當(dāng)量子午面的概念。并利用主成分分析進行粗配準(zhǔn)；精細配準(zhǔn)時只需要對浮動圖像進行較小的調(diào)整計算中間層的互信息量，即將三維數(shù)據(jù)的配準(zhǔn)簡化為二維數(shù)據(jù)的配準(zhǔn)，這就大大提高了配準(zhǔn)速度，減少了陷入局部極值的可能。本發(fā)明在無需人工干預(yù)和預(yù)處理條件下能自動實現(xiàn)對多模態(tài)圖像的自動、精確配準(zhǔn)，且表現(xiàn)出良好的魯棒性。


圖1為本發(fā)明所述方法的流程圖；圖2為利用主成分變換將當(dāng)量子午面與XY平面重合的示意圖；圖3為人體頭部磁共振(Magnetic Resonance，MR)圖像和正電子放射斷層(PositronEmission Tomography，PET)圖像，其中圖3(a)、圖3(b)、圖3(c)分別為MR圖像的橫斷面、矢狀面和冠狀面圖像，圖3(d)、圖3(e)、圖3(f)分別為對應(yīng)的PET圖像。
圖4為圖3所示圖像的分割結(jié)果，其中圖4(a)、圖4(b)、圖4(c)分別為圖3所示MR圖像的橫斷面、矢狀面和冠狀面圖像的二值精分割結(jié)果，圖4(d)、圖4(e)、圖4(f)分別為對應(yīng)的PET圖像的橫斷面、矢狀面和冠狀面圖像的二值精分割結(jié)果。
具體實施例方式
下面結(jié)合一套頭部的MR數(shù)據(jù)和PET數(shù)據(jù)(參見圖3)，詳細闡述本發(fā)明的工作步驟。
步驟1，讀入MR圖像和PET圖像，分別采用中值濾波對輸入圖像進行預(yù)處理，以降低噪聲對配準(zhǔn)的影響。通過線性變換(I-Imin)×255/(Imax-Imin)將所有像素點的灰度值變換到0～255的范圍內(nèi)，其中I為圖像灰度值。
步驟2，利用FCM算法對MR圖像的灰度值進行二值粗分割得到閾值T0后，先取T∈[T0-10，T0+10]，以不同的T值對MR圖像進行分割，并計算分割后的MR圖像與原MR圖像的互信息量，再以互信息量最大時的T值對MR圖像進行二值精分割。其中，互信息量計算公式為MI=Σx,yp(x,y)logp(x,y)p(x)p(y),]]>其中分割后的MR圖像與原MR圖像灰度值出現(xiàn)的聯(lián)合概率P(x，y)可以用聯(lián)合直方圖估計得到，邊際函數(shù)P(x)可以分別對P(x，y)的各列求和得到，邊際函數(shù)P(y)可以分別對P(x，y)的各行求和得到。按照同樣的方法可以對PET圖像進行二值精分割。MR圖像和PET圖像的分割結(jié)果見圖4。從而得到MR圖像和PET圖像中物體的向量表示XMR＝{(xi，yi，zi)T|i＝1，…，n}和XPET＝{(xi，yi，zi)T|i＝1，…，n}。
步驟3，計算MR圖像中物體的質(zhì)心uMR=lnΣi=lnXiMR]]>和協(xié)方差矩陣CMR=lnΣi=lnXiMR(XiMR)T-uMR(uMR)T,]]>對協(xié)方差矩陣進行特征值分解，得到特征向量矩陣EMR和特征值矩陣VMR。最人特征值對應(yīng)的特征向量所指方向即為MR圖像中物體的第一主軸方向，依次為第二主軸方向和第三主軸方向。第一主軸和第二主軸所確定的平面即為當(dāng)量子午面，這樣就得到了MR圖像中物體的當(dāng)量子午面和主成分變換表達式Y(jié)MR＝EMR(XMR-uMR)；同樣計算PET圖像中物體的質(zhì)心uPET=lnΣi=lnXiPET]]>和協(xié)方差矩陣CPET=lnΣi=lnXiPET(XiPET)T-uPET(uPET)T,]]>對協(xié)方差矩陣進行特征值分解，得到特征向量矩陣EPET和特征值矩陣VPET，最大特征值對應(yīng)的特征向量所指方向即為PET圖像中物體的第一主軸方向，依次為第二主軸方向和第三主軸方向。第一主軸和第二主軸所確定的平面即為當(dāng)量子午面，這樣就得到了PET圖像中物體的當(dāng)量子午面和主成分變換表達式Y(jié)PET＝EPET(XPET-uPET)。
步驟4，利用主成分變換表達式Y(jié)MR＝EMR(XMR-uMR)對MR圖像進行主成分變換，采用雙線性插值方法進行插值，將目標(biāo)圖像所示物體的質(zhì)心變換到目標(biāo)圖像的中心，并使當(dāng)量子午面與MR圖像的中間層重合，得到變換后的圖像MR’；再利用主成分變換表達式Y(jié)PET＝EPET(XPET-uPET)對PET圖像進行主成分變換，采用雙線性插值方法進行插值，將浮動圖像所示物體的質(zhì)心變換到浮動圖像的的中心，并使當(dāng)量子午面與PET圖像的中間層重合，得到變換后的圖像PET’。這樣，MR圖像中的物體的當(dāng)量子午面與PET圖像中的物體的當(dāng)量子午曲重合，完成粗配準(zhǔn)。
