CN103236059A - 基于模态转换的微分同胚demons图像配准方法和系统 - Google Patents
基于模态转换的微分同胚demons图像配准方法和系统 Download PDFInfo
- Publication number
- CN103236059A CN103236059A CN2013101484958A CN201310148495A CN103236059A CN 103236059 A CN103236059 A CN 103236059A CN 2013101484958 A CN2013101484958 A CN 2013101484958A CN 201310148495 A CN201310148495 A CN 201310148495A CN 103236059 A CN103236059 A CN 103236059A
- Authority
- CN
- China
- Prior art keywords
- transformation
- floating image
- reference picture
- modal
- pixel
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于模态转换的微分同胚demons图像配准方法和系统,首先对参考图像和浮动图像进行仿射变换,然后对其进行模态转换;读取模态转换后的图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并更新为所述空间变换;在更新次数达到第一预设次数后,模态转换的次数达到第二预设次数时;将初始空间变换用于浮动图像的变换。上述图像配准方法和系统,综合了模态转换demons算法和微分同胚demons算法两种的图像配准方法在图像配准方面的优势。初始空间变换经过了多次迭代,获得相对较优的初始空间变换,将其应用于浮动图像的变换,能较好的实现图像配准,不但适用于单模态、多模态图像配准,又能处理大小形变配准。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种基于模态转换的微分同胚demons图像配准方法和系统。
背景技术
图像配准就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程,它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。简单的说,图像配准就是对能使两幅图像相似度最大化的空间变换或映射的寻优过程。
图像配准可以分为单模态配准和多模态配准两大类,单模态配准的图像来自同一成像设备,而多模态配准中的图像来自不同的成像设备,多模态配准需要把来自不同成像设备的信息结合到一起。
demons算法的图像配准是一种光流驱动的配准算法,根据灰度信息驱动像素点移动。在该算法中,把参考图像和移动图像的像素点灰度差值及参考图像像素点梯度值作为驱动力,在处理小形变的单模态图像配准方面有优势,但是不适合大形变图像配准及多模态图像配准,只适合小形变图像配准。在进行大形变图像配准时,demons算法会引起局部形变,从而破坏了图像的拓扑结构。现已有许多基于demons算法的图像配准的改进算法。
微分同胚demons算法可以保持图像的拓扑结构在配准前后不发生改变,继承了demons算法的图像配准在小形变的单模态图像配准方面的优势,而且在处理大形变图像配准方面表现也好,但是不能处理多模态图像配准。
模态转换的demons图像配准一般采用互信息法,可以处理多模态图像配准,但是只能处理小形变的图像配准,不适合处理大形变图像配准,当图像有大角度旋转或大尺度缩放时,要么无效,要么费时。
发明内容
基于此,有必要针对现有图像配准方法功能单一,处理能力不足的问题,提供一种既适用于单模态、多模态图像配准又能处理大小形变图像配准的基于模态转换的微分同胚demons图像配准方法。
一种基于模态转换的微分同胚demons图像配准方法,包括以下步骤:
对参考图像和浮动图像进行仿射变换,产生初始空间变换;
对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换;
读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换;
判断所述初始空间变换的更新次数是否达到第一预设次数,若否,则返回所述读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换的步骤;
若是,则判断模态转换的次数是否达到第二预设次数;若否,则返回所述对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换的步骤;
若是,则输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换。
在其中一个实施例中,所述对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换的步骤具体包括:
逐一分别读取仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点;
找取读取的仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的浮动图像的像素点以及读取的仿射变换后的浮动图像的像素点和仿射变换后的参考图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的参考图像的像素点;
