CN103366375A - 基于动态有向图的图像集配准方法 - Google Patents

Abstract

本发明公开了一种基于动态有向图的图像集配准方法，包括步骤：步骤1，使用自适应加权的稀疏表示方法计算图像集中图像的全局相似度并建立或更新以图像集中图像为节点的有向图；步骤2，基于有向图结果确定两两节点最短路径以及根节点图像，每个节点图像根据其对应到根节点图像的最短路径即配准路径配准到其直接父节点图像；步骤3，更新自适应加权的稀疏表示方法中使用的权重表；步骤4，重复步骤1-3直到所有图像配准到同一根节点图像中。本发明使用自适应加权的稀疏表示方法计算全局图像相似度结合动态有向图达到精确高效的图像集配准。

Description

基于动态有向图的图像集配准方法

技术领域

本发明涉及图像处理领域，特别涉及一种基于动态有向图的图像集配准方法。 

背景技术

图像集的配准（Group-wise image registration）在医学中有着非常重要的作用，例如脑区功能的检测、病灶发展监测（对不同时期的病灶图像进行配准得到病灶的发展趋势）、及术后器官恢复情况的监测（对术后器官在不同时期得到的图像进行配准得到愈合进度）。目前图像集配准领域中的方法大致可以分为两大类：第一类是直接基于两两图像的配准方法，第二类是基于中间模板的配准方法。 

早期提出的图像集配准方法大部分都是直接基于两两图像的配准方法。其基本思路是从给定的图像集中选取或生成一个模板（Template），以此来定义图像集的最终配准空间，然后图像集中每个图像都利用两两图像配准方法直接配准到该模板上。这类方法的重点是如何选取模板。Park（Park,H.,Bland,P.H.,Hero,A.O.,3rd,Meyer,C.R.:Least biased target selection in probabilistic atlas construction.MICCAI8(2005)419-426）提出使用几何中心附近的图像作为模板。Joshi（Joshi,S.,Davis,B.,Jomier,M.,Gerig,G.:Unbiased diffeomorphic atlas construction for computational anatomy.Neuroimage23(2004)S151-S160）提出使用待配准图像集的平均 图像作为模板。但是选择一个无偏且结构清晰的模板是一个非常困难甚至难以达到的目标。 

由于第一类方法存在的问题，目前图像集的配准方法大都采用基于中间模板的配准方法。在这类方法中，基于图的图像集配准方法无疑是目前最热门的方向之一。其基本思想是，图像集中每个图像被认为是图的节点，然后计算两两图像间的相似度，根据图像相似度利用目前现有的构图方法（例如k近邻图，最小生成树）建立图。建立图的目的是估计图像集所在的流形，然后在得到的图中计算两两图像之间的最短路径，并根据公式（1）确定根图像 

$I_{\mathrm{root}}=\arg \underset{I_i}{\min }\underset{j=1}{\overset{n}{\mathrm{\Σ}}}g(I_i,I_j),i=1,...,n,---\left(1\right)$

g(I_j,I_j)表示图像I_j和图像I_j间的最短路径，n是图像集中图像的数量。此根图像被当作统一模板。在确立根图像后，其它图像到根图像的最短路径也随即确定。图1显示了包含6个图像（以不同标号a,b,c,d,e,r的圆表示）以及每个图像到根图像（圆r）的最短路径（以绿色的边表示）所组成的树。D_xy,x,y=a,b,c,d,e,r,x≠y表示了配准图像x到图像y得到的形变场。目前基于图的图像集配准方法中，在得到根图像和其它图像到根图像的最短路径后，每个图像都和其父节点图像配准得到相应的形变场（见图1），然后最终将每个图像配准到根图像的形变场是利用形变场组合即公式（2）得到的 

