CN109685840A - 图像集配准方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种图像集配准方法、装置、计算机设备和存储介质。该方法包括：获取待配准图像集；将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集；并将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像，所述待配准图像集中包括多个待配准图像，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似。采用本方法能够可以避免现有技术中对同时对图像集中的多个待配准图像进行聚类所导致的运算量过大、运算时间过长以及资源占用多的情况，该方法在不损失配准精度的情况下，极大的减少了运算量，进而极大的缩短了运算时间，提高了图像集的配准效率，同时节约了系统资源。

Description

图像集配准方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种图像集配准方法、装置、计算机设备和存储介质。

背景技术

随着图像处理技术的快速发展，图像集的配准技术被广泛地应用于各行各业。以医学影像分析为例，精确的医学图像集配准能够精确“察觉”医学图像解剖结构的微小变化，以便于寻找和发现图像上的生物标记，帮助人们精准的地识别图像信息间的差异。现有技术中，人们首先选取图像集中一幅图像作为模板，之后将其他图像分别配准到该模板。这样的方法尽管简单直接，但由于选取的模板不具有图像集的共性，因而不可避免的会给后期图像分析引入偏差。目前，更加精确的计算方法，加入了对图像集在流行空间的分布的考虑，通过不断迭代的方式计算图像集的平均图像。

然而，这样的图像集的配准方法，其计算量大，配准效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高图像集配准效率的图像集配准方法、装置、计算机设备和存储介质。

第一方面，本申请实施例提供一种图像集配准方法，所述方法包括：

获取待配准图像集，所述待配准图像集中包括多个待配准图像；

将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；

将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

在其中一个实施例中，所述将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，包括：

采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集。

在其中一个实施例中，所述采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集，包括：

采用所述机器学习算法，根据所述类内数量阈值对所述多个待配准图像进行第一层级化聚类，得到多个第一级聚类子图像集；

判断每个所述第一级聚类子图像集中图像的数量是否大于所述类内数量阈值；

若否，则确定所述第一级聚类子图像集为所述待配准子图像集；

若是，则采用所述机器学习算法，根据所述类内数量阈值对所述第一级聚类子图像集进行第二层级化聚类。

在其中一个实施例中，将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像，包括：

对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像。

在其中一个实施例中，所述对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像，包括：

步骤B1，对第N层级的各所述待配准子图像集进行类内配准，得到第N层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-1层级的代表图像；其中，N为所述层级化聚类所得到待配准子图像集的层数，且N为大于等于2的自然数；

步骤B2，将所述第N-1层级的代表图像进行类间配准，得到第N-1层级所述各代表图像的形变场及相应的第N-2层级的代表图像；

步骤B3，将所述第N-1层的各所述待配准子图像集进行类内配准，得到第N-1层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像；

步骤B4，重复执行步骤B2和B3，直到顶层所包含的代表图像属于同一类内。

在其中一个实施例中，所述获取待配准图像集之后，还包括：将所述多个待配准图像执行层级化多分辨率配准，得到每个所述待配准图像对应的层级化的多分辨率的形变场。

在其中一个实施例中，所述方法还包括：

将每个所述待配准图像及所述代表图像在各层级得到的形变场按照层级顺序自底层至上层进行组合，得到每个所述待配准图像至顶层的综合形变场；

根据所述每个待配准图像的综合形变场，得到每个所述待配准图像的形变后图像，对所述形变后图像进行平均，得到所述待配准图像集的平均图像。

第二方面，本申请实施例提供一种图像集配准装置，所述装置包括：

获取模块、第一处理模块和第二处理模块；

所述获取模块，用于获取待配准图像集；所述待配准图像集中包括多个待配准图像；

所述第一处理模块，用于将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集；所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；

所述第二处理模块，用于将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待配准图像集，所述待配准图像集中包括多个待配准图像；

