Registration Method for CT-MR Image Based on Mutual Information

Medical image registration is important in many medical applications. Registration method based on maximization of mutual information of voxel intensities is one of the most popular methods for 3-D multi-modality medical image registration. Generally, the optimization process is easily trapped in local maximum, resulting in wrong registration results. In order to find the correct optimum, a new multi-resolution approach for brain image registration based on normalized mutual information is proposed. In this method, to eliminate the effect of local optima, multi-scale wavelet transformation is adopted to extract the image edge features. Then the feature images are registered, and the result at this level is taken as the initial estimate for the registration of the original images. Three-dimensional volumes are used to test the algorithm. Experimental results show that the registration strategy proposed is a robust and efficient method which can reach sub-voxel accuracy and improve the optimization speed.

基于先验信息补偿的太赫兹雷达近场大转角精细成像研究

基于雷达成像技术实现太赫兹频段目标散射特性获取是一种重要的特性测量手段,其前提是能够获得目标的高分辨精细成像结果。针对室内太赫兹雷达系统成像测量时难以保证参考目标中心和转台中心完全重合,且近场成像结果敏感于目标位置误差的实际问题,推导建立了相应的精确成像模型,提出了基于先验信息的距离误差补偿方法和近场成像算法实现方法,得到了近场大转角条件下太赫兹目标高分辨精细成像结果。经实验系统测量验证,该成像方法可精确修正目标位置摆放误差和近场测量误差造成的图像形变与散焦,无目标坐标系和雷达坐标系中心重合的要求限制,为太赫兹频段目标散射特征精确反演和散射中心诊断提供了重要支撑。

基于纹理增强和细化的可见光图像互信息边缘提取研究

采用传统方法提取图像边缘时,会产生图像互信息匹配不准确、F_(1)值低、边缘检测性能不理想等问题。基于此,提出基于纹理增强和细化的可见光图像互信息边缘提取的方法:利用互信息配准公式对图像进行配准,并在此基础上对图像进行预处理,处理步骤包括图像纹理增强、图像二值化、图像平滑及细化,最终得到无干扰的清晰数据,再利用二维光滑化函数和Lipschitz方法对优化后的图像进行边缘检测和提取。试验结果表明,所提方法的F_(1)值始终>0.85,在3组试验数据集中的真正例率>95%,且假正比例<20%。试验所得数据说明所提方法具有更好的应用性能。

基于互信息和梯度的红外与可见光图像配准新方法

红外与可见光图像配准是常见的多传感器图像配准,在军事、遥感等领域有着广泛的应用。提出了一种基于互信息和图像梯度的红外与可见光图像的自动配准方法:首先,获得图像的梯度信息,然后根据定义的扩展结构获得边缘区域图像,选择最大归一化互信息作为相似性测度,使用Powell算法获得最佳配准参数。实验结果证明,本文方法较传统的基于互信息和梯度的配准方法,提高了配准的速度和精度,可以作为一种有效的粗配准的方法。

基于边界距离场互信息的图像配准方法

基于图像边界平均Hausdorff距离的配准方法实现简单、速度快、有较大应用价值,但对图像边界不完全对应的情况配准效果不好。提出了一种以图像边界距离场互信息作为相似度函数的图像配准方法,以参考边界的距离场和浮动二值边界为两个离散概率分布,将其互信息作为相似度函数进行配准。实验结果表明,该算法对图像内容完全一致和内容不完全对应的图像均可得到良好的配准结果。

基于迭代重加权的非刚性图像配准

非刚性图像配准问题是当今重要的研究课题.本文提出一类基于能量最小化方法的非刚性图像配准模型,其中包括单模态和多模态两个模型.在单模态模型中,正则项采用迭代重加权的L2范数度量,一方面克服了迭代收敛不同步的问题,另一方面使新模型既能保持图像的边缘几何结构,又能避免块效应的产生.在多模态模型中,不同模态的图像被转化为同一模态进行处理,提高了配准的效率.在模型求解方面,利用算子分裂和交替最小化的方法,将原问题转化为阈值和加性算子分裂的迭代格式进行求解.数值实验表明,本文的方法对含噪以及变形较大的图像都能实现较好的配准.