将找取的仿射变换后的浮动图像的像素点灰度值和找取的仿射变换后的参考图像像素点灰度值分别赋值于模态转换后的参考图像和模态转换后的浮动图像。
在其中一个实施例中,所述读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换的步骤具体包括:
读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,计算形变向量值,具体为:
利用微分同胚demons法得到目标函数,
其中:所述E为目标函数的表达式,所述F为仿射变换后的参考图像,所述FT为模态转换后的参考图像,所述M为仿射变换后的浮动图像,所述MT为模态转换后的浮动图像,所述t为初始空间变换,所述Mοt为仿射变换后的浮动图像的灰度值,所述MTοt为模态转换后的浮动图像的灰度值,σx为未规则的空间变换和所述初始空间变换之间的不确定程度,σi为图像局部噪声的大小,具体为σi=|F-Mοt|,σt为规则化的程度,所述U为初始空间变换更新产生的像素点的位移,
对目标函数E最小化,获得形变向量的表达式,具体为:
其中:u为形变向量的表达式;
根据形变向量值和所述初始空间变换求得未规则的空间变换,具体为:
c=tοexp(u)
其中所述c为未规则化的空间变换;
对所述未规则化的空间变换做一次高斯卷积,得到空间变换,赋值于所述初始空间变换。
在其中一个实施例中,在所述对参考图像和浮动图像进行仿射变换,产生初始空间变换的步骤和所述对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换的步骤之间还包括以下步骤:
根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为至少一层级;
在所述层级中逐一的选定一层级;
在所述判断模态转换的次数是否达到第二预设次数的步骤和所述输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换的步骤之间还包括以下步骤:
判断所述层级图像配准的完成次数是否达到总层级数,若否,返回所述在所述层级中逐一的选定一层级的步骤。
在其中一个实施例中,所述在所述层级中逐一的选定一层级的方法为根据分辨率由低至高选取层级。
本发明还提供了一种基于模态转换的微分同胚demons图像配准系统。
一种基于模态转换的微分同胚demons图像配准系统,包括:
仿射变换模块,用于对参考图像和浮动图像进行仿射变换,产生初始空间变换;
模态转换模块,用于对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换;
空间变换获取模块,用于读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换;
空间变换判断模块,用于判断所述初始空间变换的更新次数是否达到第一预设次数;
模态转换判断模块,用于在所述空间变换判断模块判断所述初始空间变换的更新次数达到第一预设次数时,判断模态转换的次数是否达到第二预设次数;
输出模块,用于在所述模态转换判断模块判断模态转换的次数达到第二预设次数时,输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换。
在其中一个实施例中,所述模态转换模块包括:
像素点读取模块,用于逐一分别读取仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点;
像素点找取模块,用于找取读取的仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的浮动图像的像素点以及读取的仿射变换后的浮动图像的像素点和仿射变换后的参考图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的参考图像的像素点;
像素点赋值模块,用于将找取的仿射变换后的浮动图像的像素点灰度值和找取的仿射变换后的参考图像像素点灰度值分别赋值于模态转换后的参考图像和模态转换后的浮动图像。
在其中一个实施例中,所述空间变换获取模块包括:
计算模块,用于读取模态转换后的参考图像和浮动图像中像素灰度值数据,计算形变向量值,具体为:
利用微分同胚demons法得到目标函数,
其中:所述E为目标函数的表达式,所述F为仿射变换后的参考图像,所述FT为模态转换后的参考图像,所述M为仿射变换后的浮动图像,所述MT为模态转换后的浮动图像,所述t为初始空间变换,所述Mοt为仿射变换后的浮动图像的灰度值,所述MTοt为模态转换后的浮动图像的灰度值,σx为未规则的空间变换和所述初始空间变换之间的不确定程度,σi为图像局部噪声的大小,具体为σi=|F-Mοt|,σt为规则化的程度,所述U为初始空间变换更新产生的像素点的位移,
对目标函数E最小化,获得形变向量的表达式,具体为:
其中:u为形变向量的表达式;
未规则空间变换模块,用于根据形变向量值和所述初始空间变换求得未规则的空间变换,具体为:
c=tοexp(u)
其中所述c为未规则化的空间变换;
空间变换赋值模块,用于对所述尚未规则化的空间变换做一次高斯卷积,得到空间变换,赋值于所述初始空间变换。
在其中一个实施例中,所述基于模态转换的微分同胚demons图像配准系统还包括:
仿射分级模块,用于根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为至少一层级;
层级选定模块,用于在所述层级中逐一的选定一层级;
层级配准判断模块,用于在所述模态转换判断模块判断模态转换的次数达到第二预设次数时,判断所述层级图像配准的完成次数是否达到总层级数。