将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；

将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待配准图像集，所述待配准图像集中包括多个待配准图像；

将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；

将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

上述图像集配准方法、装置、计算机设备和存储介质，通过获取待配准图像集，并将待配准图像集进行层级化聚类，得到多个层级的待配准子图像集；然后将多个层级的待配准子图像集进行层级化配准，从而得到待配准图像集的平均图像。其中，待配准图像集中包括多个待配准图像，并且待配准子图像集中的各待配准图像的解剖结构外观特征相似。采用该方法，计算机设备可以根据各待配准图像的解剖结构外观特征对将待配准图像集进行迭代聚类，从而实现层级化的聚类，并根据层级化聚类的结果进行层级化配准。该方法可以避免现有技术中对多个待配准图像迭代计算导致的运算量过大、运算时间过长以及资源占用多的情况，该方法在不损失配准精度的情况下，极大的减少了运算量，进而极大的缩短了运算时间，提高了图像集的配准效率，同时节约了系统资源。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2为一个实施例提供的图像集配准方法的流程示意图；

图3为另一个实施例提供的图像集配准方法的流程示意图；

图4为又一个实施例提供的图像集配准方法的流程示意图；

图5为一个实施例提供的图像集进行多分辨率下的层级化聚类和层级化配准的流程示意图；

图5a为另一个实施例提供的图像集进行多分辨率下的层级化聚类和层级化配准的流程图；

图6为又一个实施例提供的图像集配准方法的流程示意图；

图7为一个实施例提供的图像集配准装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的图像集配准方法，可以适用于图1所示的计算机设备，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中待配准图像集，有关上述待配准图像集的描述可以参照下述方法实施例的内容。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的，该计算机设备可以是服务器，可以是台式机，可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。当然，输入装置和显示屏也可以不属于计算机设备的一部分，可以是计算机设备的外接设备。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请实施例所采用的图像集配准方法、装置、计算机设备和存储介质，通过计算机设备对待配准图像集中的多个待配准图像进行层级化配准从而得到平均图像，提高了图像集的配准效率。

下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

需要说明的是，下述方法实施例的执行主体可以是图像集配准装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。

图2为一个实施例提供的图像集配准方法的流程示意图。本实施例涉及的是计算机设备将多个待配准图像进行层级化配准的具体过程。如图2所示，该方法包括：

步骤A1，获取待配准图像集，所述待配准图像集中包括多个待配准图像。

具体的，计算机设备获取待配准图像集，该待配准图像集中包括多个待配准图像。通常，该多个待配准图像可以为针对同一个组织的多个个体所采集的图像，例如医疗影像设备所获取的多个脑组织图像。可选地，计算机设备可以通过读取多个待配准图像所在的数据库，也可以接收其他设备发送的多个待配准图像，从而获得待配准图像集。

步骤A2，将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似。

具体的，计算机设备将上述待配准图像集中的多个待配准图像，按照一定的数量进行层级化聚类，从而得到多个层级的待配准图像子集。需要说明的是，每个待配准子图像集中的各个待配准图像的解剖结构外观特征相似，例如各个待配准图像的解剖结构外观的相似度大于预设的相似度阈值。其中，每个待配准子图像集中的待配准图像可以看做一类性状相似的图像，每一类图像的个数可以为有限的个数。例如，计算机设备可以将包括三百个待配准图像的待配准图像集中，每30个解剖结构外观特征相似度高的待配准图像作为一个待配准图像子集，从而得到包括10个待配准子集的待配准图像集。

步骤A3，将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

具体的，计算机设备可以将上述多个层级的待配准子图像即进行层级化配准，该层级化配准首先将最低层级的每一类中的多个待配准图像进行配准，然后从每一类的配准结果之中选出代表图像，再将各类的代表图像进行配准，由此实现层级化配准，从而得到最终的所有待配准图像集的平均图像。

