CN106097247A - 一种基于刚性变换的多模态图像融合方法 - Google Patents
一种基于刚性变换的多模态图像融合方法 Download PDFInfo
- Publication number
- CN106097247A CN106097247A CN201610413920.5A CN201610413920A CN106097247A CN 106097247 A CN106097247 A CN 106097247A CN 201610413920 A CN201610413920 A CN 201610413920A CN 106097247 A CN106097247 A CN 106097247A
- Authority
- CN
- China
- Prior art keywords
- object function
- image
- floating image
- formula
- transformation
- 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.)
- Pending
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 53
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000002922 simulated annealing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 11
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于刚性变换的多模态图像融合方法,包括以下的步骤:S1:通过变换矩阵构建参考图像R与浮动图像F之间的刚性变换模型;S2:构建参考图像R与浮动图像F之间的相似度目标函数f;S3:利用模拟退火算法对相似度目标函数f进行全局寻优,得到相似度目标函数f全局最优解对应的变换矩阵;S4:将步骤S3得到的全局最优解对应的变换矩阵中的平移量及旋转量作为局部寻优的搜索起点,利用鲍威尔算法对相似度目标函数f进行局部寻优,得到相似度目标函数f局部最优解对应的变换矩阵,将局部最优解对应的变换矩阵代入步骤S1的刚性变换模型中,得到准确配准后的浮动图像F;S5:将参考图像R与准确配准后的浮动图像F进行加权融合。
Description
技术领域
本发明涉及图像融合方法,特别是涉及一种基于刚性变换的多模态图像融合方法。
背景技术
在临床应用中,经常需要综合多种设备采集到的影像以做出诊断,不同设备采集到的影像可以提供不同的信息,因此利用图像配准、融合的方法将多种设备上对同一部位采集到的影像进行融合有很重要的临床价值。
现有技术中的图像融合方法往往存在如下的缺陷:
1)很多医生利用手动去配准两幅图像,利用PS等工具做融合,手动意味着人为的因素存在,得到结果不可靠;
2)融合的关键在于配准,现有的配准技术使用基于特征点的配准方法,这种针对照相机照片的配准方法不适合做医学配准,医学图像中的特征点不可靠;
3)现有的融合方法配准精度不高,在医学图像中需要达到亚像素级别的精度。
发明内容
发明目的:本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于刚性变换的多模态图像融合方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于刚性变换的多模态图像融合方法,包括以下的步骤:
S1:通过变换矩阵构建参考图像R与浮动图像F之间的刚性变换模型;
S2:构建参考图像R与浮动图像F之间的相似度目标函数f;
S3:利用模拟退火算法对相似度目标函数f进行全局寻优,得到相似度目标函数f全局最优解对应的变换矩阵;
S4:将步骤S3得到的全局最优解对应的变换矩阵中的平移量及旋转量作为局部寻优的搜索起点,利用鲍威尔算法对相似度目标函数f进行局部寻优,得到相似度目标函数f局部最优解对应的变换矩阵,将局部最优解对应的变换矩阵代入步骤S1的刚性变换模型中,得到准确配准后的浮动图像F;
S5:将参考图像R与准确配准后的浮动图像F进行加权融合。
进一步,所述步骤S1中的刚性变换模型如式(1)所示:
式(1)中,xr为浮动图像F中任意一点的横坐标,yr为浮动图像F中该点的纵坐标,xf为浮动图像F中该点变换到参考图像R中得到的相应点的横坐标,yf为浮动图像F中该点变换到参考图像R中得到的相应点的纵坐标,x为浮动图像F的水平平移量,y为浮动图像F的垂直平移量,θ为浮动图像F的逆时针旋转角度,为变换矩阵。
