基于k均值聚類法的腦磁共振圖像配準(zhǔn)方法
【專利摘要】本發(fā)明公開了一種基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法，首先利用Harris算子和SUSAN算子的混合角點(diǎn)檢測獲取總角點(diǎn)集，利用角點(diǎn)強(qiáng)度篩選出新的角點(diǎn)集，采用互相關(guān)系數(shù)法進(jìn)行粗匹配篩選，然后引入K均值聚類法對角點(diǎn)進(jìn)行聚類，之后結(jié)合歸一化相關(guān)法和投票匹配法篩選出精準(zhǔn)的角點(diǎn)對，最后采用Powell算法對角點(diǎn)集合進(jìn)行優(yōu)化，得到重建參數(shù)值，對圖像進(jìn)行最終配準(zhǔn)。其顯著效果是：本發(fā)明具有良好的穩(wěn)定性，能夠完整、正確地描述特征點(diǎn)信息，減少了后續(xù)運(yùn)算中程序的運(yùn)行時(shí)間，提高了配準(zhǔn)精度，實(shí)現(xiàn)對圖像配準(zhǔn)算法更精確、更有效率的改進(jìn)，能更好的兼容大范圍波動(dòng)的變換圖像。
【專利說明】基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及到醫(yī)學(xué)圖像處理【技術(shù)領(lǐng)域】，具體地說，是一種基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法。
【背景技術(shù)】
[0002]腦MRI圖像分析是當(dāng)前病理分析的重要手段，而其中的圖像配準(zhǔn)是實(shí)現(xiàn)圖像處理中的重要環(huán)節(jié)。經(jīng)分析發(fā)現(xiàn)現(xiàn)有研究存在問題，如互信息法、歸一化互信息法以及粒子群優(yōu)化算法等目前已有的針對腦磁共振圖像的配準(zhǔn)算法對角點(diǎn)強(qiáng)度、角點(diǎn)數(shù)目及角點(diǎn)分布等因素的考慮有所欠缺，導(dǎo)致配準(zhǔn)結(jié)果的精度不高，且配準(zhǔn)花費(fèi)的時(shí)間較長。
[0003]另外，角特征點(diǎn)(簡稱角點(diǎn))檢測算法具有運(yùn)算量小、實(shí)時(shí)性和有效性高等優(yōu)點(diǎn)，已被廣泛用于多類圖像配準(zhǔn)中。目前已得到應(yīng)用的角點(diǎn)檢測算子有Moravec算子['Harris算子[2]和SUSAN算子M等。Moravec算子對邊緣響應(yīng)和噪聲比較敏感,影響角點(diǎn)提取的準(zhǔn)確率；Harris算子對噪聲敏感，但仍是一種較穩(wěn)定的角點(diǎn)提取算子；SUSAN算子具有很強(qiáng)的抗噪性、縮放和旋轉(zhuǎn)不變性。
[0004]然而，目前的角點(diǎn)檢測算法研究大都基于上述算子的改進(jìn)，角點(diǎn)檢測算法用于腦M R圖像配準(zhǔn)的研究尚少，且主要局限于對同一種角點(diǎn)檢測算法的改進(jìn)。但是，不同算子提取的角點(diǎn)并不能完整、正確地描述特征點(diǎn)信息，有必要研究結(jié)合不同算子提取角點(diǎn)來綜合實(shí)現(xiàn)腦M R圖像配準(zhǔn)。
[0005]為了進(jìn)一步了解上述【背景技術(shù)】中的專業(yè)術(shù)語，可參考以下文獻(xiàn):
[0006][I]郭飛飛.基于特征點(diǎn)的圖像配準(zhǔn)方法及其研究.重慶:重慶大學(xué)，2010 ；
[0007][2]張訓(xùn)華，業(yè)寧，王厚立.基于Harris角點(diǎn)的木材C T圖像配準(zhǔn).山東大學(xué)學(xué)報(bào)，2010.；
[0008][3]陳賢巧.基于特征的圖像配準(zhǔn)算法研究.安徽:中國科學(xué)技術(shù)大學(xué).2009。

【發(fā)明內(nèi)容】

[0009]針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種能夠減少總程序運(yùn)行時(shí)間，同時(shí)提高配準(zhǔn)精度的腦磁共振圖像配準(zhǔn)方法，具體的技術(shù)方案如下:
[0010]一種基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法，其關(guān)鍵在于按照以下步驟進(jìn)行:
[0011]步驟1:獲取參考圖像I和待配準(zhǔn)圖像J，采用基于Harris和SUSAN算子的混合算法分別提取圖像I的總角點(diǎn)集A和圖像J的總角點(diǎn)集B，按照角點(diǎn)強(qiáng)度大小對總角點(diǎn)集A和總角點(diǎn)集B進(jìn)行排序，選取角點(diǎn)強(qiáng)度較大的M個(gè)角點(diǎn)，得到新的角點(diǎn)集C和角點(diǎn)集D ；
[0012]步驟2:采用互相關(guān)系數(shù)法對步驟I獲得的角點(diǎn)集C和角點(diǎn)集D進(jìn)行粗匹配篩選，得到特征角點(diǎn)對的集合E和F ;
[0013]步驟3:分別對步驟2獲得特征角點(diǎn)對的集合E和F采用K均值聚類法進(jìn)行聚類處理，得到角點(diǎn)集E'和F'；[0014]步驟4:對步驟3中得到的角點(diǎn)集⑴和？'采用投票匹配法進(jìn)行精匹配篩選，得至I』圖像I和了各自的最終角點(diǎn)集6和只；
[0015]步驟5:基于最終角點(diǎn)集6和!I，采用？0冊11算法搜索變換參數(shù)值，實(shí)現(xiàn)圖像配準(zhǔn)，并計(jì)算配準(zhǔn)后圖像I和了間的互信息值；
[0016]步驟6:選擇步驟5獲得的互信息最大值所對應(yīng)的角點(diǎn)對作為最終的角點(diǎn)匹配對，并將其對應(yīng)的搜索參數(shù)作為最終的搜索參數(shù)，重新對圖像進(jìn)行配準(zhǔn)。
[0017]本發(fā)明中，首先利用算子和別3燦^算子的混合角點(diǎn)檢測獲取總角點(diǎn)集，利用角點(diǎn)強(qiáng)度篩選出新的角點(diǎn)集，然后引入X均值聚類算法對角點(diǎn)進(jìn)行聚類，之后結(jié)合歸一化相關(guān)法和投票策略篩選出精準(zhǔn)的角點(diǎn)對，最后采用？0%11算法對角點(diǎn)集合進(jìn)行優(yōu)化，得到重建參數(shù)值，對圖像進(jìn)行最終配準(zhǔn)，能夠有效減少算法運(yùn)行時(shí)間，提高圖像配準(zhǔn)精度。
[0018]更進(jìn)一步的技術(shù)方案，所述步驟1按照以下步驟進(jìn)行:
[0019]步驟1-1:采用他1^18算子對圖像I和了進(jìn)行角點(diǎn)檢測得到角點(diǎn)集13和了3，采用8^8^算子對圖像I和了進(jìn)行角點(diǎn)檢測得到角點(diǎn)集匕和上；
[0020]步驟1-2:分別對角點(diǎn)集13與I。、了3與上求并集，得到圖像I的角點(diǎn)集合八和圖像了的角點(diǎn)集合8；
[0021]步驟1-3:搜索角點(diǎn)集合八和8中每個(gè)角點(diǎn)對應(yīng)的和％3他角點(diǎn)響應(yīng)矩陣，分別組成矩陣、與‘、、與‘；
[0022]步驟1-4:按照公式‘和分別對他1^18角點(diǎn)響應(yīng)值和別3^^角點(diǎn)響應(yīng)值進(jìn)行加權(quán)，計(jì)算得到新的角點(diǎn)強(qiáng)度矩陣^和1? ；
`[0023]步驟1-5:對角點(diǎn)強(qiáng)度矩陣^和1?中的角點(diǎn)強(qiáng)度分別按照從大到小排序，選取角點(diǎn)強(qiáng)度較大的1個(gè)角點(diǎn)，得到圖像I的角點(diǎn)集和圖像了的角點(diǎn)集0。
[0024]采用上述方法，能夠完整、正確地描述特征點(diǎn)信息，有助于提高圖像配準(zhǔn)精度。
[0025]更進(jìn)一步的技術(shù)方案，所述步驟2按照以下步驟進(jìn)行:
[0026]步驟2-1:在角點(diǎn)集中選取任意一個(gè)角點(diǎn)I，在角點(diǎn)集0中搜索與其歸一化相關(guān)系數(shù)最大的角點(diǎn)0』，其中1、』為角點(diǎn)序號；
