CN104200460A - 基于图像特征和互信息的图像配准方法 - Google Patents

Abstract

本发明公开一种基于图像特征和互信息的图像配准方法，主要用于提高现有基于互信息配准方法的精确度。其实现步骤为：(1)输入两幅图像，一幅为参考图像r，另一幅为浮动图像f；(2)利用SIFT方法分别提取两幅图像的特征点集合P1和P2，并计算P1和P2之间的互信息NMI₁；(3)分别提取两幅图像的轮廓特征，并计算两个轮廓特征之间的互信息NMI₂；(4)以NMI₁和NMI₂的加权和为目标函数，用Powell算法进行优化，当互信息NMI₁和NMI₂的加权和最大时，获得配准参数；(5)显示配准后的图像。本发明具有配准结果准确率高、鲁棒性好的优点，可用于图像融合、变化检测等技术领域中。

Description

基于图像特征和互信息的图像配准方法

技术领域

本发明属于图像处理技术领域，涉及图像配准，可用于图像变化检测、图像融合、自动目标跟踪等技术领域中。

背景技术

图像配准是对同一场景的两幅或多幅图像进行最佳匹配的过程，而这些图像一般是在不同的时间、不同传感器或者不同视角获取的。图像配准的方法很多，但是每种方法只是针对特定的应用而提出，而其最终目的都是为了寻找一种最优变换，该变换能够使相同场景的不同图像在某种意义下达到最好的空间位置的吻合，从而为后续的进一步处理做好准备。

利用图像灰度的相关性方法实现配准是图像配准的一类重要方法，这种方法的主要特点就是根据图像全局或局部灰度信息，通过计算参考图像与待配准图像间的互相关程度寻找匹配点实现图像配准。这类方法中使用最广泛的相似性测度函数就是互信息MI。因为它不仅不需要图像分割，特征检测以及其他的图像预处理，而且能够达到亚像素级的精确度，并有较强的适应性和高度的自动化。但是MI是通过两幅图像的联合直方图来计算的，如果两幅图像的重合区域较少，则会影响配准结果。而且互信息只用到了对应点的信息，并没有考虑到图像像素的空间位置关系，而在实际的配准问题中，图像的特征信息和空间信息(比如轮廓和边缘)通常有着重要的作用。所以单独利用互信息会容易导致误配准。目前，已经有一些学者提出了许多改进的方法，他们把互信息和图像特征结合起来。Xuan Lv提出了一种基于角点和MI的方法。参见Xuan Lv,Huichuan Duan,A multimodality medical image registrationmethod based on Harris corner points and the maximization of mutualinformation,Computer Engineering and Design,Vol 29,No.4,pp.998-1000,Feb.2008.但是角点等点特征只能反映图像的部分信息，点特征匹配的配准方法对于远离轮廓区域的作用是十分微小的。

因此，研究一种新的基于互信息的配准方法是非常有必要的。

发明内容

本发明的目的在于克服上述已有方法的不足，提出一种基于图像特征和互信息的图像配准方法，以实现更准确、鲁棒性更好的配准结果。

本发明的具体实现过程如下：

(1)输入两幅图像，一幅为参考图像r，另一幅为浮动图像f；

(2)利用SIFT方法分别提取两幅图像的特征点集合P1和P2，并按照以下公式计算P1和P2之间的互信息，记为NMI₁；

$\mathrm{MMI}=\underset{i=1}{\overset{n1}{\mathrm{\Σ}}}\underset{j=1}{\overset{n2}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\log \frac{p_{\mathrm{ij}}}{\underset{k=1}{\overset{n1}{\mathrm{\Σ}}}{p}_{\mathrm{jk}}\underset{l=1}{\overset{n2}{\mathrm{\Σ}}}{p}_{\mathrm{il}}}$

其中，n1和n2分别表示特征点集P1和P2中特征点的数目，p_ij是两个特征点集的联合概率分布。

(3)分别提取两幅图像的轮廓特征，并按照步骤(2)中的公式计算两个轮廓特征之间的互信息，记为NMI₂。

(4)以NMI₁和NMI₂的加权和为目标函数，用Powell算法进行优化，当互信息NMI₁和NMI₂的加权和最大时，获得配准参数。

(5)显示配准后的图像。

本发明的技术方案是把点特征和轮廓特征同时引入了互信息优化算法中，首先用SIFT提取点特征，再用Sobel算子和数学形态学的方法提取图像的轮廓信息并得到离散的点，然后找到两个点集互信息加权和的最大值，返回配准参数。本发明与现有的技术相比具有以下优点：

本发明充分利用了特征信息和灰度信息，比传统的基于互信息的配准方法更准确，并且方法简单，具有鲁棒性。

附图说明

图1是本发明实现步骤的流程框图；

图2是512×512的参考图像；

图3是512×512的待配准图像；

图4是用本发明方法对图3进行图像配准后得到的仿真实验结果图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1、输入两幅图像，一幅为参考图像r，另一幅为浮动图像f。

参考图像r是指在配准过程中保持不变的图像，浮动图像f表示在配准过程中要进行变换的图像。

步骤2、利用SIFT方法分别提取两幅图像的特征点集合P1和P2，并按照以下公式计算P1和P2之间的互信息，记为NMI₁。

$\mathrm{MMI}=\underset{i=1}{\overset{n1}{\mathrm{\Σ}}}\underset{j=1}{\overset{n2}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\log \frac{p_{\mathrm{ij}}}{\underset{k=1}{\overset{n1}{\mathrm{\Σ}}}{p}_{\mathrm{jk}}\underset{l=1}{\overset{n2}{\mathrm{\Σ}}}{p}_{\mathrm{il}}}$

其中，n1和n2分别表示特征点集P1和P2中特征点的数目，p_ij是P1和P2两个特征点集的联合概率分布。

步骤3、分别提取两幅图像的轮廓特征，并按照步骤2中的公式计算两个轮廓特征之间的互信息，记为NMI₂。其中，提取轮廓特征，按如下步骤进行：

3a)利用Sobel算子检测边缘信息，得到边缘信息；

3b)在上述得到的边缘信息的基础上，利用数学形态学的方法填充边缘不光滑

的地方，减少噪声，优选地，利用数学形态学的腐蚀和膨胀变换，去除目标外

部的孤立噪声点，将与目标有关的背景点合并到目标中，这样可以填充边缘不

光滑的地方，并减小噪声；

3c)将边缘的宽度降低为一个像素点，提取轮廓特征。

步骤4、以NMI₁和NMI₂的加权和为目标函数，用Powell算法进行优化，当互信息NMI₁和NMI₂的加权和最大时，获得配准参数。

优选地，上面所述的加权和(记为E)的表达式为：E＝αNMI₁+βNMI₂。其中，α,β∈[0,1]。优选地，α和β的取值均为0.5。

步骤5、显示配准后的图像，按如下步骤进行：

(5a)读取浮动图像f及配准参数；

(5b)根据配准参数，对浮动图像进行空间变换及插值，获得配准后的图像；

(5c)显示配准后的图像。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件及仿真内容：

本实例在Intel(R)Core(TM)2 Duo CPU 2.33GHz Windows 7系统下，Matlab7.0运行平台上，完成本发明的仿真实验。

2.仿真实验内容

将本发明应用在如图2和图3所示256×256的图像上，图2为参考图像，图3为浮动图像。

3.仿真实验结果

从图4可以看出，本发明得到的仿真实验结果有较好的主观视觉效果，匹配准确度比较高。

Claims (6)

1.一种基于图像特征和互信息的图像配准方法，包括如下步骤：

(1)输入两幅图像，一幅为参考图像r，另一幅为浮动图像f；

(2)利用SIFT方法分别提取两幅图像的特征点集合P1和P2，并按照以下公式计算P1和P2之间的互信息NMI₁；

$\mathrm{MMI}=\underset{i=1}{\overset{n1}{\mathrm{\Σ}}}\underset{j=1}{\overset{n2}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\log \frac{p_{\mathrm{ij}}}{\underset{k=1}{\overset{n1}{\mathrm{\Σ}}}{p}_{\mathrm{jk}}\underset{l=1}{\overset{n2}{\mathrm{\Σ}}}{p}_{\mathrm{il}}}$

其中，n1和n2分别表示特征点集P1和P2中特征点的数目，p_ij是两个点特征集的联合概率分布；

(3)分别提取两幅图像的轮廓特征，并按照步骤(2)中的公式计算两个轮廓特征之间的互信息NMI₂；

(4)以NMI₁和NMI₂的加权和为目标函数，用Powell算法进行优化，当互信息NMI₁和NMI₂的加权和最大时，获得配准参数；

(5)显示配准后的图像。

2.根据权利要求1所述的方法，其中，步骤(5)所述显示配准后的图像包括：

(5a)读取浮动图像f及配准参数；

(5b)根据配准参数，对浮动图像f进行空间变换及插值，获得配准后的图像；

(5c)显示配准图像。

3.根据权利要求1所述的方法，其中，步骤(2)中的提取轮廓特征包括：

2a)利用Sobel算子检测边缘信息，得到边缘信息；

2b)在上述得到的边缘信息的基础上，利用数学形态学的方法填充边缘不光滑的地方，以减少噪声；

2c)将边缘的宽度降低为一个像素点，提取轮廓特征。

4.根据权利要求3所述的方法，其中，利用数学形态学的方法填充边缘不光滑的地方以减少噪声包括：

利用数学形态学的腐蚀和膨胀变换，去除目标外部的孤立噪声点，将与目标有关的背景点合并到目标中，以填充边缘不光滑的地方，并减小噪声。

5.根据权利要求1所述的方法，其中，所述加权和的目标函数E＝αNMI₁+βNMI₂，α,β∈[0,1]。

6.根据权利要求1所述的方法，其中，α和β的取值均为0.5。