一種圖像實(shí)時(shí)配準(zhǔn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理，特別涉及一種圖像配準(zhǔn)方法。
【背景技術(shù)】
[0002] 在智慧醫(yī)療平臺(tái)的應(yīng)用領(lǐng)域中，通常需要將不同來(lái)源的多幅影像學(xué)圖像同時(shí)自動(dòng) 配準(zhǔn)，以此來(lái)輔助醫(yī)生進(jìn)行客觀的診斷。如MR (Magnetic Resonance)圖像和CT (Computed Tomography)圖像的配準(zhǔn)成功率高于MR圖像和PET (Position EmissionTomography)圖像 的配準(zhǔn)成功率。然而，現(xiàn)有技術(shù)使用高維聯(lián)合直方圖進(jìn)行配準(zhǔn)，增加了存儲(chǔ)空間和計(jì)算量， 例如，4幅256灰度級(jí)的灰度圖像進(jìn)行配準(zhǔn)時(shí)，對(duì)應(yīng)聯(lián)合直方圖的大小為2 32 (4GB)字節(jié)，這已 經(jīng)超過(guò)了一些計(jì)算機(jī)性能范圍。對(duì)于彩色圖像，計(jì)算量、存儲(chǔ)量和處理時(shí)間將進(jìn)一步增加。
[0003] 因此，針對(duì)相關(guān)技術(shù)中所存在的上述問(wèn)題，目前尚未提出有效的解決方案。

【發(fā)明內(nèi)容】

[0004] 為解決上述現(xiàn)有技術(shù)所存在的問(wèn)題，本發(fā)明提出了一種圖像實(shí)時(shí)配準(zhǔn)方法，用于 對(duì)多個(gè)圖像同時(shí)進(jìn)行配準(zhǔn)，包括：
[0005] 對(duì)同一幅圖像不同RGB分量之間的幾何形態(tài)變化進(jìn)行算術(shù)平均，得到彩色分量約 束，
[0006] 通過(guò)所述彩色分量約束形成多個(gè)圖像的配準(zhǔn)總度量值；
[0007] 調(diào)整計(jì)算幾何形態(tài)變化參數(shù)以將所述配準(zhǔn)總度量值最大化。
[0008] 優(yōu)選地，所述多個(gè)圖像配準(zhǔn)總度量值由彩色分量形態(tài)變化約束和對(duì)數(shù)似然函數(shù)的 代數(shù)和構(gòu)成；
[0009] 所述圖像配準(zhǔn)總度量值Etotal為：E tQtal= E i - λ Er，其中E1是似然函數(shù)L(q>，Θ)的 對(duì)數(shù)即Ei= In L(q)，θ)，E,是RGB分量形態(tài)變化約束；λ是正實(shí)數(shù)加權(quán)系數(shù)；
[0010] 所述通過(guò)計(jì)算微小形態(tài)變化增量得到最優(yōu)幾何形態(tài)變化參數(shù)，進(jìn)一步包括：
[0011] 迭代地估計(jì)似然函數(shù)的概率密度和調(diào)整幾何形態(tài)變化參數(shù)，當(dāng)循環(huán)次數(shù)達(dá)到預(yù)先 設(shè)置好的預(yù)先設(shè)置的整數(shù)閾值時(shí)，當(dāng)或者所述微小形態(tài)變化增量的模小于預(yù)先設(shè)置的小數(shù) 閾值時(shí)，結(jié)束循環(huán)迭代，并輸出最優(yōu)幾何形態(tài)變化參數(shù)的估計(jì)值。
[0012] 本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點(diǎn)：
[0013] 利用本發(fā)明的方法配準(zhǔn)后的圖像聯(lián)合概率密度分布較為集中，對(duì)應(yīng)性強(qiáng)，算法復(fù) 雜度低，滿足實(shí)時(shí)性要求。
【附圖說(shuō)明】
[0014] 圖1是根據(jù)本發(fā)明實(shí)施例的圖像實(shí)時(shí)配準(zhǔn)方法的流程圖。
【具體實(shí)施方式】
[0015] 下文與圖示本發(fā)明原理的附圖一起提供對(duì)本發(fā)明一個(gè)或者多個(gè)實(shí)施例的詳細(xì)描 述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán) 利要求書(shū)限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細(xì)節(jié) 以便提供對(duì)本發(fā)明的透徹理解。出于示例的目的而提供這些細(xì)節(jié)，并且無(wú)這些具體細(xì)節(jié)中 的一些或者所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書(shū)實(shí)現(xiàn)本發(fā)明。
[0016] 本發(fā)明在配準(zhǔn)度量中增加RGB分量形態(tài)變化約束；對(duì)同一幅圖像不同RGB分量之 間的幾何形態(tài)變化結(jié)果進(jìn)行算術(shù)平均。圖1是根據(jù)本發(fā)明實(shí)施例的圖像配準(zhǔn)方法流程圖。
[0017] 多幅RGB圖像配準(zhǔn)總度量值是由兩函數(shù)項(xiàng)的代數(shù)和構(gòu)成。第一項(xiàng)E1是對(duì)數(shù)似然 函數(shù)，第二項(xiàng)民是定義的RGB分量形態(tài)變化約束?？偠攘恐刀x如下：
