CN102136142B - 基于自适应三角形网格的非刚性医学图像配准方法 - Google Patents
基于自适应三角形网格的非刚性医学图像配准方法 Download PDFInfo
- Publication number
- CN102136142B CN102136142B CN 201110063862 CN201110063862A CN102136142B CN 102136142 B CN102136142 B CN 102136142B CN 201110063862 CN201110063862 CN 201110063862 CN 201110063862 A CN201110063862 A CN 201110063862A CN 102136142 B CN102136142 B CN 102136142B
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- partiald
- reference picture
- triangle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001788 irregular Effects 0.000 claims abstract description 5
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000011524 similarity measure Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 241000080795 Elaphoglossum affine Species 0.000 claims description 2
- 235000012364 Peperomia pellucida Nutrition 0.000 claims description 2
- 240000007711 Peperomia pellucida Species 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
一种图像处理技术领域的基于自适应三角形网格的非刚性医学图像配准方法,该方法采用分级配准的思想,首先对待配准图像和参考图像进行全局配准;再次利用图像角点来约束全局配准图像和参考图像感兴趣区域生成不规则的三角形网格,在图像感兴趣区域形变较大的地方生成形状较小、数目较多的三角形单元,图像感兴趣区域形变较小的地方生成形状较大、数目较少的三角形单元生成的三角形网格根据图像内容的变化而变化;最后利用近刚性配准的思想实现图像局部精确配准。本发明能够有效的提高非刚性医学图像配准的精确度及增强配准的抗噪能力。
Description
技术领域
本发明涉及一种图像处理技术领域的方法,具体是一种基于自适应三角形网格的非刚性医学图像配准方法。
背景技术
医学图像配准是医学图像融合的基础,也是医学图像分析的一项重要的技术,它主要通过寻找一种空间变换,使得两幅医学图像上的对应点达到空间位置或解剖结构上的完全一致性。在医学诊断过程中,由于存在不同模式图像表现不同性质的物理机制、患者的移动、成像参数的变化及不同成像设备的分辨率不相同等现实问题,因此单单凭借医生手动将两张或者两组不同模式的图像在空间上作对准受到很多局限,且常带有较大的主观性,不可避免地会产生误差。尤其在定向放射外科和心脏手术可视化等应用领域,对于图像配准的精度要求很高,使得医学图像配准成为一项必要而又相当困难的任务。诸如刚性变换及仿射变换等不能很好的模拟图像的局部形变。为此本文提出了一种基于不规则三角形网格的非刚性医学图像配准方案。
非刚性医学图像配准方法的步骤主要包括:确定待配准与目标图像的一种空间变换;确定经过空间变换后的图像与目标图像的相似性测度;寻找一种参数优化策略使待配准图像和参考图像的相似度达到最大。而现有配准方法主要分为两大类:基于图像特征医学图像配准方法与基于医学图像灰度信息的配准方法,其技术缺陷主要为:
基于图像特征的医学图像配准方法的技术缺陷为:它需要对图像进行分割来提取图像的特征,由于非刚性组织的结构很复杂,有些分界面不是很明显,通常需要人工预选定特征,这样会费时也费力而且配准的精度受分割精度影响,一般很难自动完成,使得配准时间过程、速度慢、配准精确不高。
基于图像灰度信息的医学配准方法的技术缺陷为:它不需要对图像进行分割处理,直接对整幅图像进行运算,会造成配准的速度较慢、配准时间长、鲁棒性差。
传统的Harris方法在提取图像的角点时需要人为地设置一定的阈值,作为提取角点的一个约束条件,这样会造成在提高图像的阈值时,提取角点的数目少,降低阈值时提取角点数目多,使得提取的角点分布不均匀及易产生聚簇、冗余现象。该方法不能根据图像本质属性自动选取图像的角点。