在其中一个实施例中,所述层级选定模块用于根据分辨率由低至高选取一层级。
上述的基于模态转换的微分同胚demons图像配准方法和系统,综合了模态转换demons算法和微分同胚demons算法两种的图像配准方法在图像配准方面的优势。在对仿射变换后的参考图像和仿射变换后的浮动图像进行经过第二预设次数的模态转换后,由于在每次模态转换过程中初始空间变换进行了第一预设次数的更新,初始空间变换经过了多次迭代,获得相对较优的初始空间变换,将其应用于浮动图像的变换,能较好的实现图像配准。上述的基于模态转换的微分同胚demons图像配准方法和系统经过多次的模态转换和以及初始空间变换的优化更新,不但适用于单模态、多模态图像配准,又能处理大小形变配准。
附图说明
图1为一实施例中基于模态转换的微分同胚demons图像配准方法的流程图;
图2为图1中对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换的流程图;
图3为图1中读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换的流程图;
图4为另一实施例中基于模态转换的微分同胚demons图像配准方法的流程图;
图5为一实施例中基于模态转换的微分同胚demons图像配准系统的结构示意图;
图6为图5中模态转换模块的结构示意图;
图7为图5中空间变换获取模块的结构示意图;
图8为另一实施例中基于模态转换的微分同胚demons图像配准系统的结构示意图。
具体实施方式
一种基于模态转换的微分同胚demons图像配准方法,如图1所示,包括以下步骤:
步骤S110:对参考图像和浮动图像进行仿射变换,产生初始空间变换。
仿射变换是一种线性变换,保持二维图形的“平直性”和“平行性”,“平直性”即变换后直线还是直线,不会打弯,圆弧还是圆弧,“平行性”是指二维图形间的相对位置关系不变,平行线还是平行线,直线上点的位置顺序不变。仿射变换可以通过一系列的原子变换的复合来实现,包括:平移、缩放、翻转、旋转和错切。
步骤S140:对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换。
具体的,如图2所示,步骤S140可包括以下步骤:
步骤S142:逐一分别读取仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点。
步骤S144:找取读取的仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的浮动图像的像素点以及读取的仿射变换后的浮动图像的像素点和仿射变换后的参考图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的参考图像的像素点。
步骤S146:将找取的仿射变换后的浮动图像像素点灰度值和找取的仿射变换后的参考图像像素点灰度值分别赋值于模态转换后的参考图像和模态转换后的浮动图像。
步骤S150:读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换。
具体的,如图3所示,步骤S150可包括以下步骤:
步骤S152:读取模态转换后的参考图像和浮动图像中像素灰度值数据,计算形变向量值,具体为:
利用微分同胚demons法得到目标函数,
其中:所述E为目标函数的表达式,所述F为仿射变换后的参考图像,所述FT为模态转换后的参考图像,所述M为仿射变换后的浮动图像,所述MT为模态转换后的浮动图像,所述t为初始空间变换,所述Mοt为仿射变换后的浮动图像的灰度值,所述MTοt为模态转换后的浮动图像的灰度值,σx为未规则的空间变换和所述初始空间变换之间的不确定程度,σi为图像局部噪声的大小,具体为σi=|F-Mοt|,σt为规则化的程度,所述U为初始空间变换更新产生的像素点的位移。
对目标函数E最小化,获得形变向量的表达式,具体为:
其中:u为形变向量的表达式。
步骤S154:根据形变向量值和所述初始空间变换求得未规则的空间变换,具体为:
c=tοexp(u)
其中所述c为未规则化的空间变换。
步骤S156:对所述尚未规则化的空间变换做一次高斯卷积,得到空间变换,赋值于所述初始空间变换。
步骤S160:判断所述初始空间变换的更新次数是否达到第一预设次数,若否,则返回步骤S150。
若是,则进行步骤S170:判断模态转换的次数是否达到第二预设次数;若否,则返回步骤S140。
若是,则输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换。
在对仿射变换后的参考图像和仿射变换后的浮动图像进行经过第二预设次数的模态转换后,由于在每次模态转换过程中初始空间变换进行了第一预设次数的更新,初始空间变换经过了多次迭代,获得相对较优的初始空间变换,将其应用于浮动图像的变换,能较好的实现图像配准。
在其他实施例中,在步骤S110和步骤S140之间还可以包括步骤S120、步骤S130,步骤S170和步骤S190之间还可以包括步骤S180。如图4所示,具体为:
步骤S120:根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为至少一层级。
步骤S130:在所述层级中逐一的选定一层级;具体为:根据分辨率由低至高选取层级。
步骤S180:判断所述层级图像配准的完成次数是否达到总层级数,若否,返回所述在所述层级中逐一的选定一层级的步骤。可以理解,在步骤S170中,当模态转换的次数达到第二预设次数时,步骤S130选定层级的图像配准已完成,也就是层级图像配准的完成次数应增加一次。