进一步,所述步骤S2中的相似度目标函数f如式(2)所示:
式(2)中,w=(x,y,θ),H(R)为参考图像R的熵,H(F)为浮动图像F的熵,H(R,F)为参考图像R和浮动图像F的联合熵。
进一步,所述步骤S3包括以下的步骤:
S3.1:将(x,y,θ)=(0,0,0)作为初始解w0,计算相应的相似度目标函数f(w0);
S3.2:利用扰动函数对w0进行扰动,得到新解w,并计算相应的相似度目标函数f(w);
S3.3:判断f(w)和f(w0)的大小:如果f(w)>f(w0),则将w赋给w0,然后继续进行步骤S3.4;如果f(w)<f(w0),则根据Metropolis准则决定是否接受w,如果接受,则将w赋给w0,然后继续进行步骤S3.4,如果不接受,则进行步骤S3.5;
S3.4:判断是否达到最大迭代次数:如果已达到最大迭代次数,则跳至步骤S3.5;如果未达到最大迭代次数,则返回步骤S3.2;
S3.5:判断此时的相似度目标函数f是否满足要求:如果满足要求,则结束;如果不满足要求,则重新设定最大迭代次数,然后返回步骤S3.2。
进一步,所述步骤S4包括以下的步骤:
S4.1:将所述步骤S3中得到的全局最优解对应的变换矩阵中的水平平移量作为局部寻优的搜索起点x0,设定初始搜索方向分别为d1(1,0,0)、d2(0,1,0)和d3(0,0,1);
S4.2:采用一维Brent方法顺次沿着d1、d2和d3搜索相似度目标函数f的极大值,取得极大值的点分别为x1、x2和x3;
S4.3:连接x0和x3得到新的方向d4,沿着d4搜索相似度目标函数f的极大值,取得极大值的点为x4,判断是否用d4替换d1、d2和d3中的一个方向:如果替换,则确定用d4替换d1、d2和d3中的哪个方向,并将x4作为新的搜索起点,然后进行步骤S4.4;如果不替换,则将x4作为新的搜索起点,然后进行步骤S4.4;
S4.4:判断此时的相似度目标函数f是否满足要求:如果满足要求,则结束;如果不满足要求,则返回步骤S4.2。
进一步,所述步骤S4.3中的判断采用如下的准则:
设定F0=f(x0)为起始点,F2=f(x3)为终点,F3=f(x4)为反射点,记fi=f(xi),Δi=fi-fi-1,将Δi取得最大值时的i赋给m,如果式(2)和式(3)均成立,则用d4替换dm,并将x4作为新的搜索起点,然后进行步骤S4.4;如果式(2)和式(3)中至少有一个不成立,则将x4作为新的搜索起点,然后进行步骤S4.4;
F3<F0 (2)
(F0-2F2+F3)(F0-F2-Δm)2<0.5Δm(F0-F3)2 (3)。
进一步,所述步骤S5中,将参考图像R与准确配准后的浮动图像F按照式(4)进行加权融合:
I=R*w1+F*w2 (4)
式(4)中,I为融合后的图像,w1和w2均为加权系数,且w1+w2=1。
有益效果:与现有技术相比,本发明具有如下的有益效果:
1)将全局寻优跟局部寻优相结合,这种二阶段的寻优方法可以避免陷入局部最优;
2)该方法使用互信息作为目标函数,可以实现亚像素级别的配准,配准精度更高;
3)用户可以根据观察的侧重点不同,调节融合的权值。
附图说明
图1为本发明的方法流程图;
图2为本发明的步骤S3的流程图;
图3为本发明的步骤S4的流程图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本发明公开了一种基于刚性变换的多模态图像融合方法,如图1所示,包括以下的步骤:
S1:通过变换矩阵构建参考图像R与浮动图像F之间的刚性变换模型;
S2:构建参考图像R与浮动图像F之间的相似度目标函数f;
S3:利用模拟退火算法对相似度目标函数f进行全局寻优,得到相似度目标函数f全局最优解对应的变换矩阵;
S4:将步骤S3得到的全局最优解对应的变换矩阵中的平移量及旋转量作为局部寻优的搜索起点,利用鲍威尔算法对相似度目标函数f进行局部寻优,得到相似度目标函数f局部最优解对应的变换矩阵,将局部最优解对应的变换矩阵代入步骤S1的刚性变换模型中,得到准确配准后的浮动图像F;
S5:将参考图像R与准确配准后的浮动图像F进行加权融合。
步骤S1中的刚性变换模型如式(1)所示:
式(1)中,xr为浮动图像F中任意一点的横坐标,yr为浮动图像F中该点的纵坐标,xf为浮动图像F中该点变换到参考图像R中得到的相应点的横坐标,yf为浮动图像F中该点变换到参考图像R中得到的相应点的纵坐标,x为浮动图像F的水平平移量,y为浮动图像F的垂直平移量,θ为浮动图像F的逆时针旋转角度,为变换矩阵,水平平移量和垂直平移量统称为平移量,逆时针旋转角度称为旋转量。