经过对现有技术的检索发现,王崴、唐一平、时冰川等2008年10月在光学精密工程期刊上发表了文章《一种改进的Harris角点提取方法》,该文章阐述的方法在角点提取时,需要根据实验者以往的实验经验设置一定的阈值,这样既费时又费力且提取角点分布不均匀,容易遗漏角点或产生伪角点。
发明内容
本发明针对现有技术存在的上述不足,提供一种基于自适应三角形网格的非刚性医学图像配准方法,首先对待配准图像和参考图像进行全局配准;再次利用图像角点来约束全局配准图像和参考图像感兴趣区域生成不规则的三角形网格,在图像感兴趣区域形变较大的地方生成形状较小、数目较多的三角形单元,图像感兴趣区域形变较小的地方生成形状较大、数目较少的三角形单元生成的三角形网格根据图像内容的变化而变化;最后利用近刚性配准的思想实现图像局部精确配准。
本发明是通过以下技术方案实现的,本发明包括以下步骤:
第一步:采用主轴质心法对待配准图像和参考图像进行全局刚性配准:首先通过一阶矩寻找待配准图像和参考图像的质心,然后通过二阶中心矩寻找图像的主轴和坐标系的夹角,再通过平移和旋转使得待配准图像和参考图像的质心和主轴对齐,从而实现图像全局刚性配准。
上述的平移和旋转是指:根据待配准图像和参考图像的质心位置差作为平移分量,计算各自的主轴方向并根据其差值将待配准图像和参考图像旋转对齐,得到旋转分量,实现图像配准。
第二步:采用改进的Harris方法提取图像的角点。
第三步aarr:根据Hausdorff角点集匹配方法对全局配准图像和参考图像对应的角点进行匹配。
第四步:根据Delaunay性质来约束角点集,将图像感兴趣区域划分为不规则的三角形网格。
第五步:对待配准图像和参考图像的三角形网格进行匹配排序并标号,利用仿射变换对两个三角形网格集合进行形变,利用相关系数作为相似性度量。
本发明抗噪声能力强,能够很好处理一些随机信号的干扰。
附图说明
图1为本发明流程示意图。
图2为本发明不规则三角形网格单元示意图。
图3表示实施例中形成三角形网格示意图。
图4为实施例效果示意图。
其中:(a)为待配准图像、(b)为参考图像、(c)为基于金字塔配准方法效果图、(d)为实施例效果图、(e)为含噪声的待配准图像、(f)为含噪声的参考图像、(g)为基于金字塔配准方法效果图、(h)为实施例效果图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例包括以下步骤:
第一步:采用主轴质心法对待配准图像和参考图像进行全局刚性配准:首先通过一阶矩寻找待配准图像和参考图像的质心,然后通过二阶中心矩寻找图像的主轴和坐标系的夹角,再通过平移和旋转使得待配准图像和参考图像的质心和主轴对齐,从而实现图像全局刚性配准。
上述的平移和旋转是指:根据待配准图像和参考图像的质心位置差作为平移分量,计算各自的主轴方向并根据其差值将待配准图像和参考图像旋转对齐,得到旋转分量,实现图像配准。
第二步:采用改进的Harris方法提取图像的角点,具体步骤如下:
2.1)将所处理的矩形区域窗w向任意方向移动位移(x,y),得到对应灰度值的改变量为:
其中:E(u,v)|(x,y)表示在点(x,y)处移动一个(u,v)小窗口所发生的灰度值的变化情况,I(u,v)表示图像像素点(x,y)的灰度值,(u,v)表示图像的移动变量,w(x,y)为高斯平滑因子。I(x+u,y+v)-I(x,y)表示图像灰度差值,表示图像横坐标的梯度值,表示图像纵坐标的梯度值, 为高斯窗口,对图像窗口进行高斯平滑,目的是提高抗噪能力。
2.4)对图像进行分块得到若干个m*n大小的图像块,对图像块中的角点量R值进行由大到小的排序,经阈值筛选后得到图像的角点。
所述的分块是指:按照长度和宽度方向正整数方式进行图像划分。
所述的阈值筛选是指:取图像块中所有角点量的中值或平均值为阈值,当该角点量大于阈值且为某邻域的局部极大值时,该角点为图像的角点。
第三步:根据Hausdorff角点集匹配方法对待配准图像和参考图像对应的角点进行角点匹配,具体步骤包括:
3.1)待配准图像和参考图像对应的角点集S1和S2之间的Hausdorff距离为H(S1,S2)=max(h(S1,S2),h(S2,S1)),其中:全局配准图像的角点有限集合为S1={a1 a2 a3.....ap-2 ap-1 ap},参考图像的角点有限集合为S2={b1 b2 b3....bq-2 bq-1 bq},h(S1,S2)为从集合S1到集合S2的单向Hausdorff距离,即前向Hausdorff距离,h(S2,S1)为从集合S2到集合S1的单向Hausdorff距离,即后向Hausdorff距离且 ||·||是点与点之间的欧式距离,其中h(S1,S2)=d,则表示S1中所有点到S2中点的距离不超过d。
3.2)利用Hausdorff距离作为匹配准则,通过穷尽搜索的方法,在图像中的所有位置上移动模板,并求取模板与对应图像中被匹配区域上点集的Hausdorff距离。