本实施例中，计算机设备获取待配准图像集，并将待配准图像集进行层级化聚类，得到多个层级的待配准子图像集；然后将多个层级的待配准子图像集进行层级化配准，从而得到待配准图像集的平均图像。其中，待配准图像集中包括多个待配准图像，并且待配准子图像集中的各待配准图像的解剖结构外观特征相似。采用该方法，计算机设备可以根据各待配准图像的解剖结构外观特征对将待配准图像集进行迭代聚类，从而实现层级化的聚类，并根据层级化聚类的结果进行层级化配准。该方法可以避免现有技术中对多个待配准图像迭代计算导致的运算量过大、运算时间过长以及资源占用多的情况，该方法在不损失配准精度的情况下，极大的减少了运算量，进而极大的缩短了运算时间，提高了图像集的配准效率，同时节约了系统资源。

在一个实施例中，上述步骤A2的一种可能的实现方式可以包括：采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集。具体的，计算机设备可以根据预设的类内数量阈值，采用机器学习算法，例如AP clustering算法，将上述待配准图像集中的多个待配准图像执行层级聚类操作，从而得到多个层级的待配准子图像集，其中每个待配准子图像集中的图像数量不大于上述预设的类内数量阈值。

可选地，步骤“采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集”的一种可能的实现可以如图3所示，包括如下步骤：

步骤A21，采用所述机器学习算法，根据所述类内数量阈值对所述多个待配准图像进行第一层级化聚类，得到多个第一级聚类子图像集。

具体的，计算机设备采用机器学习算法，按照上述类内数量阈值对上述待配准图像集中的多个待配准图像进行第一层级化聚类，从而得到多个第一级聚类子图像集。其中，同一个第一级聚类子图像集中的图像的解剖结构外观特征的相似度高，不同的第一级聚类子图像集中的图像的解剖结构外观特征的相似度较低。需要说明的是，计算机设备得到第一级聚类子图像集的数量是不能预先确定的。

步骤A22，判断每个所述第一级聚类子图像集中图像的数量是否大于所述类内数量阈值。若否，则执行A23A，若是，则执行A23B。

具体的，计算机设备将上述每个第一级聚类子图像集中图像的数量与预设的类内数量阈值进行对比，判断每个第一级聚类子图像集中图像的数量是否大于类内数量阈值。若第一级聚类子图像集中图像的数量大于类内数量阈值，则执行下述步骤A23B；若第一级聚类子图像集中图像的数量小于或者等于类内数量阈值，则执行下述步骤A23A。

步骤A23A，确定所述第一级聚类子图像集为所述待配准子图像集。

具体的，计算机设备将图像数量小于或者等于类内数量阈值的第一级聚类子图像集确定为待配准子图像集。

步骤A23B，采用所述机器学习算法，根据所述类内数量阈值对所述第一级聚类子图像集进行第二层级化聚类。

具体的，计算机设备可以采用机器学习算法，例如AP clustering算法，将图像数量大于类内数量阈值的第一级聚类子图像集，继续执行第二层级化聚类，从而得到第二级聚类子图像集。计算机设备再次判断每个第二级聚类子图像集的数量是否大于上述类内数量阈值，若第二级聚类子图像集中的图像数量小于或者等于类内数量阈值，则将该第二级聚类子图像集作为待配准子图像集，然后还可以对图像数量大于类内数量阈值的第二级聚类子图像集继续执行第三层级化聚类，如此迭代执行，直至所得到的待配准子图像集中的图像数量均不大于类内数量阈值，从而得到多个层级的待配准子图像集，实现层级化聚类。可选地，该类内数量阈值是可以预先设定的。

通过上述步骤A21-步骤A23B的方法，计算机设备采用机器学习算法，根据类内数量阈值对多个待配准图像进行第一层级化聚类，得到多个第一级聚类子图像集，然后每个第一级聚类子图像集中图像的数量是否大于类内数量阈值，并且将图像数量小于或等于类内数量阈值第一级聚类子图像集作为待配准子图像集，以及对图像数量大于类内数量阈值第一级聚类子图像集，继续根据类内数量阈值执行第二层级化聚类，直至待配准子图像集中的图像数量均不大于类内数量阈值，采用该方法，计算机设备能够通过机器学习算法，迭代的实现将待配准图像集进行层级化聚类，得到多个层级化的待配准子图像集，进而使得图像集能够基于该层级化聚类的结果，实现层级化配准，进而减少了运算量以及缩短了运算时间，从而提高了图像集的配准效率，同时节约了系统资源。