在本实施例中,采用多分辨率策略,根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为多层级,选定一层级,在完成对所选定层级内的仿射变换后的参考图像和仿射变换后的浮动图像的图像配准后,再选定另一层级,直至所有层级内的仿射变换后的参考图像和仿射变换后的浮动图像的图像配准完成。多分辨率策略是一种有效提高算法执行速度和避免局部极值的方法。配准按照由粗到精的方式执行,在低分辨率下利用较少的时间进行粗配,在高分辨率下花较多的时间进行细配准。可以理解的是,根据分辨率由低至高选取层级时,在低分辨率层级的仿射变换后的参考图像和仿射变换后的浮动图像的图像配准完成后,将获得的初始空间变换作为更高一级分辨率层级的初始空间变换,会更接近高一级分辨率层级的仿射变换后的参考图像和仿射变换后的浮动图像之间的真实的形变,无疑将提高高一级分辨率层级的图像配准的速度和效果,继而提高整个图像配准过程的速度和效果。
一种基于模态转换的微分同胚demons图像配准系统,如图5所示,包括:
仿射变换模块110,用于对参考图像和浮动图像进行仿射变换,产生初始空间变换。
仿射变换是一种线性变换,保持二维图形的“平直性”和“平行性”,“平直性”即变换后直线还是直线,不会打弯,圆弧还是圆弧,“平行性”是指二维图形间的相对位置关系不变,平行线还是平行线,直线上点的位置顺序不变。仿射变换可以通过一系列的原子变换的复合来实现,包括:平移、缩放、翻转、旋转和错切。
模态转换模块140,用于对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换。
具体的,如图6所示,模态转换模块140可包括以下模块:
像素点读取模块142,用于逐一分别读取仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点;
像素点找取模块144,用于找取读取的仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的浮动图像的像素点以及读取的仿射变换后的浮动图像的像素点和仿射变换后的参考图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的参考图像的像素点;
像素点赋值模块146,用于将找取的仿射变换后的浮动图像的像素点灰度值和找取的仿射变换后的参考图像像素点灰度值分别赋值于模态转换后的参考图像和模态转换后的浮动图像。
空间变换获取模块150,用于读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换。
具体的,如图7所示,空间变换获取模块150可包括以下模块:
计算模块152,用于读取模态转换后的参考图像和浮动图像中像素灰度值数据,计算形变向量值,具体为:
利用微分同胚demons法得到目标函数,
其中:所述E为目标函数的表达式,所述F为仿射变换后的参考图像,所述FT为模态转换后的参考图像,所述M为仿射变换后的浮动图像,所述MT为模态转换后的浮动图像,所述t为初始空间变换,所述Mοt为仿射变换后的浮动图像的灰度值,所述MTοt为模态转换后的浮动图像的灰度值,σx为未规则的空间变换和所述初始空间变换之间的不确定程度,σi为图像局部噪声的大小,具体为σi=|F-Mοt|,σt为规则化的程度,所述U为初始空间变换更新产生的像素点的位移。
对目标函数E最小化,获得形变向量的表达式,具体为:
其中:u为形变向量的表达式。
未规则空间变换模块,用于根据形变向量值和所述初始空间变换求得未规则的空间变换,具体为:
c=tοexp(u)
其中所述c为未规则化的空间变换。
形变赋值模块154,用于对所述尚未规则化的空间变换做一次高斯卷积,得到空间变换,赋值于所述初始空间变换。
空间变换判断模块160,用于判断所述初始空间变换的更新次数是否达到第一预设次数,若否,则通知空间变换获取模块150;
模态转换判断模块170,用于判断模态转换的次数是否达到第二预设次数,若否,则通知模态转换模块140;
输出模块190,用于在模态转换判断170判断到模态转换的次数达到了第二预设次数时,输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换。
在对仿射变换后的参考图像和仿射变换后的浮动图像进行经过第二预设次数的模态转换后,由于在每次模态转换过程中初始空间变换进行了第一预设次数的更新,初始空间变换经过了多次迭代,获得相对较优的初始空间变换,将其应用于浮动图像的变换,能较好的实现图像配准。
在其他实施例中,如图8所示,在另一个实施例中,基于模态转换的微分同胚demons图像配准系统包括:
模块仿射变换模块110,用于对参考图像和浮动图像进行仿射变换,产生初始空间变换;
分级模块120,用于根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为至少一层级;
层级选定模块130,用于在所述层级中逐一的选定一层级;具体为:根据分辨率由低至高选取层级。
模态转换模块140,用于对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换。
空间变换获取模块150,用于读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换。
空间变换判断模块160,用于判断所述初始空间变换的更新次数是否达到第一预设次数,若否,则通知空间变换获取模块150。
