CN103700101B - 一种非刚性脑图像配准方法 - Google Patents

Abstract

本发明公开了一种非刚性脑图像配准方法，包括：步骤一：根据参考图像对目标图像进行预处理，得到粗配准图像；步骤二：分别计算所述参考图像与所述粗配准图像的候选特征点；步骤三：构建所述候选特征点的特征描述子，根据所述特征描述子得到匹配的特征点；步骤四：根据所述特征点计算所述粗配准图像的光流模型，得到配准结果。本发明采用了基于Zernike矩的描述子向量刻画不同尺度下的几何特征以描述特征点的区域特征，解决了非刚性配准中特征点的匹配问题，并通过将特征点约束融合进Brox光流模型，解决了脑磁共振图像的配准问题。

Description

一种非刚性脑图像配准方法

技术领域

本发明涉及磁共振成像配准技术，尤其涉及一种非刚性脑图像配准方法。

背景技术

在脑图像配准中，结构特征点是尤其重要的，结构特征点的选取影响到两幅图像中对应特征点的寻找以及光流的准确性。现有特征点选取主要有手动和自动两种形式。手动的方式即指研究人员手动在两幅人脑图像中选取对应点；自动的方式即通过在参考图像和目标图像中寻找结构特征点，建立特征点的描述向量，计算描述向量之间的距离得出对应点，然后通过对应点求解空间变换参数，其典型代表为HAMMER(Hierarchical AttributeMatching Mechanism for Elastic Registration)，HAMMER用一个属性向量来描述每个点的形态学特征，每个向量包括了图像的灰度、边界信息(白质、灰质、脑脊液)和一组几何不变矩。该方法的与本方法最大的不同是：一、该方法依赖于脑图像的分割(白质、灰质、脑脊液的分离)，而本方法不需要此步骤；二、该方法在配准非特征点时采用的高斯插值的方式，高斯插值无法保证变形的平滑和连续，这很大程度上会造成图像的扭曲，本方法通过平滑项(定义见后面的具体实施)确保变形的平滑以及边界保持(edge preserving)。另一种常见的寻找对应特征点的方式是软对应，软对应认为每个点都是特征点，且该特征点与其余点都是匹配的，根据其距离远近赋予不同的匹配概率，然后通过迭代的方法更新匹配概率。如果该特征点与某个特征点的匹配概率大于预先设定的阈值，就认为这两点是匹配的。由于每个特征点寻找匹配的特征点的数目过于巨大，其实用性不强。目前许多方法针对这个不足提出了改良策略，其选取特征点的方式与本发明大体一致即认为结构型强的点为特征点，但是其候选特征点不再是一个而是多个，最后利用软对应的更新策略寻找唯一的对应特征点。

发明内容

本发明克服了现有技术存在的问题，提出了一种非刚性脑图像配准方法。

本发明提出的非刚性脑图像配准方法，包括如下步骤：

步骤一：根据参考图像对目标图像进行预处理，得到粗配准图像；

步骤二：分别计算所述参考图像与所述粗配准图像的候选特征点；

步骤三：构建所述候选特征点的特征描述子，根据所述特征描述子得到匹配的特征点；

步骤四：根据所述特征点计算所述粗配准图像的光流模型，得到配准结果。

本发明提出的所述的非刚性脑图像配准方法中，所述步骤一中预处理包括如下步骤：

步骤a1：根据所述参考图像对所述目标图像进行归一化处理；

步骤a2：通过仿射变换对所述目标图像进行全局变形；

步骤a3：通过基于B样条的自由形式变形对所述目标图像进行局部形变，得到粗配准图像。

本发明提出的所述的非刚性脑图像配准方法中，所述步骤二中对所述参考图像与所述粗配准图像分别进行Canny算子或者Harris角点算子计算得到候选特征点。

本发明提出的所述的非刚性脑图像配准方法中，所述步骤三中构建特征描述子包括如下步骤：

步骤b1：对参考图像与粗配准图像分别进行降采样得到至少一个降采样图像，所述参考图像、所述粗配准图像与所述降采样图像具有不同尺度；

步骤b2:将所述参考图像或所述粗配准图像中的候选特征点映射到相应的降采样图像中；

步骤b3：对所述参考图像及其降采样图像，或者所述粗配准图像及其降采样图像中的每个候选特征点分别计算其Zernike矩，得到每个候选点的多尺度下的Zernike描述子作为所述特征描述子。

