图像配准论文

图像配准是图像处理的基本任务之一，用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行(主要是几何意义上的)匹配。图像配准是多种图像处理及应用的基础，配准效果将直接影响到其后续图像处理工作的效果。多模态医学图像配准在疾病的诊断及治疗中有着重要应用，它的研究是医学图像处理领域的热点。基于互信息的配准方法可以不依赖于图像本身灰度，并具有鲁棒性好，可实现自动校准等优点，因此本文主要针对基于互信息的多模态医学图像配准方法进行深入研究。从图像配准的框架入手，着重研究了基于最大互信息的配准方法，分析了互信息作为配准的测度函数具有的优点和存在的缺点。为了加快配准速度，针对互信息计算量大和存在局部极值的问题，本文集中于优化策略的研究，在一般优化算法的讨论分析基础之上，提出了改进的优化算法，针对一般Powell法不考虑线性无关问题，本设计采用了改进后的Powell法，可以使搜索方向线性无关，共轭程度增加。还引入了PSO优化搜索算法与Powell算法进行比较。最后通过仿真做定性和定量分析。1引言1.1论文背景和意义应用（一直以来图像配准技术就是一个值得研究的有意义的方向。图像配准技术被广泛应用于医学图像分析、遥感数据分析与计算机视觉等领域。在医学图像分析中，图像配准技术可用于跟踪肿瘤的放射治疗效果，研究人脑功能和个体差异，辅助诊断神经系统疾病等；利用图像配准技术分割脑核磁共振(MRI)图像，重建大脑的3D结构。按照成像模式图像配准可以分为单模配准和多模配准。前者是指用不同成像设备获取两幅或多幅待配准图像。它是针对不同线程、不同时间、不同成像模式的两幅或多幅图像进行空间几何变换，以使代表相同解剖结构的体素在几何上能够匹配对应起来。多模态图像配准在医学研究中具有极为重要的应用价值，随着科技的发展，医学分析和诊断多利用多模态图像，尤其医学图像配准是现代医学图像处理技术应用的一个重要方面，它是图像融合的第一步。不同传感器所具有的特点不同，为了将多源图像进行有效地组织，发挥各自的优点，我们必须先研究各种传感器所具有的特点，针对这些传感器不同的特点，进行优势互补，帮助我们所获多源图像进行解译。不同模态的图像成像原理不同，而且提供的信息针对性也不同。临床上根据图像提供的信息内容将医学图像分为两大类:一类图像用于描述生理形态的解剖结构的解剖图像，另一类图像用于描述生理代谢或功能信息的功能图像。前者包括计算机X射线断层成像(简称CT)、核磁共振成像(简称MR)、超声成像(简称US)和B型超声检查(简称B超)等。这类图像能准确反映人体器官的解剖结构信息并且有较高的分辨率，但是不能清晰地反映生理的功能信息。功能图像包括正电子发射断层成像(简称PET)、功能磁共振成像(简称FMR)和单光子发射计算机断层成像(简称SPECT)等。这类图像虽然能够提供脏器的功能代谢信息，但是它在反映人体器官的解剖结构信息时分辨率较差。在医学应用中，单一模态的图像往往难以提供足够的病理信息，医生为了获得病人多方面的信息常常需要将同一病人的多种成像模式的图片综合起来进行分析，如在CT上观察骨组织，在MR上观察软组织;利用PET、SPECT获得功能信息，再综合CT、MR的解剖信息分析。这就是图像融合，这种把各种成像模式的图像信息融合成一种新的影像模式的图像融合技术，将同一或不同研究对象获得的相同模态或不同模态的图像在空间位齐，加工利用多元信息，使不同形式的信息互相补充，最终目的是并将不同图像中的有用信息集成到一幅图像中，以便改善单一成像系统所形成的图像质量，以获取对同一场景的更为精确、更为客观、更为全面、更为可靠的图像描述。）经过融合后的图像互补了各种单一模式图像信息的不足。而在图像融合之前首先要解决图像的配准问题，配准结果的好坏直接影响图像融合的质量。因此，医生要想全面的了解病变组织的情况，必须准确的对多幅图像进行配准才能融合，进而制定出更加合理的治疗方案。）