其中符号“ο”是函数复合的符号，比如f1οf2相当于f1(f2(x))， P_xr=(x,k₁,k₂,…,k_n,r)包含的是从图像x到根图像r的最短路径上经过的图像。以图1中所示图像c为例，其P_cr=(c,a,r)，所以最终将图像c配准到根图像r的形变场根据公式（2）即D_cr=D_caοD_ar计算得出。以上就是目前所有基于图的图像集配准方法的大体思路，这些方法的不同点主要体现在建立图的方法以及图像相似度的度量上。例如Hamm（Hamm,J.,Davatzikos,C.,Verma,R.:Efficient large deformation registration via geodesics on a learned manifold of images.MICCAI12(2009)680-687）提出了一个基于k近邻图的方法，两两图像之间的相似度由这两个图像间灰度差的平方和以及这配准这两个图像的形变场的平滑度定义。Jia（Jia,H.,Yap,P.T.,Wu,G.,Wang,Q.,Shen,D.:Intermediate templates guided groupwise registration of diffusion tensor images.Neuroimage54(2011)928-939）在文章中利用k近邻图的方法结合最小生成树建立图，图像间的相似度由图像间的欧式距离定义。基于图的图像集配准方法对比与第一类方法即直接基于两两图像配准的图像集配准方法的优势在于其将大形变分解为若干连续的小形变以达到高精度配准的目的。目前提出的所有的基于图的图像集配准方法均采用静态树并基于公式（2）计算最终形变场。但是由于两两图像间的配准误差，使用公式（2）会造成配准误差积累。另外图像相似度的度量还是以计算两两图像间相似度为主，忽略了全局的图像信息，导致生成的图不能很好的估计图像集的流形，使以后计算出的配准路径不理想。 

发明内容

为了克服现有技术存在的缺陷，本发明提出一种基于动态有向图的图像集配准方法，使用自适应加权的稀疏表示方法计算全局图像相似度结合 动态有向图达到精确高效的图像集配准。 

本发明提出的基于动态有向图的图像集配准方法包括步骤：步骤1，使用自适应加权的稀疏表示方法计算图像集中图像的全局相似度并建立或更新以图像集中图像为节点的有向图；步骤2，基于有向图结果确定两两节点最短路径以及根节点图像，每个节点图像根据其对应到根节点图像的最短路径即配准路径配准到其直接父节点图像；步骤3，更新自适应加权的稀疏表示方法中使用的权重表；步骤4，重复步骤1-3直到所有图像配准到同一根节点图像中。 

优选地，步骤1进一步包括：对图像集中每个图像计算自适应加权的稀疏表示结果；稀疏表示结果转换为有向图中对应有向边的权重。 

优选地，对每两个图像检测其在当前循环中对应的父节点图像，如果其父节点图像相同则将对应于这两个图像关系的权重值增大；如果其父节点不同但其父节点在之前的循环中有相同父节点，则将对应于这两个图像关系的权重值增大；如果其父节点不属于以上两种情况则将对应于这两个图像关系的权重值减小。 

优选地，对每个图像计算自适应加权的稀疏表示结果，包括：利用权重将稀疏表示方法使用的字典中包含与被表示图像相同的图像和在上一次循环中与被表示图像有相同父节点的图像从字典中消除以保证稀疏表示的结果不会出现自我表示及高相似度图像互相表示。 

优选地，将稀疏表示结果转换为有向图中对应有向边的权重，包括：对于每个图像对应的自适应加权稀疏表示的结果，建立有向边，起点为该图像终点为自适应加权稀疏表示结果中系数不为零的图像，边的权重为系 数的倒数。 

优选地，步骤1进一步包括：全局图像相似性通过下面的公式来计算： 

$\underset{\mathrm{\α}}{\min }\left|\right|I_i-\mathrm{B\α}\left|\right|+\mathrm{\λ}\left|\right|\mathrm{diag}\left(w\right)\mathrm{\α}|{|}_1,$

其中I_i是当前待表示的图像，B是一个包含了所有输入图像的矩阵，每个图像为B中的一列即，

n为输入图像的数目，λ为标量，其大小规定了稀疏的程度，w=(w₁,w₂,…,w_n)是自适应权重，其每个元素定义了B中对应的图像在表示I_i中的重要程度，权重越大重要性越低，α=(α₁,α₂,…,α_n)，是自适应权重的稀疏表示方法的结果，其每个元素反映了B中对应的图像在表示I_i中所占的比重。 

