基于局部显著边缘特征的快速图像配准算法

针对尺度不变的特征变换(SIFT)算法提取的特征点数目多、匹配耗时长、匹配精度不高等问题,提出了一种基于局部显著边缘特征的快速图像配准算法。该算法利用SIFT算法提取待选特征点,同时用小波边缘检测提取图像边缘,建立特征点周围邻域的边缘特征,筛选出具有显著边缘特征的特征点,结合Shape-context算子和边缘特征形成特征描述向量,采用欧氏距离作为匹配度量函数对筛选出的特征点进行初步匹配,然后用随机一致性检验(RANSAC)算法消除误匹配点对。实验结果表明,该算法有效控制了特征点的数量,提高了特征点的质量,缩小了特征搜索空间,提高了特征匹配的效率。

局部极值分解耦合显著特征的医学图像融合算法

针对当前多模态医学图像融合方法中功能与结构信息互补性不强,易出现边缘失真与轮廓模糊等现象,提出了基于局部极值分解耦合显著特征的医学图像融合方案。引入局部极值,将源图像在不同尺度下分解为一系列的平滑与细节子图像;利用Canny算子获得边缘显著加权映射,以保持源图像的结构信息,并通过上下文感知算子来输出色彩显著加权映射,提取色彩与亮度信息;分别定义基于边缘和色彩的显著特征函数,将其作为加权映射系数的融合准则,得到平滑与细节融合图像;对平滑与细节图像进行重构,形成新图像。结果表明与当前融合技术相比,在CT图像与MRI图像、CT图像与PET图像融合中,所提方法得到的边缘与轮廓更清晰,细节更丰富。提出算法具有较高的融合质量,在医学、遥感与红外探测等领域有一定的应用价值。