配准意义（随着现代科技的迅速发展和新型传感器的不断涌现，人们获取图像数据的能力不断提高。由于不同物理特性的传感器所产生的图像不断增多，同一地区往往可以获得大量不同尺度、不同光谱、不同时相的多源图像数据信息。在利用多源图像信息进行数据融合、目标变化检测、目标识别等多源协同处理工作之前，必须进行多源图像配准工作，配准精度的高低直接影响到后续应用效果的好坏。所以，如何对图像进行高精度的配准一直是图像处理领域的热点与重点。)1.2图像配准技术研究现状早在七十年代美国从事的飞行器辅助导航系统、武器投射系统的末制导以及寻地等应用研究中就提出了图像配准。八十年代后，像遥感领域，模式识别，医学诊断，自动导航，计算机视觉等很多不同领域都有大量配准技术的研究。70年代，为提高配准的速度性能EE．AnutaIll就提出了使用FFT进行互相关图像检测计算的图像配准技术；D．L．Barneal2l等提出了使用模板子图像差值相似性测度的图像配准技术，它比EE．AnutaIll提出的使用FFT计算互相关相似性测度进行图像检测的方法有更高的性能；M．Svedlow对图像配准的相似性测度和预处理方法进行了比较分析；W．K．Prattl31对图像配准的互相关技术进行了全面的研究；Eric．Rignot等在较高层次上对多图像的自动配准技术和要求进行比较和分析；Flussr又提出一个自适应映射方法，这种方法针对变形图像间的匹配，自动地对两幅遥感图像进行分割，使得分割后两幅图像上相应子块间的相似度较大，利用这些子块之间的空间位置关系来对原来的两幅图像进行匹配。医学图像的配准经过了一个较长的发展历程。二十世纪八十年代初，图像配准主要应用在DSA(数字减影血管造影)方面。它针对二维图像采用基于图像灰度的方法，通过检测相关性和灰度值的差异来决定刚性变换的参数。这种方法在今天的三维变换中仍可以借鉴。二十世纪八十年代中后期到九十年代初，不同模态的图像配准开始受到关注，但这时候图像配准和图像融合也主要集中于二维刚性变换。二十世纪九十年代，医学图像配准研究取得了飞速发展，尤其在三维方向和非刚性图形配准上成果非常显著。由此可见，不论在国内还是国外图像配准技术经过多年的研究，图像配准技术己经取得了诸多研究成果。近二十年来，在模式识别和运动分析等领域里，配准技术发挥着越来越重要的作用。目前，像素级图像配准算法已基本成熟，亚像素级正在得到越来越广泛的应用。图像配准的高精度、图像配准算法的配准速度、图像配准算法的强鲁棒性、以及图像配准的自动化一直以来都是图像配准领域所不断追求的目标。寻找一种在医学图像、遥感、计算机视觉等诸多领域通用的有效的图像配准技术也是目前正在积极探索和研究的课题。（根据InsitituteofScientificInformation(ISl)的调查数据表明，最近十年里至少有超过1000篇的学术论文在研究图像配准问题。2002年网上公布的美国申请专利中，图像配准相关的部分就超过50项，IBM和GE等大型跨国企业甚至有自己的工作组专门研图像配准问题。而在最近的国际顶级学术会议上都有关于配准的专题讲座，这足可见图像配准问题的关注程度。）目前，尽管国内外在图像配准方面已经开展了许多研究工作，提出了许多种图像配准方法，但仍然存在不少问题，主要表现在：（1）异构传感器图像配准技术。不同成像特性的图像传感器所获得图像的灰度和特征往往存在较大差异。目前的图像配准方法大多主要针对影像波段，对于分辨率、景物特征等一致或接近的图像配准方法较成熟，而对于性质完全不同的传感器图像，如波段、分辨率、景物特征等差别较大的图像之间的配准问题，则还没有很好的解决办法，无法达到快速、自动配准的要求，也很难满足大规模影像数据处理的需要。（2）自动配准技术。目前研究的大多数方法都需要进行人工交互自动配准，较难完成无需人工干预，计算机自动完成多源图像的配准。（3）快速图像配准算法。在建立实时、准实时图像融合系统时，一种快速图像配准是必不可少的。但是如何提高配准处理速度，进行快速和实时的图像配准，仍然是图像配准发展的一大难题。