步骤S2中的相似度目标函数f如式(2)所示:
式(2)中,w=(x,y,θ),H(R)为参考图像R的熵,H(F)为浮动图像F的熵,H(R,F)为参考图像R和浮动图像F的联合熵。
如图2所示,步骤S3包括以下的步骤:
S3.1:将(x,y,θ)=(0,0,0)作为初始解w0,计算相应的相似度目标函数f(w0);
S3.2:利用扰动函数对w0进行扰动,得到新解w,并计算相应的相似度目标函数f(w);
S3.3:判断f(w)和f(w0)的大小:如果f(w)>f(w0),则将w赋给w0,然后继续进行步骤S3.4;如果f(w)<f(w0),则根据Metropolis准则决定是否接受w,如果接受,则将w赋给w0,然后继续进行步骤S3.4,如果不接受,则进行步骤S3.5;
S3.4:判断是否达到最大迭代次数:如果已达到最大迭代次数,则跳至步骤S3.5;如果未达到最大迭代次数,则返回步骤S3.2;
S3.5:判断此时的相似度目标函数f是否满足要求:如果满足要求,则结束;如果不满足要求,则重新设定最大迭代次数,然后返回步骤S3.2。
如图3所示,步骤S4包括以下的步骤:
S4.1:将所述步骤S3中得到的全局最优解对应的变换矩阵中的水平平移量作为局部寻优的搜索起点x0,设定初始搜索方向分别为d1(1,0,0)、d2(0,1,0)和d3(0,0,1);
S4.2:采用一维Brent方法顺次沿着d1、d2和d3搜索相似度目标函数f的极大值,取得极大值的点分别为x1、x2和x3;
S4.3:连接x0和x3得到新的方向d4,沿着d4搜索相似度目标函数f的极大值,取得极大值的点为x4,判断是否用d4替换d1、d2和d3中的一个方向:如果替换,则确定用d4替换d1、d2和d3中的哪个方向,并将x4作为新的搜索起点,然后进行步骤S4.4;如果不替换,则将x4作为新的搜索起点,然后进行步骤S4.4;
S4.4:判断此时的相似度目标函数f是否满足要求:如果满足要求,则结束;如果不满足要求,则返回步骤S4.2。
步骤S4.3中的判断采用如下的准则:
设定F0=f(x0)为起始点,F2=f(x3)为终点,F3=f(x4)为反射点,记fi=f(xi),Δi=fi-fi-1,将Δi取得最大值时的i赋给m,如果式(2)和式(3)均成立,则用d4替换dm,并将x4作为新的搜索起点,然后进行步骤S4.4;如果式(2)和式(3)中至少有一个不成立,则将x4作为新的搜索起点,然后进行步骤S4.4;
F3<F0 (2)
(F0-2F2+F3)(F0-F2-Δm)2<0.5Δm(F0-F3)2 (3)。
步骤S5中,将参考图像R与准确配准后的浮动图像F按照式(4)进行加权融合:
I=R*w1+F*w2 (4)
式(4)中,I为融合后的图像,w1和w2均为加权系数,且w1+w2=1。
Claims (7)
1.一种基于刚性变换的多模态图像融合方法,其特征在于:包括以下的步骤:
S1:通过变换矩阵构建参考图像R与浮动图像F之间的刚性变换模型;
S2:构建参考图像R与浮动图像F之间的相似度目标函数f;
S3:利用模拟退火算法对相似度目标函数f进行全局寻优,得到相似度目标函数f全局最优解对应的变换矩阵;
S4:将步骤S3得到的全局最优解对应的变换矩阵中的平移量及旋转量作为局部寻优的搜索起点,利用鲍威尔算法对相似度目标函数f进行局部寻优,得到相似度目标函数f局部最优解对应的变换矩阵,将局部最优解对应的变换矩阵代入步骤S1的刚性变换模型中,得到准确配准后的浮动图像F;
S5:将参考图像R与准确配准后的浮动图像F进行加权融合。
2.根据权利要求1所述的基于刚性变换的多模态图像融合方法,其特征在于:所述步骤S1中的刚性变换模型如式(1)所示:
式(1)中,xr为浮动图像F中任意一点的横坐标,yr为浮动图像F中该点的纵坐标,xf为浮动图像F中该点变换到参考图像R中得到的相应点的横坐标,yf为浮动图像F中该点变换到参考图像R中得到的相应点的纵坐标,x为浮动图像F的水平平移量,y为浮动图像F的垂直平移量,θ为浮动图像F的逆时针旋转角度,为变换矩阵。
3.根据权利要求1所述的基于刚性变换的多模态图像融合方法,其特征在于:所述步骤S2中的相似度目标函数f如式(2)所示:
式(2)中,w=(x,y,θ),H(R)为参考图像R的熵,H(F)为浮动图像F的熵,H(R,F)为参考图像R和浮动图像F的联合熵。
4.根据权利要求1所述的基于刚性变换的多模态图像融合方法,其特征在于:所述步骤S3包括以下的步骤:
S3.1:将(x,y,θ)=(0,0,0)作为初始解w0,计算相应的相似度目标函数f(w0);
S3.2:利用扰动函数对w0进行扰动,得到新解w,并计算相应的相似度目标函数f(w);