采用本实现方式中的方法，计算机设备无需针对待配准图像的外观特征做任何标记，其采用机器学习算法，根据预设的类内数量阈值对待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集从而实现自动确定出解剖结构外观特征最相近的待配准图像作为一类图像，进一步使得图像集的配准更为简便，提高了配准效率的同时，降低了操作门槛。

可选地，在上述各个实施例的基础上，上述步骤A3具体可以包括：对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像。具体的，计算机设备首先将每个待配准子图像集中的多个待配准图像进行类内配准，得到每个待配准子图像集的类内配准结果，然后将类内配准结果与同一层级的其他待配准子图像集的类内配准结果进行类间配准，每个层级迭代执行，从而实现对每一层级中的各待配准子图像集进行类内配准和类间配准，最后得到待配准图像集的平均图像。

可选地，步骤“对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像”的一种可能的实现可以如图4所示，包括如下步骤：

步骤B1，对第N层级的各所述待配准子图像集进行类内配准，得到第N层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-1层级的代表图像；其中，N为所述层级化聚类所得到待配准子图像集的层数，且N为大于等于2的自然数。

具体的，上述待配准图像集进行层级化聚类所得到的多个层级的待配准子图像集的层数为N层，计算机设备首先对第N层中的每个待配准子图像集中的待配准图像进行类内配准，其可以得到该待配准子图像集中的各个待配准图像的形变场，之后，计算机设备可以根据该待配准子图像集中的各个待配准图像的形变场确定出该待配准子图像集的代表图像，可选地，该代表图像可以为这个待配准子图像集的平均图像，也可以为一个待配准图像经形变场作用之后的形变图像。计算机设备将这个代表图像作为第N-1层代表图像。需要说明的是，N可以为大于或者等于2的自然数。

步骤B2，将所述第N-1层级的代表图像进行类间配准，得到第N-1层级所述各代表图像的形变场及相应的第N-2层级的代表图像。

具体的，计算机设备可以对上述进行类内配准所得到的第N-1层代表图像进行类间配准，并得到每个第N-1层代表图像的形变场，然后再根据第N-1层代表图像的形变场确定出其代表图像，并将这个代表图像相应的确定为第N-2层级的代表图像。

可选地，为保证整个图像集的配准精度，图像配准的过程可以采用配准精度高的方法来实现。例如，可以运用分层无偏图收缩(Hierarchical unbiased graph shrinkage，简称HUGS)方法，通过构建图的方式，建立“类内”图来描述同一聚类内的图像分布。

步骤B3，将所述第N-1层的各所述待配准子图像集进行类内配准，得到第N-1层级各待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像。

具体的，计算机设备将第N-1层的各待配准子图像集进行类内配准，得到第N-1层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像。需要说明的是，计算机设备对每一层的待配准子图像集执行类内配准，得到该层级的待配准子图像集中各图像的形变场及待配准子图像集在上一个层级的代表图像。

步骤B4，重复执行步骤B2和B3，直到顶层所包含的代表图像属于同一类内。

具体的，计算机设备得到多个层级的代表图像，然后重复执行上述步骤B2和B3，从而实现每一个层级的类内配准和类间配准，直至顶层所包含的代表图像属于同一类内，则实现层级化配准。

可选地，计算机设备还可以为待配准子图像集的代表图像分配不同的权重，权重越大，则该代表图像在配准过程中向图像中心的移动速度越慢，这样获得的平均图像，不会因为某个子图像集中图像数量过多而偏向该子图像集，从而解决了类间图像数量分布不均可能导致的平均图像偏移的问题，从而不偏的平均图像。