（4）高精度图像配准算法。在实际的应用中，图像易受噪声影响，尤其是在利用目标的特征配准中，获取区域和边缘时存在一定困难，实现高精度的图像配准难度很大。（5）大失配条件下配准技术。若待配准图像之间存在大比例变化、旋转、平移，存在大的图像非线性畸变以及严重的几何校正残余误差等情况，其配准难度相当大，某些算法在处理以上情况时甚至无法完成配准。2图像配准综述2.1图像配准理论2.2.1定义定义图像配准是将两幅或多幅不同传感器、不同视角、不同时间及不同拍摄条件下的图像进行变换，如进行平移、旋转等形变，其最终目的是建立两幅图像像元之间的对应关系使其几何关系达到匹配，从而去除或抑制待配准图像和参考图像之间几何上的不一致。图像配准是图像智能分析与处理、图像对比、融合、变化分析和目标识别的的关键技术也是必要前提。数字图像可以用一个二维矩阵表示，图像配准可以定义为两幅图像在空间和灰度上的映射，如果用12(,)xyI(x,y)、I分别表示浮动图像和参考图像在点(,)xy处的灰度值，f代表二维的集合变换函数，g表示一维的灰度变换函数，那么图像12I、I的配准关系可以表示为21IxygIfxy（，）（（（，）））。配准的主要任务就是寻找最佳的空间变换关系f与灰度变换关系g，使图像相对于失配源得到匹配，两幅图像实现最佳对准。由于空间变换是实现灰度变换的前提，而且有些情况下灰度变换g是不需要的，所以寻找空间几何变换关系f便成了配准的关键所在。2.2.图像配准一般步骤第一步是特征空间的选择，也即特征提取。特征提取的方法应该对图像退化是不敏感，并且有良好的定位精度。在理想情况下，同一场景的图像细节即使受图像退化的影响，各个投影也应该可以提取出相同的特征。第二步是构造相似性测度准则。因为相似性度量的是特征之间的相似性，此步骤与特征空间密切相关。图像中的本质结构成为配准的依据，需要其通过特征空间和相似性测度的合理选择而在图像处理的过程中保持不变性。典型的相似性测度有互相关方法、绝对差方法、傅立叶方法(如相位相关)，互信息法等。依据具体的配准应用而决定最终相似性测度的选择，相似性测度决定图像中哪些因素参与配准，哪些不参与，因此可以消除或减弱图像畸变对配准的影响，所以它将决定图像配准中使用哪种变换模型。第三步是确定搜索空间和搜索策略。搜索空间与相似性度量密切相关，不同的搜索空间对应不同的相似性度量。搜索策略的选择直接关系到配准速度的快慢。2.3特征空间特征空间指从参考图像和浮动图像中提取用于匹配的特征。图像配准中提取的图像特征有着重要意义，它们通常决定了这个方法适合于什么样的图像，关系到图像中哪些特征对配准算法敏感和哪些特征被匹配，并且大体上决定了配准算法的运行速度和鲁棒性能。在基于灰度的配准方法中，基本的像素灰度值是一种特征空间；在在基于特征的图像配准中还可以包括如边缘、曲线、曲面等常见的特征，像拐角、交叉线、高曲率的点等显著的视觉特征，不变矩等统计特征。所有计算机视觉和图像处理任务都会涉及到图像特征这个基本因素，因为它将影响到：（1）成像设备和图像中何种特征会对算法敏感；（2）运用何种特征进行匹配（例如需要景物信息而不是纹理结构）；（3）算法执行的效率和后续方法的选择。因此，一个好的图像特征选择将会消除噪音干扰，降低参与计算的数据量，提高配准速度，同时又不失充分表达图像内容等信息。理想的特征空间应满足以下几个条件：（1）特征匹配的运算量要小；（2）特征的提取要简单快捷；（3）特征数据要合适；（4）对各种图像均能使用；（5）不受噪声光照度等因素影响；2.3.1基于灰度统计信息的配准书P7基于灰度的配准方法是基于灰度的配准方法又称为基于体素或像素相似性的配准方法，这种方法，直接利用整幅图像的灰度度量两幅图像之间的相似性，以图像内部的信息为依据，然后采用搜索方法寻找使相似性度量最大或最小值点，确定参考图像和浮动图像之间的变换参数。基于灰度的配准方法实现简单，只对图像的灰度进行处理，不需要对参考图