本发明提出的所述的非刚性脑图像配准方法中，所述Zernike矩是二维的，该二维Zernike矩如下式表示：

$A_{nm}=\frac{n+1}{\mathrm{\π}}\underset{x}{\Σ}\underset{y}{\Σ}f(x,y)V_{nm}^{*}(\mathrm{\ρ},\mathrm{\θ}),x^2+y^2\≤1;---\left(1\right)$

$\left\{\begin{array}{c}{V}_{nm}(x,y)=V_{nm}(\mathrm{\ρ},\mathrm{\θ})=R_{nm}\left(\mathrm{\ρ}\right)e^{jm\mathrm{\θ}}\\ R_{nm}\left(\mathrm{\ρ}\right)=\underset{s}{\overset{n-\left|m\right|/2}{\mathrm{\Σ}}}{(-1)}^s\frac{(n-s)!}{s!(\frac{n+\left|m\right|}{2}-s)!(\frac{n+\left|m\right|}{2}-s)!}{\mathrm{\ρ}}^{n-2s}\end{array}\right.$

其中，n>＝0,m为整数，|m|≤n,n-|m|为偶数；；

式中，Anm表示n阶m度Zernike矩，n表示阶数，m为整数，f(x,y)表示像素值，x表示像素点横坐标，y表示像素点纵坐标，V_nm表示一组极坐标系下单位圆内的复数多项式正交集，ρ表示原点到像素点(x,y)的最短距离，θ表示向量ρ和x负半轴的夹角，R_nm(ρ)表示正交径向多项式。

本发明提出的所述的非刚性脑图像配准方法中，所述步骤三中得到匹配的特征点包括如下步骤：

步骤c1：计算所述粗配准图像的特征描述子与所述参考图像的特征描述子之间的欧式距离和以及所述描述子所表示的特征点的坐标差；

步骤c2：根据所述坐标值差和欧氏距离进行判别，若坐标值差或欧氏距离大于阈值，则与两个特征描述子分别对应的候选特征点是不匹配的，若坐标值差且欧氏距离小于等于阈值，则两个候选特征点是匹配的，该两个候选特征点为匹配的特征点。

本发明提出的所述非刚性脑图像配准方法中，建立并求解所述配准问题的光流模型包括如下步骤：

步骤d1：基于灰度不变假设、梯度不变假设和平滑假设建立光流的数学模型；

步骤d2：对参考图像和粗配准图像分别进行降采样，得到粗精度的参考图像和粗配准图像，并将所述参考图像和所述粗配准图像的结构对应点融入到所述粗精度的参考图像和粗配准图像中；

步骤d3：将所述粗精度的参考图像和粗配准图像代入所述光流的数学模型中求得所述粗精度下的粗配准图像的光流；

步骤d4：根据所述粗精度下的粗配准图像的光流估计得到高精度下的粗配准图像的光流，从而得到配准结果。

本发明的有益效果包括：采用了基于Zernike矩的描述子向量刻画不同尺度下的几何特征以描述特征点的区域特性，解决了非刚性配准中特征点的匹配问题。特征描述子向量是针对特征显著点建立的，一方面有效地减少了特征匹配时解空间的规模，另一方面也防止了算法陷入局部最优。通过将特征点约束融合进Brox光流模型，采用由粗到精的策略求解能量泛函极小值，解决了脑磁共振图像的配准问题。

附图说明

图1是本发明非刚性脑图像配准方法的流程图。

图2是实施例中原始的参考图像。

图3是实施例中原始的目标图像。

图4是实施例中目标图像经预处理后的粗配准图像。

图5是实施例中粗配准图像的候选特征点的示意图。

图6是实施例中匹配的特征点的示意图。

图7是实施例中与特征点近似的候选特征点的示意图。

图8是目标图像经本发明配准后的图像。

图9是经现有技术Brox算法配准后的图像。

具体实施方式

结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

本发明中所涉及的专业术语的解释如下：

目标图像是指待配准的脑图像；

参考图像是指目标图像配准后应该与其尽可能相似的图像；

粗配准图像是指目标图像经过全局-局部变换后存储的图像；

特征点是指图像中具有较好纹理特性的像素点，能区分该像素点与其他像素点的差异性；

结构对应点是指参考图像与目标图像中一一对应的点，因为其有着很好的结构特性，所以称其为结构对应点；

候选特征点是经过Canny算子或Harris角点算子求得的边缘点；

特征描述子是指用来描述特征点在不同尺度下的Zernike矩的向量；

特征点匹配约束是指本方法为了使结构对应点之间的欧式距离与光流算法最后求解得到光流一致而加的约束项||w-w_desc||，w为待求解的光流，w_desc为匹配特征点之间的坐标差；