上述步骤B1-B4所示的实施例中，计算机设备能够对第N层级的各待配准子图像集进行类内配准，得到第N层级各待配准子图像集中各图像的形变场及待配准子图像集在第N-1层级的代表图像，并且将第N-1层级的代表图像进行类间配准，得到第N-1层级各代表图像的形变场及其相应的第N-2层级的代表图像，同时将第N-1层的各待配准子图像集进行类内配准，得到第N-1层级各待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像，并且重复执行步骤B2和B3，直到顶层所包含的代表图像属于同一类内。其中，N为层级化聚类所得到待配准子图像集的层数，且N为大于等于2的自然数。采用该方法，计算机设备通过首先执行类内配准，然后通过类内配准的结果得到该类的代表图像，然后对代表图像进行类间配准，直至顶层所包含的代表图像属于同一类内，从而完成层级化配准，进而减少了运算量以及缩短了运算时间，从而提高了图像集的配准效率，同时节约了系统资源。

上述实现方式中，计算机设备能够对每一层级中的各待配准子图像集进行类内配准和类间配准，得到图像集的平均图像，从而使得图像集的配准能够层级化的进行，其大大减少了运算量，以及缩短了运算时间，因此极大的提高了图像集的配准效率。

在一个实施例中，步骤A1之后，上述方法还可以包括：将所述多个待配准图像执行层级化多分辨率配准，得到每个所述待配准图像对应的层级化的多分辨率的形变场。

具体的，将所述多个待配准图像执行层级化多分辨率配准，得到每个所述待配准图像对应的层级化的多分辨率的形变场，具体可以参见图5所示，包括如下步骤：

步骤C1,将多个待配准图像按照待配准图像按照第一分辨率进行下采样，得到低分辨率待配准图像集，第一分辨率低于多个待配准图像的原始分辨率。

具体的，计算机设备可以将上述多个待配准图像按照预设的第一分辨率进行下采样，从而得到多个待配准图像的低分辨率待配准图像，并将这多个低分辨率待配准图像作为低分辨率待配准图像集。例如，上述多个待配准图像的原始分辨率为512*512，将其按照第一分辨率为64*64逐一进行下采样之后，得到分辨率为64*64、128*128、256*256的多个低分辨率待配准图像集。

步骤C2，对低分辨率待配准图像集执行步骤A2和A3，得到低分辨率待配准图像集中各图像的低分辨率形变场。

具体的计算机设备对进行下采样所得到的低分辨率待配准图像集执行上述步骤A2和A3，完成层级化聚类和层级化配准，从而得到低分辨率待配准图像集中个图像的低分辨率形变场。

步骤C3，对低分辨率形变场进行上采样，得到上采样后的形变场。

具体的，计算机设备对所得到的多个低分辨率形变场进行上采样，得到上采样后的形变场。例如，上述步骤C2中所得到的低分辨率待配准图像集的分辨率为64*64，则其对应的多个低分辨率形变场的分辨率也为64*64，对该低分辨率形变场进行上采样，得到上采样后的形变场，该上采样后的形变场的当前分辨率可以为128*128。

步骤C4,用上采样后的形变场对当前分辨率的待配准图像进行图像形变，得到当前分辨率下的初始配准后的图像集。

具体的，计算机设备上述采样后的形变场的分辨率作为当前分辨率，将上述待配准图像按照当前分辨率进行下采样，得到当前分辨率的待配准图像，然后用上采样后的形变场对当前分辨率的待配准图像进行图像形变，从而得到当前分辨率下的初始配准后的图像集。例如将上述待配准图像按照分辨率为128*128进行下采样，用上采样后的分辨率为128*128形变场进行图像形变，得到分辨率为128*128的初始配准后的图像集。

步骤C5,对当前分辨率下的初始配准后的图像集，执行步骤A2和A3，得到当前分辨率初始配准后的图像集中各图像的形变场。

具体的，计算机设备对当前分辨率下的当前分辨率下的初始配准后的图像集，执行上述步骤A2和A3，完成层级化聚类和层级化配准，并得到该当前分辨率初始配准后的图像集中各图像的形变场。例如对分辨率为128*128的初始配准后的图像集执行层级化聚类和层级化配准，得到分辨率为128*128的初始配准后的图像集中各图像的形变场。

步骤C6，对当前分辨率的各图像的形变场进行上采样，得到上采样后的形变场。

具体的，计算机设备对当前分辨率的各图像的形变场再次进行上采样，得到上采样后的形变场。例如，上述分辨率为128*128的各图像的形变场进行上采样，得到分辨率为256*256的形变场。

步骤C7，按照图像分辨率中从低到高的顺序，重复执行步骤C4至C6，直至得到形变场的分辨率等于待配准图像原始分辨率，从而得到层级化的多分辨率的形变场。

具体的，计算机设备按照图像分辨率从低到高的顺序，重复执行上述步骤C4至C6,指导所得到的形变场的分辨率等于待配准图像的原始分辨率。例如计算机设备按照分辨率从64*64，到128*128，到256*256，直至512*512，重复执行上述步骤C4至C6，直至所得到的形变场的分辨率为512*512，等于待配准图像的原始分辨率。本实施例的具体过程可以参见图5a所示。

本实施例中，计算机设备将多个待配准图像执行层级化多分辨率配准，得到每个待配准图像对应的层级化的多分辨率的形变场，其通过下采样得到低层级的形变场，以及逐层上采样得到各层的形变场，其进一步大大地减少了配准过程中的运算量，因此极大的减少了图像集的配准时间，进而极大地提高了图像集的整体配准效率。

图6为又一个实施例提供的图像集的配准方法的流程示意图。本实施例所涉及的是计算机设备根据多个层级的形变场确定平均图像的具体过程。可选地，在上述图4或图5所示的实施例的基础上，还可以包括：

D1，将每个所述待配准图像及所述代表图像在各层级得到的形变场按照层级顺序自底层至上层进行组合，得到每个所述待配准图像至顶层的综合形变场。

具体的，计算机设备还可以将上述每个待配准图像以及每个代表图像在各个层级所得到的形变场，按照层级顺序从底层到上层进行叠加组合，从而得到每个待配准图像到顶层代表图像的综合形变场。

D2，根据所述每个待配准图像的综合形变场，得到每个所述待配准图像的形变后图像，对所有形变后图像进行平均，得到所述待配准图像集的平均图像。

具体的，计算机设备可以根据每个待配准图像的和其对应的综合形变场，将该待配准图像做形变，得到每个待配准图像的形变后图像，然后求取所有形变后图像的平均图像，并将所有形变后图像的平均图像作为上述待配准图像集的平均图像。

本实施例中，计算机设备将每个待配准图像及其代表图像在各层级得到的形变场按照层级顺序自底层至上层进行组合，得到每个待配准图像至顶层的综合形变场，并根据每个待配准图像的综合形变场，得到每个待配准图像的形变后图像，对所有形变后图像进行平均，得到待配准图像集的平均图像，其相比根据多层形变场逐级进行运算以实现图像集的配准的方式，采用求取综合形变场，并根据综合形变场确定形变后图像从而得到待配准图像集的平均图像，其运算量大大减小，因此进一步缩短了图像配准的时间，提高了图像配准的效率。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种图像集配准装置，所述装置包括：获取模块11、第一处理模块12和第二处理模块13；

具体的，获取模块11，用于获取待配准图像集；所述待配准图像集中包括多个待配准图像。

第一处理模块12，用于将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集；所述待配准子图像集中的各待配准图像的解剖结构外观特征相似。

第二处理模块13，用于将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

在一个实施例中，第一处理模块12，具体可以用于采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集。

在一个实施例中，第一处理模块12，具体可以用于采用所述机器学习算法，根据所述类内数量阈值对所述多个待配准图像进行第一层级化聚类，得到多个第一级聚类子图像集；判断每个所述第一级聚类子图像集中图像的数量是否大于所述类内数量阈值；若否，则确定所述第一级聚类子图像集为所述待配准子图像集；若是，则采用所述机器学习算法，根据所述类内数量阈值对所述第一级聚类子图像集进行第二层级化聚类。

在一个实施例中，第二处理模块13，具体可以用于对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像。

在一个实施例中，第二处理模块13，具体可以用于执行步骤B1，对第N层级的各所述待配准子图像集进行类内配准，得到第N层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-1层级的代表图像；其中，N为所述层级化聚类所得到待配准子图像集的层数，且N为大于等于2的自然数；步骤B2，将所述第N-1层级的代表图像进行类间配准，得到第N-1层级所述各代表图像的形变场及相应的第N-2层级的代表图像；步骤B3，将所述第N-1层的各所述待配准子图像集进行类内配准，得到第N-1层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像；步骤B4，重复执行步骤B2和B3，直到顶层所包含的代表图像属于同一类内。

在一个实施例中，所述装置还可以包括第三处理模块，所述第三处理模块具体用于将所述多个待配准图像执行层级化多分辨率配准，得到每个所述待配准图像对应的层级化的多分辨率的形变场。

在一个实施例中，所述装置还可以包括第四处理模块，所述第四处理模块具体用于将每个所述待配准图像及所述代表图像在各层级得到的形变场按照层级顺序自底层至上层进行组合，得到每个所述待配准图像至顶层的综合形变场；

根据所述每个待配准图像的综合形变场，得到每个所述待配准图像的形变后图像，对所述形变后图像进行平均，得到所述待配准图像集的平均图像。

上述实施例提供的图像集配准装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

关于图像集配准装置的具体限定可以参见上文中对于图像集配准方法的限定，在此不再赘述。上述图像集配准装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待配准图像集，所述待配准图像集中包括多个待配准图像；将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用所述机器学习算法，根据所述类内数量阈值对所述多个待配准图像进行第一层级化聚类，得到多个第一级聚类子图像集；判断每个所述第一级聚类子图像集中图像的数量是否大于所述类内数量阈值；若否，则确定所述第一级聚类子图像集为所述待配准子图像集；若是，则采用所述机器学习算法，根据所述类内数量阈值对所述第一级聚类子图像集进行第二层级化聚类。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：步骤B1，对第N层级的各所述待配准子图像集进行类内配准，得到第N层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-1层级的代表图像；其中，N为所述层级化聚类所得到待配准子图像集的层数，且N为大于等于2的自然数；步骤B2，将所述第N-1层级的代表图像进行类间配准，得到第N-1层级所述各代表图像的形变场及相应的第N-2层级的代表图像；步骤B3，将所述第N-1层的各所述待配准子图像集进行类内配准，得到第N-1层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像；步骤B4，重复执行步骤B2和B3，直到顶层所包含的代表图像属于同一类内。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述多个待配准图像执行层级化多分辨率配准，得到每个所述待配准图像对应的层级化的多分辨率的形变场。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将每个所述待配准图像及所述代表图像在各层级得到的形变场按照层级顺序自底层至上层进行组合，得到每个所述待配准图像至顶层的综合形变场；根据所述每个待配准图像的综合形变场，得到每个所述待配准图像的形变后图像，对所述形变后图像进行平均，得到所述待配准图像集的平均图像。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待配准图像集，所述待配准图像集中包括多个待配准图像；将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用所述机器学习算法，根据所述类内数量阈值对所述多个待配准图像进行第一层级化聚类，得到多个第一级聚类子图像集；判断每个所述第一级聚类子图像集中图像的数量是否大于所述类内数量阈值；若否，则确定所述第一级聚类子图像集为所述待配准子图像集；若是，则采用所述机器学习算法，根据所述类内数量阈值对所述第一级聚类子图像集进行第二层级化聚类。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：步骤B1，对第N层级的各所述待配准子图像集进行类内配准，得到第N层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-1层级的代表图像；其中，N为所述层级化聚类所得到待配准子图像集的层数，且N为大于等于2的自然数；步骤B2，将所述第N-1层级的代表图像进行类间配准，得到第N-1层级所述各代表图像的形变场及相应的第N-2层级的代表图像；步骤B3，将所述第N-1层的各所述待配准子图像集进行类内配准，得到第N-1层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像；步骤B4，重复执行步骤B2和B3，直到顶层所包含的代表图像属于同一类内。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述多个待配准图像执行层级化多分辨率配准，得到每个所述待配准图像对应的层级化的多分辨率的形变场。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将每个所述待配准图像及所述代表图像在各层级得到的形变场按照层级顺序自底层至上层进行组合，得到每个所述待配准图像至顶层的综合形变场；根据所述每个待配准图像的综合形变场，得到每个所述待配准图像的形变后图像，对所述形变后图像进行平均，得到所述待配准图像集的平均图像。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像集配准方法，其特征在于，所述方法包括：

获取待配准图像集，所述待配准图像集中包括多个待配准图像；

将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；

将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

2.根据权利要求1所述的方法，其特征在于，所述将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集，包括：

采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集。

3.根据权利要求2所述的方法，其特征在于，所述采用机器学习算法，根据预设的类内数量阈值对所述待配准图像集中的多个待配准图像执行层级聚类操作，得到多个层级的待配准子图像集，包括：

采用所述机器学习算法，根据所述类内数量阈值对所述多个待配准图像进行第一层级化聚类，得到多个第一级聚类子图像集；

判断每个所述第一级聚类子图像集中图像的数量是否大于所述类内数量阈值；

若否，则确定所述第一级聚类子图像集为所述待配准子图像集；

若是，则采用所述机器学习算法，根据所述类内数量阈值对所述第一级聚类子图像集进行第二层级化聚类。

4.根据权利要求1所述的方法，其特征在于，将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像，包括：

对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像。

5.根据权利要求4所述的方法，其特征在于，所述对每一层级中的各所述待配准子图像集进行类内配准和类间配准，得到所述图像集的平均图像，包括：

步骤B1，对第N层级的各所述待配准子图像集进行类内配准，得到第N层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-1层级的代表图像；其中，N为所述层级化聚类所得到待配准子图像集的层数，且N为大于等于2的自然数；

步骤B2，将所述第N-1层级的代表图像进行类间配准，得到第N-1层级所述各代表图像的形变场及相应的第N-2层级的代表图像；

步骤B3，将所述第N-1层的各所述待配准子图像集进行类内配准，得到第N-1层级各所述待配准子图像集中各图像的形变场及待配准子图像集在第N-2层级的代表图像；

步骤B4，重复执行步骤B2和B3，直到顶层所包含的代表图像属于同一类内。

6.根据权利要求1所述的方法，其特征在于，所述获取待配准图像集之后，还包括：

将所述多个待配准图像执行层级化多分辨率配准，得到每个所述待配准图像对应的层级化的多分辨率的形变场。

7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：

将每个所述待配准图像及所述代表图像在各层级得到的形变场按照层级顺序自底层至上层进行组合，得到每个所述待配准图像至顶层的综合形变场；

根据所述每个待配准图像的综合形变场，得到每个所述待配准图像的形变后图像，对所述形变后图像进行平均，得到所述待配准图像集的平均图像。

8.一种图像集配准装置，其特征在于，所述装置包括：获取模块、第一处理模块和第二处理模块；

所述获取模块，用于获取待配准图像集；所述待配准图像集中包括多个待配准图像；

所述第一处理模块，用于将所述待配准图像集进行层级化聚类，得到多个层级的待配准子图像集；所述待配准子图像集中的各待配准图像的解剖结构外观特征相似；

所述第二处理模块，用于将所述多个层级的待配准子图像集进行层级化配准，得到所述待配准图像集的平均图像。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。