[0018] Etotal= E i - λ Er其中：λ是正實(shí)數(shù)加權(quán)系數(shù)；E i是似然函數(shù)L(cp，Θ)的對(duì)數(shù)。
【主權(quán)項(xiàng)】
1. 一種圖像實(shí)時(shí)配準(zhǔn)方法，用于對(duì)多個(gè)圖像同時(shí)進(jìn)行配準(zhǔn)，包括： 對(duì)同一幅圖像不同RGB分量之間的幾何形態(tài)變化進(jìn)行算術(shù)平均，得到彩色分量約束， 通過(guò)所述彩色分量約束形成多個(gè)圖像的配準(zhǔn)總度量值； 調(diào)整計(jì)算幾何形態(tài)變化參數(shù)以將所述配準(zhǔn)總度量值最大化。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多個(gè)圖像配準(zhǔn)總度量值由彩色分量 形態(tài)變化約束和對(duì)數(shù)似然函數(shù)的代數(shù)和構(gòu)成； 所述圖像配準(zhǔn)總度量值Ettrtal為：Etrtal=E1- AEr，其中E1是似然函數(shù)?(φ,θ)酌對(duì)數(shù)即 Ei= In ?(φ,θ), 是RGB分量形態(tài)變化約束；λ是正實(shí)數(shù)加權(quán)系數(shù)； 所述調(diào)整計(jì)算幾何形態(tài)變化參數(shù)，進(jìn)一步包括： 迭代地估計(jì)似然函數(shù)的概率密度和調(diào)整幾何形態(tài)變化參數(shù)，當(dāng)循環(huán)次數(shù)達(dá)到預(yù)先設(shè)置 好的預(yù)先設(shè)置的整數(shù)閾值時(shí)，當(dāng)或者所述計(jì)算幾何形態(tài)變化參數(shù)的微小形態(tài)變化增量的 模小于預(yù)先設(shè)置的小數(shù)閾值時(shí)，結(jié)束循環(huán)迭代，并輸出最優(yōu)幾何形態(tài)變化參數(shù)的估計(jì)值。
3. 根據(jù)權(quán)利要求2所述的方法，其中所述似然函數(shù)?(φ,θ)為
其中：P表示施加幾何形態(tài)變化Θ后，在位置X處顏色值向量/f的概率密度函數(shù)；φ: 表示概率模型中的參數(shù)； 所述幾何形態(tài)變化Θ = (^1, θ2，…，0D)T，其中D表示待配準(zhǔn)圖像數(shù)量，Qi = (θ μ θig，θib)T是第i幅RGB圖像的幾何形態(tài)變化，其中i為1到D之間的正整數(shù)，并且 RGB分量形態(tài)變化Θ i#可以表示為Θ i#= ( Θ w，Θ i#2,…，Θ _)，其中M表示RGB圖像 的每一個(gè)彩色分量幾何形態(tài)變化的元素個(gè)數(shù)，因此Θ中總元素個(gè)數(shù)為3MD個(gè)。 K 所述概率密度函數(shù)p為：ΜΛ? 外,力） k=\ 其中K表示概率模型中概率密度函數(shù)個(gè)數(shù)，μ0Ρ σ k表示第k個(gè)概率密度函數(shù)的均值 K 和方差，Hk是加權(quán)系數(shù)，滿足=1，. N為正態(tài)分布函數(shù)。 k=\
4. 根據(jù)權(quán)利要求3所述的方法，所述調(diào)整幾何形態(tài)變化參數(shù)進(jìn)一步包括： 將V保持不變，調(diào)整幾何形態(tài)變化參數(shù)Θ ; 令Etotal關(guān)于Θ的一階偏導(dǎo)數(shù)等于〇,即
E1關(guān)于Θ的一階偏導(dǎo)數(shù)為： 其中沒(méi)表示Θ的微小增量；
計(jì)算民關(guān)于Θ的一階偏導(dǎo)數(shù)：
引入幾何形態(tài)變化增量g，由泰勒展開(kāi)式得：
其中，Ep是關(guān)于向量Θ的一階偏導(dǎo)數(shù)：
繼續(xù)求偏導(dǎo)數(shù)，得匕關(guān)于向量Θ的二階偏導(dǎo)數(shù)，
其中Uzdiag^ U2 ... Ud]是常數(shù)塊對(duì)角矩陣，其中：％(1彡i彡D)是大小為3MX3M 的Toeplitz型矩陣： Ui= to印[2, 0,…，0, -1，0,…，0, -1，0,…，0]，在三個(gè)相鄰非零整數(shù)間的零元素個(gè)數(shù)是 M-I 個(gè)；
一步簡(jiǎn)化為：
利用所述增量9來(lái)更新幾何形態(tài)變化參數(shù)。
【專(zhuān)利摘要】本發(fā)明提供了一種圖像實(shí)時(shí)配準(zhǔn)方法，該方法包括對(duì)同一幅圖像不同RGB分量之間的幾何形態(tài)變化進(jìn)行算術(shù)平均，得到彩色分量約束，通過(guò)所述彩色分量約束形成多個(gè)圖像的配準(zhǔn)總度量值；調(diào)整計(jì)算幾何形態(tài)變化參數(shù)以將所述配準(zhǔn)總度量值最大化。本發(fā)明的方法配準(zhǔn)結(jié)果的聯(lián)合概率密度分布較為集中，對(duì)應(yīng)性強(qiáng)，算法復(fù)雜度低，滿足實(shí)時(shí)性要求。
【IPC分類(lèi)】G06T3-40
【公開(kāi)號(hào)】CN104732483
【申請(qǐng)?zhí)枴緾N201510162300
【發(fā)明人】劉穎
【申請(qǐng)人】成都匯智遠(yuǎn)景科技有限公司
【公開(kāi)日】2015年6月24日
【申請(qǐng)日】2015年4月8日