光流模型是指Brox提出的三个假设：灰度不变假设、梯度不变假设、平滑假设；

粗精度是指原始图像经过降采样后的图像其相邻像素点的物理距离相对于原始图像像素点之间的距离更大。物理距离是指像素点对应的大脑中的两点之间的距离。

由于不同年纪，不同人种的脑图像差异性非常大，必须对目标脑图像做一个归一化处理即让目标图像subject image(参照图3)不仅图像大小与参考图像reference image(参照图2)的大小一样，同时使目标图像与参考图像中的脑结构上大体一致。

为了使脑结构大体一致，目标图像的全局变形(deformation)采用了仿射变换来进行描述，其中，仿射变换以如下公式(2)所示

仿射变换的的公式如下：

$T_{global}=\left(\begin{array}{ccc}{\mathrm{\θ}}_{11}& {\mathrm{\θ}}_{12}& {\mathrm{\θ}}_{13}\\ {\mathrm{\θ}}_{21}& {\mathrm{\θ}}_{22}& {\mathrm{\θ}}_{11}\\ {\mathrm{\θ}}_{31}& {\mathrm{\θ}}_{32}& {\mathrm{\θ}}_{33}\end{array}\right)\left(\begin{array}{c}x\\ y\\ z\end{array}\right)+\left(\begin{array}{c}{\mathrm{\θ}}_{14}\\ {\mathrm{\θ}}_{15}\\ {\mathrm{\θ}}_{16}\end{array}\right)---\left(2\right)$

公式2中，T_global表示全局变形公式，x为体素的横坐标，y为体素的纵坐标，z为体素的垂直坐标，θ₁₁～θ₃₃为待估计的参数。

目标图像的局部变形用基于B样条的自由形式(FFD)来约束。通过B样条网格点控制目标图像的变形，使图像保持拓扑不变。B样条的自由形式变形如以下公式3所示

$T_{local}(x,y,z)=\underset{l=0}{\overset{3}{\mathrm{\Σ}}}\underset{m=0}{\overset{3}{\mathrm{\Σ}}}\underset{n=0}{\overset{3}{\mathrm{\Σ}}}{B}_l\left(u\right)B_m\left(v\right)B_n\left(w\right){\mathrm{\φ}}_{i+l,j+m,k+n}---\left(3\right)$

公式3中，x为体素的横坐标，y为体素的纵坐标，z为体素的垂直坐标，l,m,n为变量，φ_i,j,k为网格控制点在图像中的坐标，i,j,k为网格控制点的下标，且，B_i代表B样条的第i个基函数，其定义如下：

B₀(u)＝(1-u)³/6

B₁(u)＝(3u²-6u²+4)/6

B₂(u)＝(-3u³+3u²+3u+1)/6

B₃(u)＝u³/6

上述仿射变换和B样条的自由形式变形(FFD)的统一表达式为T＝T_global+T_local,目标图像经过上述变换后与参考图像中的脑结构大体一致。例如，图4为图3经过T变换后的图像，图4中显示的脑结构与图2参考图像中的脑体积结构大体一致。

为了有效去除后期由于脑体积大小不一致带来的图像扭曲的现象，对粗配准图像与参考图像的大小做了裁剪处理，即对图像两边的黑边进行处理，使其上下左右的黑边的宽度一致。图4显示的是目标图像经过预处理后的粗配准图像，该粗配准图像和参考图像一起作为后面要介绍的光流模型的输入变量。

图5显示的是参考图像经Canny算子计算得到的二值图像，图中白点为选取的候选特征点。本发明选用的候选特征点是大脑皮质中沟的的底部和回的顶部以及脑室的边缘点，这些点有着非常重要的解剖学意义，并且这些边界点相对于纹理比较少的点(如白质分布的区域)往往有着很强的几何特征。

由于传统的Zernike描述子往往无法有效地把不同的特征点区分开来，本发明采用多尺度下的Zernike描述子来建立特征点的描述向量。多尺度描述子反应了不同尺度下的潜在结构特征，精尺度下的描述子反映了特征点与其较近点的关系，粗尺度下的描述子反映了特征点与其较远点的关系。本发明建立的描述子为一个3*15的向量，3表示金字塔的层数即对图像进行连续两次1/2降采样，15代表的是15个旋转不变Zernike矩(对应于公式1的n的取值范围为1～6之间的整数)。

以参考图像为例，其具体计算过程如下：

步骤b1：对参考图像进行三次降采样得到三个不同尺度下的图像，所选用的降采样尺度为0.5。设对参考图像I1进行两次降采样后得到的两幅降采样图像为I2，I3，I2为一次降采样后的参考图像，I3为两次降采样后的参考图像。

步骤b2:将I1中的候选特征点映射到I2和I3中。I1中候选特征点的坐标与I2中候选特征点的坐标映射关系为：x->0.5x。x为横、纵坐标的集合。I2与I3中的候选特征点的坐标关系采用同样的方法。

步骤b3：对I1、I2和I3中的每个候选特征点分别计算其Zernike矩，得到每个候选点多尺度下的Zernike描述子作为所述特征描述子。一个尺度下的Zernike矩的向量M1的表达式为(A₁₁,A₂₀,A₂₂,A₃₁,A₃₃,A₄₀,A₄₂,A_4,4,A₅₁,A₅₃,A₅₅,A₆₀,A₆₂,A₆₄,A₆₆)，其总的特征描述子为(M₁,M₂,M₃),M₂,M₃分别为其他尺度下的计算结果。A_ij的计算见公式(4):

获取的二维Zernike矩的描述如下式(4)表示：

$A_{nm}=\frac{n+1}{\mathrm{\π}}\underset{x}{\Σ}\underset{y}{\Σ}f(x,y)V_{nm}^{*}(\mathrm{\ρ},\mathrm{\θ}),x^2+y^2\≤1---\left(4\right)$

公式4中，A_nm为n阶m度的Zernike矩，f(x,y)为图像的像素值，V_nm为一组极坐标系下单位圆内的复数多项式正交集，其定义如下式(5)：

V_nm(x,y)＝V_nm(ρ,θ)＝R_nm(ρ)e^jmθ (5)

公式5中，n>＝0,m为整数，|m|<n,n-|m|为偶数，n为阶数，ρ是原点到像素点(x，y)的最短距离，θ是向量ρ和x负半轴的夹角，R_nm(ρ)是如式(6)所示的正交径向多项式：

$R_{nm}\left(\mathrm{\&rho;}\right)=\underset{s}{\overset{n-\left|m\right|/2}{\mathrm{\&Sigma;}}}{(-1)}^s\frac{(n-s)!}{s!(\frac{n+\left|m\right|}{2}-s)!(\frac{n+\left|m\right|}{2}-s)!}{\mathrm{\&rho;}}^{n-2s}---\left(6\right)$

本发明采用欧氏距离来度量两个描述子的相似性。当获得的最匹配描述子坐标值差大于阈值T₁(脑图像宽、高最小值的一半)或其描述子的欧式距离大于阈值T₂(距离最大值的80％),即认为该特征点为例外点—参考图像中没有与之匹配的候选特征点。由于两个人脑的差异性是巨大的，经过预处理后的两个脑图像也是有很多例外点的，所以例外点的处理是不可缺少的。

设参考图像中的某个候选特征点A，其计算得到的描述子为(M_A1,M_A2,M_A3),M_i的定义与前面是一致的，坐标为(x_A,y_A)。粗配准图像中的候选特征点B的描述子为(M_B1,M_B2,M_B3)，坐标值为(x_B,y_B)。所述参考图像和所述目标图像宽、高的最小值的一半为T₁。判断特征点对应的规则如下：

如果||M_A1-M_B1||+||M_A2-M_B2||+||M_A3-M_B3||>T₂或者max(||x_A-x_B||,||y_A-y_B||)>T₁,则认为A点为例外点；

如果||M_A1-M_B1||+||M_A2-M_B2||+||M_A3-M_B3||<T₂，max(||x_A-x_B||,||y_A-y_B||)<T₁，且M＝||M_A1-M_B1||+||M_A2-M_B2||+||M_A3-M_B3||为最小值(B点必须与所述参考图像中的所有候选特征点进行描述子的欧式距离计算)，则认为所述A点与所述B点是对应点。