优选地，步骤1中建立有向图进一步包括：对每一个图像I_i,i=1,2,…n，根据其对应的自适应权重的稀疏表示的结果对αⁱ中不为0的元素

所对应的图像I_j,j≠i，产生一条从I_i到I_j的有向边，边的权重定义为

按照该种方式对每个图像进行此操作最终建立有向图。 

优选地，根据所建立的有向图计算最短路径和根节点图像，使用Dijkstra方法计算任意两个节点的最短距离，根据公式（1）确定根图像。 

优选地，在步骤4，根据计算出当前未配准到目前根节点图像的数目判断是否结束循环，如果所有图像都已配准到目前根节点图像上则退出循环输出配准结果，否则开始新循环并更新有向图，新循环中有向图的更新使用上一循环中产生的配准结果图像作为输入图像。 

本发明采用自适应加权的稀疏表示方法实现图像的全局相似度的计算，并使用动态图策略来实时更新有向图并为每个图像选择当前最优配准路径。不同于目前基于图的图像集配准方法中使用的两两图像相似度的计算，本发明采用的自适应加权的稀疏表示方法实现了图像的全局相似度的 计算，使建立的有向图能更好地对图像集的流形进行估计。使用动态图策略可以消除基于固定图策略带来的配准误差积累和不精确的图像集流形估计。 

附图说明

图1为现有的基于图的图像集配准方法的示例； 

图2是本发明图像配准方法的流程图； 

图3a、图3b、图3c和图3d为本发明配准循环过程中自适应加权作用的示意图，其中图3a为一次循环中从构建的有向图中得到的每个图像的最短路径构成的有向树，图3b为下次循环中利用传统稀疏表示方法可能得到的最短路径构成的有向树，图3c为下次循环中利用传统稀疏表示方法可能得到的最短路径构成的有向树，图3d为下次循环中利用本发明提出的自适应加权的稀疏表示方法得到的最短路径构成的有向树； 

图4是公共核磁脑图像集LPBA40中三维脑图像的二维切面示例； 

图5a、5b、5c和5d是对图4中的图像使用本发明的方法配准LPBA40的过程示意图，其中图5a是第一次循环示意图，图5b是第二次循环示意图，图5c是第三次循环示意图，图5d是第四次循环示意图； 

图6a是利用DICE方法计算使用kNN、kNN+MST和本发明的方法这三种图像配准方法得到的LPBA40图像集配准结果中1-19脑区的精度，图6b是20-38脑区的精度，图6c是39-54脑区以及55全脑区的精度； 

图7a是利用DICE方法计算使用kNN、kNN+MST和本发明的方法这三种图像配准方法得到的NIREP-NA0图像集配准结果中1-17脑区的精度，图7b是18-32脑区以及33全脑区的精度。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。 

本发明提出的基于动态有向图的图像集配准方法是一个循环过程，每次循环包括步骤：（1）使用自适应加权的稀疏表示方法计算当前待配准图像集中图像间的相似度并基于得到的图像相似度建立有向图；（2）基于生成的有向图确定每个图像的配准目标图像；（3）更新自适应加权的稀疏表示方法中使用的权重表；（4）当所有图像配准到同一个目标图像后，循环结束并输出配准结果否则重复执行（1）到（4）步。本发明的方法能够对图像集进行精确高效的配准。 

图2为本发明图像集配准方法的流程图，如图2所示，该方法包括以下各步骤： 

步骤1，对输入的图像进行全局图像相似性度量。 

在该步骤，输入的图像是一定数量的三维或者二维灰度图像。在全局图像相似性度量中，本发明利用基于自适应权重的稀疏表示方法来计算图像相似性，其具体计算公式为： 

$\underset{\mathrm{\α}}{\min }\left|\right|I_i-\mathrm{B\α}\left|\right|+\mathrm{\λ}\left|\right|\mathrm{diag}\left(w\right)\mathrm{\α}|{|}_1,---\left(3\right)$

其中I_i是当前待表示的图像，B是一个包含了所有输入图像的矩阵，每个图像为B中的一列即

n为输入图像的数目，λ为标量，其大小正比于稀疏的程度。w=(w₁,w₂,…,w_n)是自适应权重，其每个元素定义了B中对应的图像在表示I_i中的重要程度，权重越大重要性越低，diag(w)定义了一个对角矩阵，其对角线上的值为w中元素的值，非对角线的值为零，即 