S3.3:判断f(w)和f(w0)的大小:如果f(w)>f(w0),则将w赋给w0,然后继续进行步骤S3.4;如果f(w)<f(w0),则根据Metropolis准则决定是否接受w,如果接受,则将w赋给w0,然后继续进行步骤S3.4,如果不接受,则进行步骤S3.5;
S3.4:判断是否达到最大迭代次数:如果已达到最大迭代次数,则跳至步骤S3.5;如果未达到最大迭代次数,则返回步骤S3.2;
S3.5:判断此时的相似度目标函数f是否满足要求:如果满足要求,则结束;如果不满足要求,则重新设定最大迭代次数,然后返回步骤S3.2。
5.根据权利要求1所述的基于刚性变换的多模态图像融合方法,其特征在于:所述步骤S4包括以下的步骤:
S4.1:将所述步骤S3中得到的全局最优解对应的变换矩阵中的水平平移量作为局部寻优的搜索起点x0,设定初始搜索方向分别为d1(1,0,0)、d2(0,1,0)和d3(0,0,1);
S4.2:采用一维Brent方法顺次沿着d1、d2和d3搜索相似度目标函数f的极大值,取得极大值的点分别为x1、x2和x3;
S4.3:连接x0和x3得到新的方向d4,沿着d4搜索相似度目标函数f的极大值,取得极大值的点为x4,判断是否用d4替换d1、d2和d3中的一个方向:如果替换,则确定用d4替换d1、d2和d3中的哪个方向,并将x4作为新的搜索起点,然后进行步骤S4.4;如果不替换,则将x4作为新的搜索起点,然后进行步骤S4.4;
S4.4:判断此时的相似度目标函数f是否满足要求:如果满足要求,则结束;如果不满足要求,则返回步骤S4.2。
6.根据权利要求5所述的基于刚性变换的多模态图像融合方法,其特征在于:所述步骤S4.3中的判断采用如下的准则:
设定F0=f(x0)为起始点,F2=f(x3)为终点,F3=f(x4)为反射点,记fi=f(xi),Δi=fi-fi-1,将Δi取得最大值时的i赋给m,如果式(2)和式(3)均成立,则用d4替换dm,并将x4作为新的搜索起点,然后进行步骤S4.4;如果式(2)和式(3)中至少有一个不成立,则将x4作为新的搜索起点,然后进行步骤S4.4;
F3<F0 (2)
(F0-2F2+F3)(F0-F2-Δm)2<0.5Δm(F0-F3)2 (3)。
7.根据权利要求1所述的基于刚性变换的多模态图像融合方法,其特征在于:所述步骤S5中,将参考图像R与准确配准后的浮动图像F按照式(4)进行加权融合:
I=R*w1+F*w2 (4)
式(4)中,I为融合后的图像,w1和w2均为加权系数,且w1+w2=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610413920.5A CN106097247A (zh) | 2016-06-14 | 2016-06-14 | 一种基于刚性变换的多模态图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610413920.5A CN106097247A (zh) | 2016-06-14 | 2016-06-14 | 一种基于刚性变换的多模态图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097247A true CN106097247A (zh) | 2016-11-09 |
Family
ID=57845504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610413920.5A Pending CN106097247A (zh) | 2016-06-14 | 2016-06-14 | 一种基于刚性变换的多模态图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097247A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146993A (zh) * | 2018-09-11 | 2019-01-04 | 广东工业大学 | 一种医学图像融合方法及系统 |
CN111832213A (zh) * | 2019-11-12 | 2020-10-27 | 中国电子科技集团公司第二十九研究所 | 一种基于混合寻优算法的滤波器耦合矩阵解耦变换方法 |
CN114187337A (zh) * | 2021-12-07 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像配准方法、分割方法、装置、电子设备以及存储介质 |