3.3)以点集的Hausdorff距离的平均值作为度量t,并删除Hausdorff距离大于度量t的角点,则余下的角点对即为所要搜寻的角点对,具体公式如下:其中:N(S1)为删除出格点后的累加点数,H(S1,S2)=max(h(S1,S2),h(S2,S1)),H(S1,S2)中的最小值即为正确的匹配角点对。
第四步:如图3所示,根据Delaunay性质来约束角点集,采用逐点插入法将图像划分为不规则的三角形网格,具体步骤如下:
4.1)根据匹配后的角点坐标值确定一个能包含所有角点的矩形,将矩形分成包含两个三角形的三角形网络,该两个三角形分别作为初始Delaunay三角形;
例如,将参考图像中的匹配角点按照横坐标从小到大进行排序,取其最小值xmin、最大值xmax,同理,寻找纵坐标的最小值ymin,最大值ymax,由xmin、xmax、ymin、ymax形成矩形ABCD其中,A(xmin,ymin),B(xmax,ymin),C(xmax,ymax),D(xmin,ymax)。Delaunay性质将矩形分为两个Delaunay三角形(如图1左图所示)。
4.4)应用Delaunay性质中的最大最小角和每个三角形的外接圆不能包含角点集中的其它点性质,对三角形网络进行更新;
4.5)重复步骤4.2)-步骤4.4),直到所有的角点都被插入三角形网络中;
4.6)最后删掉包含矩形步骤4.1)中矩形的四个顶点的三角形并得到图像的三角形网格。
第五步:对全局配准图像和参考图像的三角形网格进行匹配排序并标号,利用仿射变化对两个三角形网格集合D1和D2进行形变并利用相关系数测试相似程度,具体步骤包括:
5.1)利用最小二乘法估计全局配准图像和参考图像的三角形网格中的每对三角形单元中具有一对一的匹配对应关系的三对顶点,即三对匹配点的仿射变换参数,即使一个点集中的顶点经过该变换后的坐标与另一个点集中对应点的坐标的欧式距离的平方和S(tx,ty,s,θ)最小变换,其中:令ri为pi的坐标与qi变换后的坐标Z(qi)的差:
其中:w=(tx ty s cosθ ssinθ)T,
则上述三对匹配点对的坐标差表示为:
所以将S(tx,ty,s,θ)表达为:
5.2)当全局配准图像和参考图像的相关系数达到最大时,表示全局配准图像和参考图像处于最佳配准位置,利用相关系数作为三角形对的相似性度量:
当全局配准图像的第一个三角形和参考图像的第一个三角形所含信息的重叠程度达到最大时则三角形对相似度量最大,实现图像局部配准;当相似性测度满足一定的误差ε时,则进行下一个匹配三角形对的形变,否则继续进行参数优化,直到相似性测度满足一定的误差ε时,进行下一对三角形形变。以此类推,当第N对匹配三角形进行形变满足一定的误差ε时,且执行到最后一对匹配三角形,则配准结束。若不是执行到最后一对三角形则继续上一次的操作,直到整幅图像的每对匹配三角形执行完为止。
实验结果分析:
1)配准的精度、准确性:先将一幅医学图像进行不同角度的翻转、拉伸、平移,然后分别用一种非刚性配准方法(边缘金字塔方法)和本发明的方法进行比较;验证参数包括:灰度差值平方和测度、相关系数、归一化互信息。
如图4(a)、(b)、(c)、(d)及表1所示,本发明配准的效果为比较好、精确度高。
表1实验结果对比表
配准方法 | 灰度差值平方和测度 | 相关系数 | 归一化互信息 |
基于边缘金字塔 | 55.7536 | 0.894683 | 1.637733 |
基于自适应三角网格 | 32.4758 | 0.970746 | 1.874925 |
2)配准的抗噪性:先将一组待配准的图像加入高斯白噪声,然后用边缘金字塔方法和本发明的方法对加入高斯白噪声的图像进行配准,比较两种方法的配准效果。
如图4中(e)、(f)、(g)、(h)和表2所示,本发明抗噪声能力强,能够很好滤除一些随机干扰信号。
表2加噪声实验结果对比表
配准方法 | 灰度差值平方和测度 | 相关系数 | 归一化互信息 |
基于边缘金字塔 | 65.0864 | 0.851952 | 1.533543 |
基于自适应三角网格 | 48.6307 | 0.941825 | 1.845935 |
Claims (7)
1.一种基于自适应三角形网格的非刚性医学图像配准方法,其特征在于,包括以下步骤:
第一步:采用主轴质心法对待配准图像和参考图像进行全局刚性配准:首先通过一阶矩寻找待配准图像和参考图像的质心,然后通过二阶中心矩寻找图像的主轴和坐标系的夹角,再通过平移和旋转使得待配准图像和参考图像的质心和主轴对齐,从而实现图像全局刚性配准;
第二步:采用改进的Harris方法提取图像的角点;
第三步:根据Hausdorff角点集匹配方法对全局配准图像和参考图像对应的角点进行角点匹配;
第四步:根据Delaunay性质来约束角点集,将图像划分为不规则的三角形网格;
第五步:对全局配准图像和参考图像的三角形网格进行匹配排序并标号,利用仿射变化对两个三角形网格集合进行形变并利用相关系数测试相似程度。
2.根据权利要求1所述的基于自适应三角形网格的非刚性医学图像配准方法,其特征是,所述的平移和旋转是指:根据待配准图像和参考图像的质心的位置差作为平移分量,计算各自的主轴方向并根据其差值将待配准图像和参考图像旋转对齐,得到旋转分量,实现图像配准。
3.根据权利要求1所述的基于自适应三角形网格的非刚性医学图像配准方法,其特征是,所述的第二步具体步骤如下:
2.1)将所处理的矩形区域窗w向任意方向移动位移(u,v),得到对应灰度值的改变量为: 并且 其中:E(u,v)|(x,y)表示在点(x,y)处移动一个(u,v)小窗口所发生的灰度值的变化情况,I(u,v)表示图像像素点(x,y)的灰度值,(u,v)表示图像的移动变量,w(x,y)为高斯平滑因子,I(x+u,y+v)-I(x,y)表示图像灰度差值,表示图像横坐标的梯度值,表示图像纵坐标的梯度值, 为高斯窗口,对图像窗口进行高斯平滑,目的是提高抗噪能力;
2.4)对图像进行分块得到若干个m*n大小的图像块,对图像块中的角点量R值进行由大到小的排序,经阈值筛选后得到图像的角点。
4.根据权利要求3所述的基于自适应三角形网格的非刚性医学图像配准方法,其特征是,所述的卷积是指:采用水平差分算子 对图像中的每个点用水平算子进行卷积,以及采用垂直差分算子 对图像中的每个点用垂直算子进行卷积。
5.根据权利要求1所述的基于自适应三角形网格的非刚性医学图像配准方法,其特征是,所述的第四步具体步骤如下:
4.1)根据匹配后的角点坐标值确定一个能包含所有角点的矩形,将矩形分成包含两个三角形的三角形网络,该两个三角形分别作为初始Delaunay三角形;
4.4)应用Delaunay性质中的最大最小角和每个三角形的外接圆不能包含角点集中的其它点性质,对三角形网络进行更新;
4.5)重复步骤4.2)-步骤4.4),直到所有的角点都被插入三角形网络中;
4.6)最后删掉包含步骤4.1)中矩形的四个顶点的三角形并得到图像的三角形网格。
6.根据权利要求1所述的基于自适应三角形网格的非刚性医学图像配准方法,其特征是,所述的第五步具体步骤包括:
5.1)利用最小二乘法估计全局配准图像和参考图像的三角形网格中的每对三角形单元中具有一对一的匹配对应关系的三对顶点,即三对匹配点的仿射变换参数,即使一个点集中的顶点经过该变换后的坐标与另一个点集中对应的点的坐标的欧式距离的平方和S(tx,ty,s,θ)最小的变换,其中:令ri为pi的坐标与qi变换后的坐标Z(qi)的差:
将S(tx,ty,s,θ)表达为:
S(w)对w求导得: 当 得到w`:w`=|DT d|-1DTP;当S(w)对w的二阶导数大于零时,则上式的解S(w)取的最小值;求S(w)对w的二阶导数得到:
5.2)当全局配准图像和参考图像的相关系数达到最大时,表示全局配准图像和参考图像处于最佳配准位置,利用相关系数作为三角形对的相似性度量:
当全局配准图像的第一个三角形和参考图像的第一个三角形所含信息的重叠程度达到最大时则三角形对相似度量最大,实现图像局部配准;当相似性测度满足一定的误差ε时,则进行下一个匹配三角形对的形变,否则继续进行参数优化,直到相似性测度满足一定的误差ε时,进行下一对三角形形变,以此类推,当第N对匹配三角形进行形变满足一定的误差ε时,且执行到最后一对匹配三角形,则配准结束,若不是执行到最后一对三角形则继续上一次的操作,直到整幅图像的每对匹配三角形执行完为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110063862 CN102136142B (zh) | 2011-03-16 | 2011-03-16 | 基于自适应三角形网格的非刚性医学图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110063862 CN102136142B (zh) | 2011-03-16 | 2011-03-16 | 基于自适应三角形网格的非刚性医学图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102136142A CN102136142A (zh) | 2011-07-27 |
CN102136142B true CN102136142B (zh) | 2013-03-13 |
Family
ID=44295916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110063862 Expired - Fee Related CN102136142B (zh) | 2011-03-16 | 2011-03-16 | 基于自适应三角形网格的非刚性医学图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102136142B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102506753B (zh) * | 2011-11-04 | 2013-10-16 | 西安电子科技大学 | 基于十四点球面小波变换的不规则零件形状差异检测方法 |
US8605972B2 (en) * | 2012-03-02 | 2013-12-10 | Sony Corporation | Automatic image alignment |
CN103226823B (zh) * | 2013-03-18 | 2016-05-25 | 华中科技大学 | 基于对数差值点集模板的图像快速配准方法 |
CN103236058B (zh) * | 2013-04-25 | 2016-04-13 | 内蒙古科技大学 | 获取四维心脏图像感兴趣体积的方法 |
CN104156938B (zh) * | 2013-05-14 | 2017-08-11 | 五邑大学 | 一种图像连通区域描述方法及其在图像配准中的应用方法 |
CN105246409B (zh) * | 2013-06-06 | 2018-07-17 | 株式会社日立制作所 | 图像处理装置及图像处理方法 |
CN103345755B (zh) * | 2013-07-11 | 2016-03-30 | 北京理工大学 | 一种基于Harris算子的棋盘格角点亚像素提取方法 |
CN103778626B (zh) * | 2013-12-31 | 2016-09-07 | 北京理工大学 | 一种基于视觉显著区域的快速图像配准方法 |
WO2015106254A1 (en) * | 2014-01-13 | 2015-07-16 | Boston Scientific Scimed, Inc. | Medical devices for mapping cardiac tissue |
CN104504757A (zh) * | 2014-12-15 | 2015-04-08 | 北京工业大学 | 一种基于限制点集方法的血管壁网格划分方法 |
CN104732532B (zh) * | 2015-03-11 | 2017-05-31 | 中国空间技术研究院 | 一种遥感卫星多光谱图像配准方法 |
CN106887000B (zh) * | 2017-01-23 | 2021-01-08 | 上海联影医疗科技股份有限公司 | 医学图像的网格化处理方法及其系统 |
CN107133946B (zh) * | 2017-04-28 | 2020-05-22 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置及设备 |
CN108550104B (zh) * | 2018-02-28 | 2022-06-10 | 北京集光通达科技股份有限公司 | 图像配准方法、装置 |
CN108898567B (zh) * | 2018-09-20 | 2021-05-28 | 北京旷视科技有限公司 | 图像降噪方法、装置及系统 |
CN111709976B (zh) * | 2020-08-24 | 2020-11-06 | 湖南国科智瞳科技有限公司 | 一种显微图像的快速配准方法、系统及计算机设备 |
CN112257714B (zh) * | 2020-11-13 | 2023-10-10 | 南京工业大学 | 一种针对非刚性变化图像的模板匹配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
US20100214288A1 (en) * | 2009-02-25 | 2010-08-26 | Jing Xiao | Combining Subcomponent Models for Object Image Modeling |
-
2011
- 2011-03-16 CN CN 201110063862 patent/CN102136142B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251926A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种基于局部轮廓协方差矩阵的遥感图像配准方法 |
US20100214288A1 (en) * | 2009-02-25 | 2010-08-26 | Jing Xiao | Combining Subcomponent Models for Object Image Modeling |
Non-Patent Citations (3)
Title |
---|
李博等.基于Harris多尺度角点检测的图像配准新算法.《计算机工程与应用》.2006,(第35期),37-40. * |
武晓波等.Delaunay三角网的生成算法研究.《测绘学报》.1999,第28卷(第1期),28-35. * |
赵万金等.一种自适应的Harris 角点检测算法.《计算机工程》.2008,第34卷(第10期),212-214. * |
Also Published As
Publication number | Publication date |
---|---|
CN102136142A (zh) | 2011-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102136142B (zh) | 基于自适应三角形网格的非刚性医学图像配准方法 | |
Liang et al. | A particle shape extraction and evaluation method using a deep convolutional neural network and digital image processing | |
CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
CN102722890B (zh) | 基于光流场模型的非刚性心脏图像分级配准方法 | |
CN106373109B (zh) | 一种医学图像模态合成的方法 | |
CN102592136B (zh) | 基于几何图像中中频信息的三维人脸识别方法 | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN102880866B (zh) | 一种人脸特征提取方法 | |
CN104050681B (zh) | 一种基于视频图像的道路消失点检测方法 | |
CN105957063A (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN110532894A (zh) | 基于边界约束CenterNet的遥感目标检测方法 | |
CN109559338A (zh) | 一种基于加权主成分分析法及m估计的三维点云配准方法 | |
CN108520197A (zh) | 一种遥感图像目标检测方法及装置 | |
CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN104408458B (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN104252708B (zh) | 一种x光胸片图像处理方法及系统 | |
CN106780518A (zh) | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 | |
CN104268914B (zh) | 一种4d‑ct不同时相序列图像的重建方法 | |
CN102222357A (zh) | 基于图像分割和网格细分的脚型三维表面重建方法 | |
CN104545999B (zh) | 一种超声图像膀胱容积测量方法及装置 | |
CN106056553A (zh) | 基于紧框架特征字典的图像修复方法 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
CN108010082A (zh) | 一种几何匹配的方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent of invention or patent application | ||
CB03 | Change of inventor or designer information |
Inventor after: Lv Xiaoqi Inventor after: Zhang Baohua Inventor after: Ren Xiaoying Inventor after: Yu Dahua Inventor after: Ma Hongli Inventor before: Lv Xiaoqi Inventor before: Ma Hongli Inventor before: Zhang Baohua |
|
COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130313 |
|
CF01 | Termination of patent right due to non-payment of annual fee |