基于边缘特征点互信息熵的医学图像配准方法

基于互信息熵的图像配准方法已经被广泛应用于医学图像配准中,为克服互信息配准方法的不足,结合图像空间结构信息,本文提出一种基于边缘特征点互信息熵的医学图像配准方法,设计了包括互信息熵、图像空间结构和形状特征点等多信息融合的配准新测度。算法首先采用改进的形态学梯度提取医学图像边缘轮廓;然后构造了以边缘区域特征和梯度信息为基础的特征点互信息能量函数,并通过最小化能量函数来获取配准参数;最后,结合梯度下降法优化策略,实现图像配准。实验研究表明,该方法在保证了配准精度的同时,配准速度较快、鲁棒性较好、综合性能优良,具有一定的临床推广价值。

基于最大互信息的医学图像配准算法

本文提出一种新的基于轮廓提取和最大互信息理论的医学图像配准的算法。该算法克服了在配准过程中存在鲁棒性因素、出现误配情况及互信息单一的利用图像灰度信息的局限性,将边缘检测与互信息相结合,提高了原有算法的性能,可较准确地完成图像配准任务。本文并对提出的配准算法进行了Matlab仿真实验,对仿真结果进行分析。

脑MR图像互信息最大的凸优化分割模型

脑MR图像中普遍存在灰度不均匀性,传统的分割方法无法得到理想的脑组织分割结果.为此提出一种基于互信息最大化准则的变分水平集凸优化分割模型.首先建立最大化图像灰度与标记之间互信息能量的分割模型,并融入偏移场信息;对模型进行水平集表示和凸优化后,再引入边缘指示函数加权的总变差范数;最后采用SplitBregman方法快速求解.实验结果表明,该模型可以得到较准确的脑组织分割和偏移场矫正结果,对噪声和灰度不均匀性有很好的鲁棒性.

基于差分互信息距离的图像置乱效果评价法

提出了差分图像和互信息距离相结合的图像置乱效果评价新方法。首先提出了互信息距离概念,然后对置乱前后图像进行差分运算并得到其相应的差分图像,最后计算两差分图像之间的互信息距离作为图像置乱效果评价的新准则。实验结果表明,所提出的评价方法能够较好地刻画图像的置乱程度,反映了加密次数与置乱程度之间的关系,与人的视觉基本相符。而且对于不同的图像,该评价方法能在一定程度上反映所用的置乱变换在各置乱阶段的效果。

异类图匹配方法研究

异类图(不同传感器所成的图像)的匹配具有重要性和挑战性,与传统的匹配相比有很大不同。从可见光、红外以及雷达的成像机理出发,对异类图匹配的方法进行了分析和总结,对其适应性和局限性进行了归纳,提出了异类图匹配难点和研究方向,对异类图的匹配研究具有一定的指导和借鉴意义。

基于互信息熵差测度和Gauss-Markov随机场模型的医学图像分割

图像分割类数的确定一直是个难点,基于互信息熵差测度进行图像分割类数的确定,较好地解决了该问题.互信息熵差描述了随着分割类数增加时分割图像和原图像互信息量的增加程度,其作为一种类数确定测度时,可认为取得了一种分割类数与分割图像中所包含信息量的平衡,以此提出了分割类数确定的判别规则.在分割算法方面,Gauss-Markov模型既利用了图像的灰度信息,又通过Gibbs先验概率引入了图像的空间信息,能较好地用于分割含噪声的图像.然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试.针对此问题,提出了一种类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性.再将模型利用EM-MAP算法来迭代求解.最后,将算法应用于医学图像的分割,实验表明该算法具有满意的分割效果.

一种改进的最大互信息医学图像配准算法

给出了一种基于最大互信息和边缘互方差的医学图像配准算法.这种算法是在计算原始图像互信息之后,引入参考图像和浮动图像的边缘互方差值,从而建立起一个新的测度函数来指导寻优过程,最终实现图像配准.与传统的最大互信息配准算法相比,避免了单纯依赖图像联合直方图所造成的不稳定性,使配准能更加符合图像的特点.实验证明,这种改进算法有以下优点:配准参数曲线峰值尖锐,易于选择出最优值;在图像灰度缺失的情况下配准有较高的准确性;在噪声方差增大的情况下配准有较强的鲁棒性.

结合分水岭和互信息的医学图像自适应分割方法

针对现有的改进分水岭算法中对弱边界分割精度不高、计算复杂及梯度谷底阈值不能自适应选取等缺点,提出一个结合互信息的自适应医学图像分割方法。首先通过形态学滤波和高斯平滑滤波来增强图像的边缘区域和抑制图像噪声;然后经过多尺度形态学梯度的谷底填充算法来减少分割区域块数,同时利用基于数学形态学的多元图像边缘检测算法来提取图像的边缘对获得的梯度图像进行修正;通过引入互信息量对填充的阈值进行自适应调整实现控制分割区域的数量,最后实现自动优化分割。实验结果表明,该方法最大程度保留了图像的弱边缘信息,参数选取更加合理,自适应程度提高。

方向相关与互信息加权组合多模图像配准方法

针对可见光与红外图像的配准问题,提出了一种基于边缘方向相关和局部优选区域互信息加权的配准方法。首先进行区域划分,建立区域优选测度,选取信息量丰富的局部区域;在优选区域的基础上,引入了图像的边缘方向信息,构造边缘方向图,以增加全局空间特征;然后,通过综合局部区域灰度信息和全局边缘方向信息,将互相关测度和互信息测度加权集成,构造了一种新的相似测度。实验结果表明,边缘方向相关测度的引入,提高了基于互信息的图像配准的精度,利用局部优选区域代替整幅图像提高了算法的速度。

结合邻域信息的带钢表面明暗域缺陷图像配准

为解决带钢表面明暗域缺陷图像检测方式采集到的同一位置处的图片之间存在位移及旋转问题,同时考虑到因板带振动及现场生产环境造成的噪声影响,提出采用结合邻域内像素间空间与灰度信息的互信息配准方法.在互信息配准计算中图像中每个像素的灰度值由其邻域内像素的灰度值按照距离及灰度变化关系分配不同的权值共同得到.实验证明,该方法的配准精度完全可满足带钢缺陷检测需求,有效减弱了噪声对配准精度的影响,为带钢表面缺陷识别及质量评价奠定了基础.

粒子群优化的CNN互信息医学图像配准算法

图像配准首先要对原始图像的边缘进行提取。细胞神经网络(CNN)模板在边缘提取方面具有较好应用,但CNN模板参数采用估算方法得到,在处理边缘模糊的医学图像时检测精度不高。引入粒子群算法让模板参数通过自主学习进行优化,生成精确的CNN模板用于提取图像边缘。然后将边缘提取结果与原始图像进行几何转换和融合,并将融合图像与参考图像进行互信息相似性度量,为使互信息最大,再次利用粒子群算法参数优化。实验应用于医学图像,结果表明提出的配准算法在配准速度和精度上都有较大提高。

基于互信息与边缘互距离的医学图像配准

提出了一种基于互信息与边缘互距离信息的医学图像配准新测度。该种测度既利用了待配准图像间的灰度互信息,又利用了图像边缘间的互距离均值和互距离方差空间信息,从而改进了互信息测度。实验证明这种测度得到的配准参数曲线光滑且峰值尖锐,收敛范围宽,对图像大小有更强的鲁棒性,在图像互信息值一样的情况下,仍有辨识能力。

基于改进的互信息结合边缘互方差的医学图像配准方法研究

研究了灰度多模医学图像配准中广泛使用的最大互信息方法,在此基础上,又研究了边缘图像的互方差配准原理,并将其引入到原始图像的互信息中,综合互信息和边缘互方差对图像配准的目标函数作了改进,定义了一个新的测度函数.通过使用Powell算法和模拟退火混合优化算法对目标函数进行寻优,得到了配准变换参数,最终对图像实现了配准.这种方法既利用了原始图像的灰度互信息,又利用了边缘图像在二维水平面上像素间的关系,起到了补偿互信息缺陷的作用,提高了配准的精度.通过Matlab仿真实验证明这是一种有效的医学图像配准方法.

基于互信息与类距离测度最优的图像聚类

模糊C均值算法用于图像聚类时,仅考虑图像的灰度信息,忽略灰度的空间分布,未充分利用分割前后图像间的关系。从分割后图像的类距离出发,并利用聚类分割前后图像间的互信息,以基于对称分布多样性的粒子群算法为优化技术,构造了一种新的图像分割方法——基于互信息和类距离测度最优的图像聚类算法。对医学图像进行仿真,实验结果表明该算法得到的图像边界清晰连续,图像的内部特征保持完好,与多种聚类算法相比,图像分割的质量明显得到提高。