-
2016
- 2016-06-14 CN CN201610413920.5A patent/CN106097247A/zh active Pending
Non-Patent Citations (3)
Title |
---|
别术林: "基于互信息的医学图像配准算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
江军: "三维医学图像配准方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
邓卓夫: "医学图像配准中一种新的最优化算法的研究和应用", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146993A (zh) * | 2018-09-11 | 2019-01-04 | 广东工业大学 | 一种医学图像融合方法及系统 |
CN109146993B (zh) * | 2018-09-11 | 2021-08-13 | 广东工业大学 | 一种医学图像融合方法及系统 |
CN111832213A (zh) * | 2019-11-12 | 2020-10-27 | 中国电子科技集团公司第二十九研究所 | 一种基于混合寻优算法的滤波器耦合矩阵解耦变换方法 |
CN111832213B (zh) * | 2019-11-12 | 2022-07-15 | 中国电子科技集团公司第二十九研究所 | 一种基于混合寻优算法的滤波器耦合矩阵解耦变换方法 |
CN114187337A (zh) * | 2021-12-07 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像配准方法、分割方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
CN100550054C (zh) | 一种图像立体匹配方法及其装置 | |
CN103868510B (zh) | 一种快速全天星图自主恒星识别方法 | |
CN106096621B (zh) | 基于矢量约束的着降位置检测用随机特征点选取方法 | |
CN103295239B (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
CN108960211A (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN106780543A (zh) | 一种基于卷积神经网络的双框架估计深度和运动方法 | |
CN106327532A (zh) | 一种单幅图像的三维配准方法 | |
CN106097247A (zh) | 一种基于刚性变换的多模态图像融合方法 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及系统 | |
CN105787876B (zh) | 一种基于surf特征跟踪匹配的全景视频自动拼接方法 | |
CN102426019A (zh) | 一种无人机景象匹配辅助导航方法及系统 | |
CN103198492A (zh) | 一种人体运动捕获方法 | |
CN101763643A (zh) | 一种结构光三维扫描仪系统自动标定方法 | |
CN105046701B (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
CN109308715A (zh) | 一种基于点特征和线特征结合的光学图像配准方法 | |
CN104090664B (zh) | 一种交互式投影方法、装置及系统 | |
CN104036480A (zh) | 基于surf算法的快速消除误匹配点方法 | |
CN106845338A (zh) | 视频流中行人检测方法与系统 | |
CN107833250A (zh) | 语义空间地图构建方法及装置 | |
CN107133986A (zh) | 一种基于二维标定物的相机标定方法 | |
CN112595322A (zh) | 一种融合orb闭环检测的激光slam方法 | |
CN109117851A (zh) | 一种基于网格统计约束的视频图像匹配方法 | |
CN107135397A (zh) | 一种全景视频编码方法和装置 | |
CN103714550B (zh) | 一种基于匹配曲线特征评估的图像配准自动优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |