專利名稱：一種基于交叉視覺皮質(zhì)模型的醫(yī)學(xué)圖像配準(zhǔn)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于基于灰度的圖像配準(zhǔn)方法，具體涉及ー種基于交叉視覺皮質(zhì)模型的醫(yī)學(xué)圖像配準(zhǔn)方法。
背景技術(shù)：
圖像配準(zhǔn)技術(shù)在遙感數(shù)據(jù) 分析、計算機(jī)視覺、醫(yī)學(xué)圖像處理等領(lǐng)域都有很廣泛的應(yīng)用，是目標(biāo)識別、圖像融合、時序圖像分析、變化檢測等實際應(yīng)用的關(guān)鍵步驟，在環(huán)境檢測、天氣預(yù)報等應(yīng)用領(lǐng)域都有不可替代的地位。根據(jù)所采用的圖像信息，現(xiàn)有圖像配準(zhǔn)方法可以分為兩大類基于特征的圖像配準(zhǔn)方法和基于灰度的圖像配準(zhǔn)方法。基于特征的圖像配準(zhǔn)方法，例如中國專利號200680048083. 5，名稱為“基于點的自適應(yīng)彈性圖像配準(zhǔn)”、中國專利號200810031575. 4，名稱為“基于直線特征圖像配準(zhǔn)中的特征匹配方法”。這類圖像配準(zhǔn)方法，依賴于特征的提取，以圖像中不變特征，如點(包括角點、高曲率點等)、線、邊緣、輪廓、閉合區(qū)域以及統(tǒng)計特征不變量比如重心等，作為圖像配準(zhǔn)的特征，要求特征提取具有可靠性和魯棒性。基于灰度的圖像配準(zhǔn)方法，例如中國專利號200810019451. 4，名稱為“基于量子行為粒子群算法的多分辨率醫(yī)學(xué)圖像配準(zhǔn)方法”，公布了利用歸ー化互信息作為目標(biāo)函數(shù)的配準(zhǔn)方法；中國專利號200710052491. 4，名稱為“ー種多相似性測度圖像配準(zhǔn)方法”。這類圖像配準(zhǔn)方法，與圖像的像素灰度值密切相關(guān)，不用對圖像進(jìn)行特征提取，通常以一定的目標(biāo)函數(shù)作為測度，通過優(yōu)化方法尋找最優(yōu)情況下的配準(zhǔn)參數(shù)，運行時間會有所増加。交叉視覺皮質(zhì)模型(Intersecting Cortical Model, ICM)是在脈沖稱合神經(jīng)網(wǎng)絡(luò)模型(Pulse Coupled Neural Network, PCNN)上的簡化和改進(jìn)，這兩者被稱之為第三代神經(jīng)網(wǎng)絡(luò)模型，已成功地被應(yīng)用于圖像分割、圖像去噪、特征提取等領(lǐng)域。ICM具有的動態(tài)閾值、同步脈沖發(fā)放等特征非常適合于圖像處理，而且同傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型相比，它具有自適應(yīng)、不需要訓(xùn)練和學(xué)習(xí)的優(yōu)點。同吋，ICM還具有平移、旋轉(zhuǎn)不變性等特點。ICM模型的數(shù)學(xué)方程為Fij [n] = f XFij [n-1]+Sij^ffkl {Ykl[n-1]},
IFij[n\> 9ij[n\Yij[n]=イ，
Θ Jj [n] = gX Θ ijtn-ll+hXYijtn-l],式中，權(quán)值矩陣元素值Ij ,2 /7 =J