[0027]步驟2-2:在角點(diǎn)集中反向搜索與角點(diǎn)0』歸一化相關(guān)系數(shù)最大的角點(diǎn)1若 則判定為角點(diǎn)仏與0』匹配，其中1、』、&為角點(diǎn)序號；
[0028]步驟2-3:返回步驟2-1，得到所有匹配的角點(diǎn)集2和？。
[0029]通過相關(guān)系數(shù)法粗篩選匹配角點(diǎn)對，減少了后續(xù)程序的運(yùn)行時(shí)間。
[0030]更進(jìn)一步的技術(shù)方案，所述步驟3按照以下步驟進(jìn)行:
[0031]步驟3-1:分別從角點(diǎn)集2和？的特征點(diǎn)中隨機(jī)取&個(gè)元素作為&個(gè)分類，并將其作為各自分類的初始聚類中心，其中&為預(yù)設(shè)參數(shù)；
[0032]步驟3-2:分別計(jì)算各個(gè)角點(diǎn)到各個(gè)初始聚類中心的距離，將各個(gè)角點(diǎn)歸為距離最近的中心點(diǎn)的一類；
[0033]步驟3-3:根據(jù)聚類結(jié)果，計(jì)算各個(gè)分類中所有點(diǎn)的平均距離，并確定新的聚類中心；
[0034]步驟3-4:根據(jù)新的聚類中心，再次計(jì)算各個(gè)角點(diǎn)到各個(gè)新的聚類中心的距離，并將各個(gè)角點(diǎn)歸為距離最近的中心點(diǎn)的一類；
[0035]步驟3-5:返回步驟3-3，直到聚類結(jié)果不再變化，并輸出聚類后的角點(diǎn)集⑴和Fi。
[0036]通過K均值聚類算法有效地減少了配準(zhǔn)過程中的角點(diǎn)對配準(zhǔn)次數(shù)，使得配準(zhǔn)具有較高的精度、同時(shí)性能穩(wěn)定并且運(yùn)行時(shí)間短。
[0037]更進(jìn)一步的技術(shù)方案，所述步驟4按照以下步驟進(jìn)行:
[0038]步驟4-1:利用公式(Iis(WpW2) = | W1-W2 |分別計(jì)算參考圖像I和待配準(zhǔn)圖像J
中角點(diǎn)之間的歐氏距離，得到各自的歐氏距離矩陣MPT，
【權(quán)利要求】
1.一種基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法，其特征在于按照以下步驟進(jìn)行: 步驟1:獲取參考圖像I和待配準(zhǔn)圖像J，采用基于Harris和SUSAN算子的混合算法分別提取圖像I的總角點(diǎn)集A和圖像J的總角點(diǎn)集B，按照角點(diǎn)強(qiáng)度大小對總角點(diǎn)集A和總角點(diǎn)集B進(jìn)行排序,選取角點(diǎn)強(qiáng)度較大的M個(gè)角點(diǎn),得到新的角點(diǎn)集C和角點(diǎn)集D ； 步驟2:采用互相關(guān)系數(shù)法對步驟I獲得的角點(diǎn)集C和角點(diǎn)集D進(jìn)行粗匹配篩選，得到特征角點(diǎn)對的集合E和F ; 步驟3:分別對步驟2獲得特征角點(diǎn)對的集合E和F采用K均值聚類法進(jìn)行聚類處理，得到角點(diǎn)集E'和F'； 步驟4:對步驟3中得到的角點(diǎn)集E'和F'采用投票匹配法進(jìn)行精匹配篩選，得到圖像I和J各自的最終角點(diǎn)集G和H ; 步驟5:基于最終角點(diǎn)集G和H，采用Powell算法搜索變換參數(shù)值，實(shí)現(xiàn)圖像配準(zhǔn)，并計(jì)算配準(zhǔn)后圖像I和J間的互信息值； 步驟6:選擇步驟5獲得的互信息最大值所對應(yīng)的角點(diǎn)對作為最終的角點(diǎn)匹配對，并將其對應(yīng)的搜索參數(shù)作為最終的搜索參數(shù)，重新對圖像進(jìn)行配準(zhǔn)。