步驟5，將圖像MR’作為目標(biāo)圖像固定不動，圖像PET’作為浮動圖像而進行微小的調(diào)整。具體調(diào)整方法是以變換后的目標(biāo)圖像MR’的當(dāng)量子午面與目標(biāo)圖像MR的中間層的互信息量為目標(biāo)函數(shù)，采用Powell算法搜索目標(biāo)函數(shù)的最大值。互信息量計算公式為MI=Σx,yp(x,y)logp(x,y)p(x)p(y),]]>其中變換后的目標(biāo)圖像MR’與變換后的浮動圖像PET’灰度值出現(xiàn)的聯(lián)合概率P(x，y)可以用聯(lián)合直方圖估計得到，邊際函數(shù)P(x)可以分別對P(x，y)的各列求和得到，邊際函數(shù)P(y)可以分別對P(x，y)的各行求和得到。當(dāng)目標(biāo)函數(shù)達到最大時，兩圖像完全配準(zhǔn)。
權(quán)利要求
1.一種三維圖像快速配準(zhǔn)方法，其特征是1)分別讀入待配準(zhǔn)的目標(biāo)圖像和浮動圖像，通過線性變換將二者所有像素點的灰度值變換到0～255的范圍內(nèi)；2)利用FCM算法對步驟1所得到目標(biāo)圖像和浮動圖像的灰度值進行二值粗分割，得到目標(biāo)圖像和浮動圖像所示物體的向量表示；3)分別計算待目標(biāo)圖像和浮動圖像所示物體的質(zhì)心和協(xié)方差矩陣，并對協(xié)方差矩陣進行特征值分解，得到特征向量矩陣E和特征值矩陣V，得到主成分變換表達式；再以最大特征值對應(yīng)的特征向量所指方向為目標(biāo)圖像和浮動圖像所示物體的第一主軸方向，次之為第二主軸方向，再次之為第三主軸方向，然后令第一主軸和第二主軸所確定的平面為當(dāng)量子午面，得到當(dāng)量子午面；4)采用雙線性插值方法對所到的主成分變換表達式進行主成分變換，將目標(biāo)圖像和浮動圖像所示物體的質(zhì)心分別變換到目標(biāo)圖像和浮動圖像的中心，并使當(dāng)量子午面分別與其所在的目標(biāo)圖像和浮動圖像的中間層重合，得到變換后的目標(biāo)圖像和浮動圖像，完成粗配準(zhǔn)；5)固定變換后的目標(biāo)圖像，對變換后的浮動圖像進行微小的調(diào)整，其調(diào)整方法是，以變換后的目標(biāo)圖像的當(dāng)量子午面與目標(biāo)圖像的中間層的互信息量為目標(biāo)函數(shù)，采用Powell算法搜索目標(biāo)函數(shù)的最大值，當(dāng)互信息量達到最大時，完成精配準(zhǔn)。
2.根據(jù)權(quán)利要求1所述的一種三維圖像快速配準(zhǔn)方法，其特征是步驟2)的處理過程如下所述利用FCM算法對步驟1所得到目標(biāo)圖像和浮動圖像的灰度值進行二值粗分割，得到閾值T0后，先在閾值T∈[T0-10，T0+10]內(nèi)取不同的T值對目標(biāo)圖像和浮動圖像進行分割并計算分割圖像與原圖像的互信息量，再利用互信息量最大時的閾值T對圖像進行二值精分割，得到目標(biāo)圖像和浮動圖像所示物體的向量表示。
全文摘要
本發(fā)明公開了一種三維圖像的快速配準(zhǔn)方法，該方法包括以下步驟1.分別讀入待配準(zhǔn)的目標(biāo)圖像和浮動圖像；2.分別對三維圖像數(shù)據(jù)進行灰度二值分割，得到圖像中待配準(zhǔn)物體的向量表示；3.計算物體的質(zhì)心和協(xié)方差矩陣，得到主成分變換表達式和當(dāng)量子午面；4.利用主成分變換將圖像中的物體分別變換到原始圖像的中間層，完成粗配準(zhǔn)；5.將一幅圖像作為目標(biāo)圖像固定，另外一幅作為浮動圖像，以變換后的目標(biāo)圖像的當(dāng)量子午面與目標(biāo)圖像的中間層的互信息量為目標(biāo)函數(shù)，采用Powell算法搜索目標(biāo)函數(shù)的最大值，當(dāng)互信息量達到最大時，完成精配準(zhǔn)。本發(fā)明將三維數(shù)據(jù)的配準(zhǔn)減化為二維數(shù)據(jù)的配準(zhǔn)，在保證精度的前提下，減少了配準(zhǔn)所需時間。
文檔編號G06T7/00GK1952980SQ20061012359
公開日2007年4月25日 申請日期2006年11月17日 優(yōu)先權(quán)日2006年11月17日
發(fā)明者盧振泰, 陳武凡 申請人:南方醫(yī)科大學(xué)