模态转换判断模块170,用于判断模态转换的次数是否达到第二预设次数;若否,则通知模态转换模块140。
可以理解,在模态转换判断模块170中,当模态转换的次数达到第二预设次数时,层级选定模块130选定层级的图像配准已完成。
层级配准判断模块180,用于判断所述层级图像配准的完成次数是否达到总层级数,若否,则通知层级选定模块130。
输出模块190,用于输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换。
在本实施例中,采用多分辨率策略,根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为多层级,选定一层级,在完成对所选定层级内的仿射变换后的参考图像和仿射变换后的浮动图像的图像配准后,再选定另一层级,直至所有层级内的仿射变换后的参考图像和仿射变换后的浮动图像的图像配准完成。多分辨率策略是一种有效提高算法执行速度和避免局部极值的方法。配准按照由粗到精的方式执行,在低分辨率下利用较少的时间进行粗配,在高分辨率下花较多的时间进行细配准。可以理解的是,根据分辨率由低至高选取层级时,在低分辨率层级的仿射变换后的参考图像和仿射变换后的浮动图像的图像配准完成后,将获得的初始空间变换作为更高一级分辨率层级的初始空间变换,会更接近高一级分辨率层级的仿射变换后的参考图像和仿射变换后的浮动图像之间的实际的空间变换,无疑将提高高一级分辨率层级的图像配准的速度和效果,继而提高整个图像配准过程的速度和效果。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于模态转换的微分同胚demons图像配准方法,其特征在于,包括以下步骤:
对参考图像和浮动图像进行仿射变换,产生初始空间变换;
对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换;
读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换;
判断所述初始空间变换的更新次数是否达到第一预设次数,若否,则返回所述读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换的步骤;
若是,则判断模态转换的次数是否达到第二预设次数;若否,则返回所述对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换的步骤;
若是,则输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换。
2.如权利要求1所述的基于模态转换的微分同胚demons图像配准方法,其特征在于,所述对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换的步骤具体包括:
逐一分别读取仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点;
找取读取的仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的浮动图像的像素点以及读取的仿射变换后的浮动图像的像素点和仿射变换后的参考图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的参考图像的像素点;
将找取的仿射变换后的浮动图像的像素点灰度值和找取的仿射变换后的参考图像像素点灰度值分别赋值于模态转换后的参考图像和模态转换后的浮动图像。
3.如权利要求1所述的基于模态转换的微分同胚demons图像配准方法,其特征在于,所述读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换的步骤具体包括:
读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,计算形变向量值,具体为:
利用微分同胚demons法得到目标函数,
其中:所述E为目标函数的表达式,所述F为仿射变换后的参考图像,所述FT为模态转换后的参考图像,所述M为仿射变换后的浮动图像,所述MT为模态转换后的浮动图像,所述t为初始空间变换,所述Mοt为仿射变换后的浮动图像的灰度值,所述MTοt为模态转换后的浮动图像的灰度值,σx为未规则的空间变换和所述初始空间变换之间的不确定程度,σi为图像局部噪声的大小,具体为σi=|F-Mοt|,σt为规则化的程度,所述U为初始空间变换更新产生的像素点的位移,
对目标函数E最小化,获得形变向量的表达式,具体为:
其中:u为形变向量的表达式;
根据形变向量值和所述初始空间变换求得未规则的空间变换,具体为:
c=tοexp(u)
其中所述c为未规则化的空间变换;
对所述未规则化的空间变换做一次高斯卷积,得到空间变换,赋值于所述初始空间变换。
4.如权利要求1-3任一项所述的基于模态转换的微分同胚demons图像配准方法,其特征在于,在所述对参考图像和浮动图像进行仿射变换,产生初始空间变换的步骤和所述对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换的步骤之间还包括以下步骤:
根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为至少一层级;
在所述层级中逐一的选定一层级;
在所述判断模态转换的次数是否达到第二预设次数的步骤和所述输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换的步骤之间还包括以下步骤:
判断所述层级图像配准的完成次数是否达到总层级数,若否,返回所述在所述层级中逐一的选定一层级的步骤。
5.如权利要求4所述的基于模态转换的微分同胚demons图像配准方法,其特征在于,所述在所述层级中逐一的选定一层级的方法为根据分辨率由低至高选取层级。
6.一种基于模态转换的微分同胚demons图像配准系统,其特征在于,包括:
仿射变换模块,用于对参考图像和浮动图像进行仿射变换,产生初始空间变换;
模态转换模块,用于对仿射变换后的参考图像和仿射变换后的浮动图像进行模态转换;
空间变换获取模块,用于读取模态转换后的参考图像和模态转换后的浮动图像中像素灰度值数据,获得形变向量,通过形变向量得到空间变换,并将所述初始空间变换更新为所述空间变换;
空间变换判断模块,用于判断所述初始空间变换的更新次数是否达到第一预设次数;
模态转换判断模块,用于在所述空间变换判断模块判断所述初始空间变换的更新次数达到第一预设次数时,判断模态转换的次数是否达到第二预设次数;
输出模块,用于在所述模态转换判断模块判断模态转换的次数达到第二预设次数时,输出所述初始空间变换,将所述初始空间变换用于所述浮动图像的变换。
7.如权利要求6所述的基于模态转换的微分同胚demons图像配准系统,其特征在于,所述模态转换模块包括:
像素点读取模块,用于逐一分别读取仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点;
像素点找取模块,用于找取读取的仿射变换后的参考图像的像素点和仿射变换后的浮动图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的浮动图像的像素点以及读取的仿射变换后的浮动图像的像素点和仿射变换后的参考图像的像素点灰度值联合直方图中出现次数最多的仿射变换后的参考图像的像素点;
像素点赋值模块,用于将找取的仿射变换后的浮动图像的像素点灰度值和找取的仿射变换后的参考图像像素点灰度值分别赋值于模态转换后的参考图像和模态转换后的浮动图像。
8.如权利要求6所述的基于模态转换的微分同胚demons图像配准系统,其特征在于,所述空间变换获取模块包括:
计算模块,用于读取模态转换后的参考图像和浮动图像中像素灰度值数据,计算形变向量值,具体为:
利用微分同胚demons法得到目标函数,
其中:所述E为目标函数的表达式,所述F为仿射变换后的参考图像,所述FT为模态转换后的参考图像,所述M为仿射变换后的浮动图像,所述MT为模态转换后的浮动图像,所述t为初始空间变换,所述Mοt为仿射变换后的浮动图像的灰度值,所述MTοt为模态转换后的浮动图像的灰度值,σx为未规则的空间变换和所述初始空间变换之间的不确定程度,σi为图像局部噪声的大小,具体为σi=|F-Mοt|,σt为规则化的程度,所述U为初始空间变换更新产生的像素点的位移,
对目标函数E最小化,获得形变向量的表达式,具体为:
其中:u为形变向量的表达式;
未规则空间变换模块,用于根据形变向量值和所述初始空间变换求得未规则的空间变换,具体为:
c=tοexp(u)
其中所述c为未规则化的空间变换;
空间变换赋值模块,用于对所述尚未规则化的空间变换做一次高斯卷积,得到空间变换,赋值于所述初始空间变换。
9.如权利要求6-8任一项所述的基于模态转换的微分同胚demons图像配准系统,其特征在于,所述基于模态转换的微分同胚demons图像配准系统还包括:
仿射分级模块,用于根据分辨率将仿射变换后的参考图像和仿射变换后的浮动图像分为至少一层级;
层级选定模块,用于在所述层级中逐一的选定一层级;
层级配准判断模块,用于在所述模态转换判断模块判断模态转换的次数达到第二预设次数时,判断所述层级图像配准的完成次数是否达到总层级数。
10.如权利要求9所述的基于模态转换的微分同胚demons图像配准系统,其特征在于,所述层级选定模块用于根据分辨率由低至高选取一层级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310148495.8A CN103236059B (zh) | 2013-04-25 | 2013-04-25 | 基于模态转换的微分同胚demons图像配准方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310148495.8A CN103236059B (zh) | 2013-04-25 | 2013-04-25 | 基于模态转换的微分同胚demons图像配准方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103236059A true CN103236059A (zh) | 2013-08-07 |
CN103236059B CN103236059B (zh) | 2016-06-15 |
Family
ID=48884098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310148495.8A Active CN103236059B (zh) | 2013-04-25 | 2013-04-25 | 基于模态转换的微分同胚demons图像配准方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103236059B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091337A (zh) * | 2014-07-11 | 2014-10-08 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