2.根據(jù)權(quán)利要求1所述的基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法，其特征在于:步驟I按照以下步驟進(jìn)行: 步驟1-1:采用Harris算子對圖像I和J進(jìn)行角點(diǎn)檢測得到角點(diǎn)集IjP Ja，采用SUSAN算子對圖像I和J進(jìn)行 角點(diǎn)檢測得到角點(diǎn)集Ib和Jb ; 步驟1-2:分別對角點(diǎn)集Ia與Ib、Ja與Jb求并集，得到圖像I的角點(diǎn)集合A和圖像J的角點(diǎn)集合B ; 步驟1-3:搜索角點(diǎn)集合A和B中每個(gè)角點(diǎn)對應(yīng)的Harris和SUSAN角點(diǎn)響應(yīng)矩陣，分別組成矩陣Rha與Rsa、Rhb與Rsb ; 步驟1-4:按照公式Ra= ω ^Rha+ ω 2*RSA和Rb= ω ^Rhb+ ω 2*RSB分別對Harris角點(diǎn)響應(yīng)值和SUSAN角點(diǎn)響應(yīng)值進(jìn)行加權(quán)，計(jì)算得到新的角點(diǎn)強(qiáng)度矩陣Ra和Rb ； 步驟1-5:對角點(diǎn)強(qiáng)度矩陣Ra和Rb中的角點(diǎn)強(qiáng)度分別按照從大到小排序，選取角點(diǎn)強(qiáng)度較大的M個(gè)角點(diǎn)，得到圖像I的角點(diǎn)集C和圖像J的角點(diǎn)集D。
3.根據(jù)權(quán)利要求1所述的基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法，其特征在于:步驟2按照以下步驟進(jìn)行: 步驟2-1:在角點(diǎn)集C中選取任意一個(gè)角點(diǎn)Ci,在角點(diǎn)集D中搜索與其歸一化相關(guān)系數(shù)最大的角點(diǎn)Dp其中1、j為角點(diǎn)序號； 步驟2-2:在角點(diǎn)集C中反向搜索與角點(diǎn)&歸一化相關(guān)系數(shù)最大的角點(diǎn)Ck，若Ci=Ck,則判定為角點(diǎn)(^與1^_匹配，其中1、j、k為角點(diǎn)序號； 步驟2-3:返回步驟2-1，得到所有匹配的角點(diǎn)集E和F。
4.根據(jù)權(quán)利要求1所述的基于K均值聚類法的腦磁共振圖像配準(zhǔn)方法，其特征在于:步驟3按照以下步驟進(jìn)行: 步驟3-1:分別從角點(diǎn)集E和F的特征點(diǎn)中隨機(jī)取k個(gè)元素作為k個(gè)分類，并將其作為各自分類的初始聚類中心，其中k為預(yù)設(shè)參數(shù)； 步驟3-2:分別計(jì)算各個(gè)角點(diǎn)到各個(gè)初始聚類中心的距離，將各個(gè)角點(diǎn)歸為距離最近的中心點(diǎn)的一類；步驟3-3:根據(jù)聚類結(jié)果，計(jì)算各個(gè)分類中所有點(diǎn)的平均距離，并確定新的聚類中心； 步驟3-4:根據(jù)新的聚類中心，再次計(jì)算各個(gè)角點(diǎn)到各個(gè)新的聚類中心的距離，并將各個(gè)角點(diǎn)歸為距離最近的中心點(diǎn)的一類； 步驟3-5:返回步驟3-3，直到聚類結(jié)果不再變化，并輸出聚類后的角點(diǎn)集V和？'。
5.根據(jù)權(quán)利要求1所述的基于X均值聚類法的腦磁共振圖像配準(zhǔn)方法，其特征在于:步驟4按照以下步驟進(jìn)行: 步驟4-1:利用公式= |卜-界2 |分別計(jì)算參考圖像I和待配準(zhǔn)圖像了中角點(diǎn)之間的歐氏距離，得到各自的歐氏距離矩陣I？和丁，
6.根據(jù)權(quán)利要求1所述的基于X均值聚類法的腦磁共振圖像配準(zhǔn)方法，其特征在于:步驟5按照以下步驟進(jìn)行: 步驟5-1:令最終角點(diǎn)集和!I的角點(diǎn)對的數(shù)目為X對，參數(shù)7=1 ； 步驟5-2:依次選取角點(diǎn)集和!I的前7對角點(diǎn)對，并分別基于角點(diǎn)值采用？0冊11算法搜索變換參數(shù)值； 步驟5-3:基于變換參數(shù)值，實(shí)現(xiàn)圖像配準(zhǔn)，并計(jì)算配準(zhǔn)后圖像I和了間的互信息值；步驟5-4:將7與X進(jìn)行比較，若7小于或等于X，則設(shè)置7=7+1，返回步驟5-2，若7大于X，則進(jìn)入步驟6。
【文檔編號】G06T7/00GK103839272SQ201410113556
【公開日】2014年6月4日 申請日期:2014年3月25日 優(yōu)先權(quán)日:2014年3月25日
【發(fā)明者】李勇明, 閆瑾, 梅林 , 謝文賓, 呂洋, 何璇 申請人:重慶大學(xué)