#-1)2+(I-J)2Fij[η]為像素狀態(tài)值，Sij為像素灰度值，i、j分別為圖像中像素的橫坐標(biāo)和縱坐標(biāo)，k、l分別為當(dāng)前像素8鄰域內(nèi)像素的橫坐標(biāo)和縱坐標(biāo)為狀態(tài)衰減系數(shù)，Ykl[η]為當(dāng)前像素的8鄰域像素響應(yīng)矩陣元素值,Ykl [n] e Y [η] ； Θ [n]為各像素閾值,g為閾值衰減系數(shù)，h為閾值常數(shù)。中國專利號200910086060. 9，名稱為“ー種基于改進(jìn)交叉視覺皮質(zhì)模型的圖像分割方法”，公布了交叉視覺皮質(zhì)模型在圖像分割中的應(yīng)用。雖然ICM在圖像處理已經(jīng)有廣泛的應(yīng)用，但在圖像配準(zhǔn)領(lǐng)域還沒有出現(xiàn)過相關(guān)應(yīng)用。圖像配準(zhǔn)過程中有大量的重復(fù)的乘法和加法運算，ICM本身也存在卷積運算，導(dǎo)致運行時間較長。本發(fā)明中，保形變換是指待配準(zhǔn)圖像與參考圖像之間只存在平移，旋轉(zhuǎn)以及圖像大小變化的變換。

發(fā)明內(nèi)容
本發(fā)明提供一種基于交叉視覺皮質(zhì)模型的醫(yī)學(xué)圖像配準(zhǔn)方法，解決現(xiàn)有醫(yī)學(xué)圖像配準(zhǔn)方法運行時間較長的問題，對現(xiàn)有的交叉視覺皮質(zhì)模型進(jìn)行改進(jìn)，減少其卷積運算，使之具有更快的運行速度。本發(fā)明所提供的一種基于交叉視覺皮質(zhì)模型的醫(yī)學(xué)圖像配準(zhǔn)方法，適用于保形變換，包括下述步驟一 .邊緣檢測步驟輸入待配準(zhǔn)圖像H和參考圖像R，分別利用sobel橫向邊緣提取算子Gx和sobel縱向邊緣提取算子Gy對H和R中每個像素的8鄰域進(jìn)行卷積運算，提取目標(biāo)邊緣，得到待配準(zhǔn)邊緣圖像Hl和參考邊緣圖像Rl ；
權(quán)利要求
1. 一種基于交叉視覺皮質(zhì)模型的醫(yī)學(xué)圖像配準(zhǔn)方法，適用于保形變換，包括下述步驟 一.邊緣檢測步驟 輸入待配準(zhǔn)圖像H和參考圖像R，分別利用sobel橫向邊緣提取算子Gx和sobel縱向邊緣提取算子Gy對H和R中每個像素的8鄰域進(jìn)行卷積運算，提取目標(biāo)邊緣，得到待配準(zhǔn)邊緣圖像Hl和參考邊緣圖像Rl ；"-I 0 I] 「12 I" Gx= -2 0 2 Gy= 0 0 0-10 1 卜1-2 -I ニ.提取特征向量步驟，包括下述子步驟 (2. I)初始化，設(shè)置運行次數(shù)N = 20 50，置運行次數(shù)變量n = 1，各像素狀態(tài)值Fu
=0，響應(yīng)矩陣Y
各元素值￥〃
= 0，各像素閾值0U[O] = 0，點火次數(shù)矩陣M
各元素值Mu
= 0，i、j分別為待配準(zhǔn)圖像H和參考圖像R中像素的橫坐標(biāo)和縱坐標(biāo)； (2. 2)計算像素狀態(tài)值FiJn] 對H和R中每個像素計算像素狀態(tài)值Fij [n] 判斷H和R中的像素是否分別為Hl和Rl中目標(biāo)邊緣點，是則=FijM = fXFiJ[n-l]+SiJ+ffkl{Ykl[n-l]), 否則=FijM = fXFijtn-U+Sij+CXYijtn-l], 式中，權(quán)值矩陣元素值げ^ = L1 .、2門 #-1)2+(I-J)2 Sij為該像素灰度值，k、I分別為當(dāng)前像素8鄰域內(nèi)像素的橫坐標(biāo)和縱坐標(biāo)，權(quán)值常數(shù)C為Wkl所有元素之和,0 <狀態(tài)衰減系數(shù)f < I ；Ykl [n]為當(dāng)前像素的八鄰域像素響應(yīng)矩陣元素值，Ykl[n] G Y[n]；叫=S,0ij[n] = gX 0 ijtn-ll+hXYijtn-l], 其中，hdn]為各像素閾值；0 <閾值衰減系數(shù)g< 1，10<閾值常數(shù)11< 100 ； (2. 3)計算點火次數(shù)矩陣M[n]各元素值MijLn] 竭M(jìn) = I樹"-1] + 1 = 1L[MuIn-I] Un] = 0 J 根據(jù)上式，定義待配準(zhǔn)圖像H的點火次數(shù)矩陣M[n]為％[11]，參考圖像R[n]的點火次數(shù)矩陣 M[n] % Me [n]； (2. 4)計算重心特征點； 分別對H和R計算Mh[n]和Me[n]矩陣的重心特征點Ph[n]和Pe[n] Ph [n]的X坐標(biāo)和y坐標(biāo)分別為
2.如權(quán)利要求I所述的醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，所述提取特征向量步驟的子步驟(2. 2)中先選定所述狀態(tài)衰減系數(shù)f，再選定所述閾值衰減系數(shù)g，最后選定所述閾值常數(shù)h; 選定所述狀態(tài)衰減系數(shù)f的方式為首先設(shè)定閾值衰減系數(shù)g為0. 9，設(shè)定閾值常數(shù)h=20，讓f以步長0. I從0. I變化至0.9，根據(jù)g、h和各f值計算對應(yīng)的9個最終配準(zhǔn)圖像H"，分別計算每個H"與R之間的均方差MSE 織=(丑 W; 式中1，J分別表不H"與R的長和寬； 選取其中最小MSE值對應(yīng)的最終配準(zhǔn)圖像H".其對應(yīng)的f 值為選定的狀態(tài)衰減系數(shù)； 選定所述閾值衰減系數(shù)g的方式為選定狀態(tài)衰減系數(shù)f后，設(shè)定閾值常數(shù)h = 20,讓g以步長0. I從0. 9變化至0. 1，根據(jù)f、h和各g值計算對應(yīng)的9個最終配準(zhǔn)圖像H"，分別計算每個H"與R之間的均方差MSE ;選取其中最小MSE值對應(yīng)的最終配準(zhǔn)圖像H"，其 對應(yīng)的g值為選定的閾值衰減系數(shù)； 選定所述閾值常數(shù)h的方式為選定狀態(tài)衰減系數(shù)f■和閾值衰減系數(shù)g后,讓h以步長10從10變化至100，根據(jù)f、g和各h值計算對應(yīng)的10個最終配準(zhǔn)圖像H"，分別計算每個H"與R之間的均方差MSE ;選取其中最小MSE值對應(yīng)的最終配準(zhǔn)圖像H".其對應(yīng)的h值為選定的閾值常數(shù)。
全文摘要
一種基于交叉視覺皮質(zhì)模型的醫(yī)學(xué)圖像配準(zhǔn)方法，屬于基于灰度的圖像配準(zhǔn)方法，解決現(xiàn)有醫(yī)學(xué)圖像配準(zhǔn)方法運行時間較長的問題，對現(xiàn)有的交叉視覺皮質(zhì)模型進(jìn)行改進(jìn)，減少其卷積運算，使之具有更快的運行速度。本發(fā)明包括邊緣檢測步驟、提取特征向量步驟、計算配準(zhǔn)參數(shù)步驟和配準(zhǔn)步驟。本發(fā)明利用點火次數(shù)矩陣的重心特征點實現(xiàn)圖像配準(zhǔn)，減少了運行時間，同時利用邊緣檢測將待配準(zhǔn)圖像和參考圖像中的像素分類為邊緣像素和非邊緣像素，并對邊緣像素采用原始ICM公式計算像素狀態(tài)值，對非邊緣像素采用改進(jìn)的ICM公式計算像素狀態(tài)值，減少了公式中的卷積運算，從而進(jìn)一步降低了運行時間。
文檔編號G06T7/00GK102651132SQ20121009934
公開日2012年8月29日 申請日期2012年4月6日 優(yōu)先權(quán)日2012年4月6日
發(fā)明者丁明躍, 尹周平, 張旭明, 王瑜輝, 袁文金, 詹軼, 鄒建, 馬潤霞 申請人:華中科技大學(xué)