CN104346786A (zh) * | 2014-11-06 | 2015-02-11 | 南京信息工程大学 | 基于Demons算法的图像去噪算法 |
CN105303547A (zh) * | 2014-07-11 | 2016-02-03 | 东北大学 | 一种基于网格匹配的Demons算法的多期CT图像配准方法 |
CN108305282A (zh) * | 2018-01-31 | 2018-07-20 | 湖北工业大学 | 一种基于杂交水稻算法的图像配准方法及系统 |
CN108717705A (zh) * | 2018-03-29 | 2018-10-30 | 南京理工大学 | 基于静止矢量场的微分同胚图像配准方法 |
CN109785340A (zh) * | 2019-01-09 | 2019-05-21 | 上海理工大学 | 基于多图谱的心脏磁共振图像右心室分割计算设备及方法 |
CN110473234A (zh) * | 2019-09-04 | 2019-11-19 | 中国科学院近代物理研究所 | 微分同胚Demons图像配准方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1989526A (zh) * | 2004-05-25 | 2007-06-27 | 美国西门子医疗解决公司 | 用于图像时间序列的运动补偿的方法和系统 |
US20100202687A1 (en) * | 2007-05-03 | 2010-08-12 | Ucl Business Plc | Image registration method |
WO2012155136A2 (en) * | 2011-05-12 | 2012-11-15 | The Johns Hopkins University | Method and system for registering images |
-
2013
- 2013-04-25 CN CN201310148495.8A patent/CN103236059B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1989526A (zh) * | 2004-05-25 | 2007-06-27 | 美国西门子医疗解决公司 | 用于图像时间序列的运动补偿的方法和系统 |
US20100202687A1 (en) * | 2007-05-03 | 2010-08-12 | Ucl Business Plc | Image registration method |
WO2012155136A2 (en) * | 2011-05-12 | 2012-11-15 | The Johns Hopkins University | Method and system for registering images |
Non-Patent Citations (4)
Title |
---|
DIRK-JAN KROON,CORNELIS H. SLUMP: "MRI MODALITIY TRANSFORMATION IN DEMON REGISTRATION", 《2009 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》, 1 July 2009 (2009-07-01), pages 963 - 966 * |
TOM VERCAUTEREN 等: "Diffeomorphic Demons: Efficient Non-parametric Image Registration", 《NEUROIMAGE》, vol. 45, no. 1, 31 March 2009 (2009-03-31), pages 61 - 72, XP025947900, DOI: doi:10.1016/j.neuroimage.2008.10.040 * |
TOM VERCAUTEREN 等: "Non-parametric Diffeomorphic Image Registration with the Demons Algorithm", 《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION 2007》, 2 November 2007 (2007-11-02), pages 319 - 326 * |
周露: "基于Demons算法的变形图像配准技术的研究", 《CNKI中国优秀硕士学位论文全文数据库信息科技辑》, no. 04, 15 April 2013 (2013-04-15), pages 47 - 49 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091337A (zh) * | 2014-07-11 | 2014-10-08 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
CN105303547A (zh) * | 2014-07-11 | 2016-02-03 | 东北大学 | 一种基于网格匹配的Demons算法的多期CT图像配准方法 |
CN104091337B (zh) * | 2014-07-11 | 2017-07-14 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