图6显示的是所述粗配准图像的候选特征点在所述参考图像中最匹配的5个特征点，其中候选特征点为黑色方框所标记的部分。图7中显示的是所述参考图像与所述粗配准图像之间相近似的特征点，所述参考图像中方框中表示的是找到的最近邻的20个候选特征点。很显然误匹配的候选特征点与所述粗配准图像中的候选特征点的局部特性很近似，并且绝大部分的特征点就是所述粗配准图像的特征点的对称点，由此可知本发明的特征描述子能成功地描述结构对应点的匹配关系。

Brox的光流模型采用由粗到精的策略求解能量泛函的极小值问题，在这种由粗到精的策略中，精尺度下的光流以粗尺度下计算得到的光流作为初始值，通过迭代计算得到的光流将逐渐趋向全局最优，避免局部最优的产生。

本发明采用Brox的光流模型作为脑图像配准的模型，Brox的光流模型基于三大假设：灰度不变假设、梯度不变假设、平滑假设。灰度不变假设认为像素值在移动前后是保持不变的，当光照发生一定变化时，这个假设往往不能成立，所以Brox引进了梯度不变假设，梯度不变假设认为像素值的变化幅值是不变的，该假设有效的抵消了灰度不变假设在某些场合不成立带来的影响。灰度不变假设与梯度不变假设的定义如下：

$E_D\left(w\right)=\underset{x}{\&Sigma;}\mathrm{\&psi;}\left(\right|\left|I_2\right(x+w)-I_1(x\left)\right|{|}^2+\mathrm{\&gamma;}\left|\right|\&dtri;I_2\left(x+w\right)-\&dtri;I_1\left(x\right)\left|{|}^2\right)---\left(7\right)$

式7中，ξ为一极小值，经验取值为0.00001，I₂(x+u)为粗配准图像素值矩阵，I₁(x)为参考图像的像素值矩阵，x为像素的坐标，γ为权衡因子，为所述粗配准图像的梯度矩阵，为所述参考图像的梯度矩阵，w为待求解的光流。

在光流估计中为了边缘保持(edge preserving)，往往会引进平滑假设，其定义为：

$E_s(u,v)=\underset{x}{\&Sigma;}\mathrm{\&psi;}\left(\right|\&dtri;u{|}^2+|\&dtri;v{|}^2)---\left(8\right)$

式8中，x为像素的坐标，u,v为待估计的光流，且w＝(u,v)^T。为u的梯度矩阵,为v的梯度矩阵。

当图像中存在较大的位移物体时，基于这三大假设构建的光流数学模型往往会失效。为了克服大位移运动产生的影响，Brox提出将特征点匹配约束融合进光流模型中，在粗精度下，由特征点的运动位移拉动光流场，其完整描述如下式9表示：

$\begin{array}{c}E\left(w\right)=\underset{x}{\&Sigma;}\mathrm{\&psi;}\left(\right|I_2\left(x+w\right)-I_1\left(x\right){|}^2+\mathrm{\&gamma;}|\&dtri;I_2(x+w)-\&dtri;I_1(x\left){|}^2\right)+\mathrm{\&alpha;}\mathrm{\&psi;}\left(\right|\&dtri;u{|}^2+|\&dtri;v{|}^2)\\ +\mathrm{\&beta;}\mathrm{\&sigma;}\left(x\right)\mathrm{\&psi;}\left(\right|w-w_{desc}{|}^2)\end{array}---\left(9\right)$

公式9中w为光流模型中的光流，w＝(u,v)^T，w_desc为计算得到的特征匹配点之间的距离，α、β和γ为系数。当所述粗配准图像中的点在参考图像中有匹配点时σ(x)＝1，没有则为0。由于描述子匹配项只存在由σ(x)定义的少量网格点上，而前三项存在于整幅图，所以在由粗到精的能量最小化过程中，∑σ(x)ψ(|w-w_desc|²)只是在粗精度下起作用。

为计算光流数学模型的解，对所述的输入参考图像I₁(x)和所述粗配准图像I₂(x)分别进行40次降采样，降采样因子为0.95，设第一次降采样后的图像为和第二次降采样的图像为和依次类推得到四十次降采样的结果。所述参考图像记为所述粗配准图像为

将所述参考图像I₁ ⁰(x)和所述粗配准图像I₂ ⁰(x)中的结构对应点分别映射到第四十次降采样图像和中，坐标映射关系为x→0.95⁴⁰x，将和代入光流的数学模型中计算其最小值，从而得到和之间的光流w，对w进行上采样使其大小与一致，用上采样后w的值更新w，然后对I₂ ⁰(x)的第39次降采样图像进行双线性插值，将求得的作为光流模型中的重复上述步骤，得到金字塔第0层的光流w，最后对I₂ ⁰(x)双线性插值求得高精度下粗配准图像I₂ ⁰(x+w)，即为最后的配准结果。

为了比较本算法与Brox在弹性配准上的优劣性，经过本发明方法配准后的图像如图8所示，经过Brox算法配准的脑磁共振图像如图9所示。通过对比发现，该算法有效的保留了图像的拓扑结构，尤其是脑脊液所在的中间部分，Brox的算法出现了较大的扭曲，并且整个大脑灰质部分的结构也出现了较大的破坏，这跟Brox算法早期的结构匹配点匹配不是很精确有巨大关系。实验结果显示本发明匹配的精度较高，结构配准较为准确。

本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (6)

1.一种非刚性脑图像配准方法，其特征在于，包括如下步骤：

步骤一：根据参考图像对目标图像进行预处理，得到粗配准图像；

步骤二：分别计算所述参考图像与所述粗配准图像的候选特征点；

步骤三：对参考图像与粗配准图像分别进行降采样得到至少一个降采样图像；将所述参考图像或所述粗配准图像中的候选特征点映射到相应的降采样图像中；对所述参考图像及其降采样图像，或者所述粗配准图像及其降采样图像中的每个候选特征点分别计算Zernike矩，得到每个候选点的多尺度下的Zernike描述子作为所述特征描述子，根据所述特征描述子得到匹配的特征点；

步骤四：根据所述匹配的特征点计算所述粗配准图像的光流模型，得到配准结果。

2.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述步骤一中预处理包括如下步骤：

步骤a1：根据所述参考图像对所述目标图像进行归一化处理；

步骤a2：通过仿射变换对所述目标图像进行全局变形；

步骤a3：通过基于B样条的自由形式变形对所述目标图像进行局部形变，得到粗配准图像。

3.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述步骤二中对所述参考图像与所述粗配准图像分别进行Canny算子或者Harris角点算子计算得到候选特征点。

4.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述Zernike矩是二维的，该二维Zernike矩如下式表示：

其中，n>＝0,m为整数，|m|≤n,n-|m|为偶数；

式中，A_nm表示n阶m度Zernike矩，n表示阶数，m为整数，f(x,y)表示像素值，x表示像素点横坐标，y表示像素点纵坐标，V_nm表示一组极坐标系下单位圆内的复数多项式正交集，表示V_nm的复共轭；ρ表示原点到像素点(x,y)的最短距离，θ表示向量ρ和x负半轴的夹角，R_nm(ρ)表示正交径向多项式。

5.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述步骤三中得到匹配的特征点包括如下步骤：

步骤c1：计算所述粗配准图像的特征描述子与所述参考图像的特征描述子之间的欧式距离和描述子所表示特征点的坐标差；

步骤c2：根据所述坐标值差和欧氏距离进行判别，若坐标值差或欧氏距离大于阈值，则与两个特征描述子分别对应的候选特征点是不匹配的，若坐标值差且欧氏距离小于等于阈值，则两个候选特征点是匹配的。

6.如权利要求1所述的非刚性脑图像配准方法，其特征在于，建立并求解所述配准问题的光流模型，包括如下步骤：

步骤d1：基于灰度不变假设、梯度不变假设和平滑假设建立光流的数学模型；

步骤d2：对参考图像和粗配准图像分别进行降采样，得到粗精度的参考图像和粗配准图像，并将所述参考图像和所述粗配准图像的结构特征点融入所述粗精度的参考图像和粗配准图像中；

步骤d3：将所述粗精度的参考图像和所述粗精度的粗配准图像代入所述光流的数学模型中求得所述粗精度下粗配准图像的光流；

步骤d4:根据所述粗精度下粗配准图像的光流估计得到高精度下粗配准图像的光流，从而得到配准结果。