α=(α₁,α₂,…,α_n)，是自适应权重的稀疏表示方法的结果，其每个元素反映了B中对应的图像在表示I_i中所占的比重。α=(α₁,α₂,…,α_n)的值被理解为图像间的相似度即元素值越大其对应的图像与待表示的图像即I_i的相似度越高。

表示使得右侧公式达到极小值的α的值。在该方法开始，w=(w₁,w₂,…,w_n)中对应于待表示图像I_i的元素即w_i被置为无穷大，其目的是避免发生自我表示而得到一个无意义的结果。公式（3）可以理解为求解α=(α₁,α₂,…,α_n)使其对B中图像进行线性组合达到最优表示给定的图像I_i，即与I_i的差异最小。公式（3）是一个优化问题，这里采用目前广泛采用LASSO算法求解。在本发明方法的运行过程中，w=(w₁,w₂,…,w_n)将会根据现有的配准结果自适应的进行改变，详细过程将在步骤5描述。与现有的流行的两两图像相似度计算不同，在本发明的自适应权重的稀疏表示方法中，每个图像与所有图像的相似度是同时计算出来的，其优点在于计算相似度时考虑了全局的信息。 

步骤2，根据步骤1确定的图像相似性建立有向图。 

在该步骤，在建立有向图部分中，输入的图像被看作是图的节点，然后根据步骤1计算出的每个图像与其它所有图像的自适应权重的稀疏表示的结果，可以建立一个有向图。具体过程是，对每一个图像，例如：I_i,i=1,2,…n，根据其对应的自适应权重的稀疏表示的结果，例如： 

对αⁱ中不为0的元素（例如：

所对应的图像（例如：I_j,j≠i），产生一条从I_i到I_j的有向边，边的权重定义为

按照该种方式对每个图像进行此操作最终建立有向图。 

步骤3，根据步骤2确定的有向图计算最短路径和根节点图像。在该步骤，使用Dijkstra方法计算任意两个节点的最短距离，然后根据公式（1）找出根节点图像。 

步骤4，根据所确定的最短路径和根节点图像，进行两两图像配准。 

在该步骤，针对每个非根节点图像，根据步骤3中计算出的其到根节点图像的最短路径配准到其直接父节点图像中。在本发明两两图像的配准采用已有的Diffeomorphic Demons方法。 

步骤5，根据配准的图像更新自适应加权的稀疏表示方法中使用的权重表。 

在执行了步骤1到步骤4之后，得到了每个非根节点图像配准到其直接父节点图像后的配准结果。然后根据计算出当前未配准到目前根节点图像的数目判断是否结束循环。如果所有图像都已配准到目前根节点图像上则退出循环输出配准结果，否则开始新循环并更新有向图。新循环中有向图的更新使用上一循环中产生的配准结果图像作为输入图像。需要说明的是，如果在之前的循环中已经配准到当前根节点的图像则不作为新循环的输入图像，但是当新循环中计算的新根节点图像与目前根节点不同则上一循环所有配准的结果图像都需要重新计算最短路径并按照其最短路径配准到其直接父节点图像。值得注意的是，如果在上一循环中，某些图像具有相同的父节点图像则这些图像配准后的结果图像具有非常高的相似度，如图3a中显示了在一次循环中建立的有向图中得到的每个图像节点对应的最短路径所构成的树，有向边由箭头表示，点1,2,3,4,5,6,7,8和R代表9个输入的图像，其中R代表根节点图像。可以看到1,2,3,4有相同直接父节点5，当每个非根节点图像配准到其直接父节点上后，如果配准后的结 果图像在下次循环中被传统稀疏表示方法重新计算全局图像相似度，这时图像1,2,3,4会发生互相表示而与其它图像无表示，从而会造成产生的有向图不连通（如图3c所示），或者计算的最短路径很长（如图3b所示）。本发明提出的自适应加权的稀疏表示中自适应的改变权重的策略就很好的解决了这个问题，其具体步骤如下：给定当前图像集

(t为当前循环次数)和上一循环中每个图像对应的最短路径

如果t=1即第一次循环，则建立一个n×n的矩阵M，将其对角线元素值设为足够大（例如1.0×10⁸），其它元素值设为1。M中每一列对应于公式（3）中为每个图像稀疏表示时使用的w即

需要说明的是这里的w_i∈Rⁿ对应于公式（3）中计算图像I_i时使用的w。如果t>1，则对于任意2个非根节点图像

和

在其对应的上一循环的最短路径中

和

找出其对应的直接父节点

如果k=l，即图像

和

有相同的父节点图像，则M_ij=m_ji=1.0×10⁸；如果M_kl=1.0×10⁸，则M_ij=M_ji=1.0×10⁸；如果M_kl=1，则M_ij=M_ji=1。 

图3d显示了根据公式（3）及使用上述自适应权重策略得到的从自适应加权的稀疏表示方法计算出的全局相似度所更新的有向图中得到的图像的最短路径，可以看出自适应权重策略很好的解决了图3b和图3c中显示的问题。 

这里需要对步骤3即计算最短路径和根节点图像部分做一个附加说明，由于之前的循环中已经配准到当前根节点的图像则不作为新循环的输入图像，而且配准到相同父节点的图像间由于自适应权重的原因相互无之间连接，所以除了第一次循环使用公式（1）计算当前图的根节点图像，后 续循环中得到的动态更新图使用下面的公式计算新的根节点图像 

$I_{\mathrm{root}}^t=\arg \underset{I_i}{\min }\underset{I_j\∈C_k,k=1}{\overset{m}{\mathrm{\Σ}}}g(I_j,I_i),---\left(4\right)$

i=1,…,n,I_i∈C_x,k=1,…,x-1,x+1,…,m, 

具体地说，当前循环中根据上次循环中每个图像配准到的父节点图像可以将输入的图像分为若干图像组C_i,j=1,…,m,，m为图像组的数目，即将配准到相同父节点的图像归为一组。同一图像组中图像间的距离定义为0，即g(I_j,I_i)=0，I_i,I_j∈C_k。在本发明中根据父节点是否为根节点，图像组又进一步分为根节点图像组（仅一组）和非根节点图像组。在使用公式（4）计算更新有向图的根节点图像中，由于根节点图像组中的图像除了上一循环的根节点图像都不包含在更新的有向图中，但是新根节点图像的计算依赖于真实的图像分布，根节点图像组中不被包含的图像也是图像分布的一部分，因此根节点图像组中所有不被包含的图像被当作与上一循环的根节点图像相同的图像用在新根节点图像的计算中（使用公式（4）计算新根节点图像）。当得到新的根图像后，如果新根节点图像与上一循环的根节点图像不同则将与新根节点图像在同一图像组中的图像的最短路径直接连接到该新根节点图像上，根节点图像组的图像将被重新包含进来，其最短路径设为与上一循环的根节点图像的最短路径相同，其它图像组的图像则按照Dijkstra的方法计算最短路径。如果新根节点图像与上一循环的根节点图像相同，则所有图像（不包含根图像组的图像）的最短路径按照Dijkstra的方法计算。 

本发明使用公共脑核磁数据集LPBA40（包含40组不同人的三维脑核磁图像），利用这些图像对本发明的方法进行了测试。图4显示了16个从 LPBA40三维脑核磁图像中选择的一些二维切面。图5a、5b、5c和5d是对图4中的图像使用本发明的方法配准LPBA40的过程，其中图5a是第一次循环中由每个图像和其对应的最短路径构成的树的示意图，图5b是第二次循环产生的树的示意图，图5c是第三次循环产生的树的示意图，图5d是第四次循环产生的树的示意图，图中示出了每次循环配准的图像的分布（以圆点表示）以及由更新的有向图得到的最短路径构成的树。需要说明的是，图5a、5b、5c和5d的二维圆点是利用主成分分析对LPBA40中的图像做降维后得到的结果，目的是直观的显示图像在每次循环中的位置。 

图6a、6b、6c、7a、7b显示了使用LPBA40和NIREP-NA0两个大脑核磁公共数据集对本发明的方法和目前流行的基于图的图像集配准方法即k近邻图方法（kNN）和k近邻结合最小生成树方法（kNN+MST）所做的比较。具体的说，对使用三个方法得到的配准结果中两两图像中大脑的每个区域计算其Dice重合系数,系数越高说明配准精度越高。图6a、6b、6c中显示了对LPBA40图像集中54个大脑区域（Region ID：1-54）计算出的重合系数以及大脑区域平均重合系数（ID：55）。图7a、7b显示了对NIREP-NA0中32个大脑区域（Region ID：1-32）以及大脑区域平均重合系数（ID：33）。可以看出本发明的方法得到的配准结果比其它两种方法得到的结果重合系数更高即配准精度更高。 

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、 等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (9)

1.一种基于动态有向图的图像集配准方法，包括步骤：

步骤1，使用自适应加权的稀疏表示方法计算图像集中图像的全局相似度并建立或更新以图像集中图像为节点的有向图；

步骤2，基于有向图结果确定两两节点最短路径以及根节点图像，每个节点图像根据其对应到根节点图像的最短路径即配准路径配准到其直接父节点图像；

步骤3，更新自适应加权的稀疏表示方法中使用的权重表；

步骤4，重复步骤1-3直到所有图像配准到同一根节点图像中。

2.根据权利要求1所述的方法，其特征在于，步骤1进一步包括：

对图像集中每个图像计算自适应加权的稀疏表示结果；

稀疏表示结果转换为有向图中对应有向边的权重。

3.根据权利要求1所述方法，其特征在于，步骤3进一步包括：

对每两个图像检测其在当前循环中对应的父节点图像，

如果其父节点图像相同则将对应于这两个图像关系的权重值增大；

如果其父节点不同但其父节点在之前的循环中有相同父节点，则将对应于这两个图像关系的权重值增大；

如果其父节点不属于以上两种情况则将对应于这两个图像关系的权重值减小。

4.根据权利要求2所述方法，其特征在于，对每个图像计算自适应加权的稀疏表示结果，包括：

利用权重将稀疏表示方法使用的字典中包含与被表示图像相同的图像和在上一次循环中与被表示图像有相同父节点的图像从字典中消除以保证稀疏表示的结果不会出现自我表示及高相似度图像互相表示。

5.根据权利要求2所述方法，其特征在于，将稀疏表示结果转换为有向图中对应有向边的权重，包括：

对于每个图像对应的自适应加权稀疏表示的结果，建立有向边，起点为该图像终点为自适应加权稀疏表示结果中系数不为零的图像，边的权重为系数的倒数。

6.根据权利要求1所述的方法，其特征在于，步骤1进一步包括：全局图像相似性通过下面的公式来计算：

$\underset{\mathrm{\α}}{\min }\left|\right|I_i-\mathrm{B\α}\left|\right|+\mathrm{\λ}\left|\right|\mathrm{diag}\left(w\right)\mathrm{\α}|{|}_1,$

其中I_i是当前待表示的图像，B是一个包含了所有输入图像的矩阵，每个图像为B中的一列即，

n为输入图像的数目，λ为标量，其大小规定了稀疏的程度，w=(w₁,w₂,…,w_n)是自适应权重，其每个元素定义了B中对应的图像在表示I_i中的重要程度，权重越大重要性越低，α=(α₁,α₂,…,α_n)，是自适应权重的稀疏表示方法的结果，其每个元素反映了B中对应的图像在表示I_i中所占的比重。

7.根据权利要求6所述的方法，其特征在于，步骤1中建立有向图进一步包括：对每一个图像I_i,j=1,2,…n，根据其对应的自适应权重的稀疏表示的结果

对αⁱ中不为0的元素

所对应的图像I_j,j≠i，产生一条从I_i到I_j的有向边，边的权重定义为

按照该种方式对每个图像进行此操作最终建立有向图。

8.根据权利要求7所述的方法，其特征在于，根据所建立的有向图计算最短路径和根节点图像，使用Dijkstra方法计算任意两个节点的最短距离，根据下面的公式确定根图像：

$I_{\mathrm{root}}=\arg \underset{I_i}{\min }\underset{j=1}{\overset{n}{\mathrm{\Σ}}}g(I_i,I_j),i=1,...,n,$

g(I_i,I_j)表示图像I_i和图像I_j间的最短路径，n是图像集中图像的数量。

9.根据权利要求1所述的方法，其特征在于，在步骤4，根据计算出当前未配准到目前根节点图像的数目判断是否结束循环，如果所有图像都已配准到目前根节点图像上则退出循环输出配准结果，否则开始新循环并更新有向图，新循环中有向图的更新使用上一循环中产生的配准结果图像作为输入图像。

Images