CN104346786A (zh) * | 2014-11-06 | 2015-02-11 | 南京信息工程大学 | 基于Demons算法的图像去噪算法 |
CN104346786B (zh) * | 2014-11-06 | 2017-05-17 | 南京信息工程大学 | 基于Demons算法的图像去噪算法 |
CN108305282A (zh) * | 2018-01-31 | 2018-07-20 | 湖北工业大学 | 一种基于杂交水稻算法的图像配准方法及系统 |
CN108717705A (zh) * | 2018-03-29 | 2018-10-30 | 南京理工大学 | 基于静止矢量场的微分同胚图像配准方法 |
CN109785340A (zh) * | 2019-01-09 | 2019-05-21 | 上海理工大学 | 基于多图谱的心脏磁共振图像右心室分割计算设备及方法 |
CN110473234A (zh) * | 2019-09-04 | 2019-11-19 | 中国科学院近代物理研究所 | 微分同胚Demons图像配准方法、系统及存储介质 |
CN110473234B (zh) * | 2019-09-04 | 2021-10-22 | 中国科学院近代物理研究所 | 微分同胚Demons图像配准方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103236059B (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Menze et al. | Object scene flow | |
CN103236059A (zh) | 基于模态转换的微分同胚demons图像配准方法和系统 | |
Hulik et al. | Continuous plane detection in point-cloud data based on 3D Hough Transform | |
Riegler et al. | A deep primal-dual network for guided depth super-resolution | |
CN101216941B (zh) | 剧烈光照变化下基于角点匹配与光流法的运动估计方法 | |
US11049270B2 (en) | Method and apparatus for calculating depth map based on reliability | |
US7844133B2 (en) | Method and system for filtering, registering, and matching 2.5D normal maps | |
EP3248029A1 (en) | Visual localization within lidar maps | |
CN111210477A (zh) | 一种运动目标的定位方法及系统 | |
CN106485182A (zh) | 一种基于仿射变换的模糊qr码复原方法 | |
Feng et al. | Plane registration leveraged by global constraints for context‐aware AEC applications | |
CN110637461A (zh) | 计算机视觉系统中的致密光学流处理 | |
Li et al. | Coarse-to-fine PatchMatch for dense correspondence | |
JP2021093117A (ja) | 連帯的な検出と記述システムおよび方法 | |
CN104751493A (zh) | 基于梯度纹理特征的稀疏跟踪方法 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
Li et al. | FDnCNN-based image denoising for multi-labfel localization measurement | |
Yin et al. | Stabilize an unsupervised feature learning for LiDAR-based place recognition | |
CN112686952A (zh) | 一种图像光流计算系统、方法及应用 | |
CN116310098A (zh) | 一种基于注意力机制与可变卷积深度网络的多视图三维重建方法 | |
CN115619826A (zh) | 一种基于重投影误差和深度估计的动态slam方法 | |
Yu et al. | Accurate and robust visual localization system in large-scale appearance-changing environments | |
An et al. | High speed robust image registration and localization using optimized algorithm and its performances evaluation | |
Gallup | Efficient 3D reconstruction of large-scale urban environments from street-level video | |
CN106056599B (zh) | 一种基于物体深度数据的物体识别算法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |