CN110136177B - 一种图像配准方法、设备和存储介质 - Google Patents
一种图像配准方法、设备和存储介质 Download PDFInfo
- Publication number
- CN110136177B CN110136177B CN201810125259.7A CN201810125259A CN110136177B CN 110136177 B CN110136177 B CN 110136177B CN 201810125259 A CN201810125259 A CN 201810125259A CN 110136177 B CN110136177 B CN 110136177B
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- similarity
- step length
- registered
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013519 translation Methods 0.000 claims abstract description 92
- 230000001131 transforming effect Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 abstract description 28
- 230000008569 process Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理和计算机技术领域，涉及一种图像配准方法、设备和存储介质。该方法包括以下步骤：在待配准图像上设置感兴趣区域；进行初始配准；计算待配准图像与参考图像的初始相似度；确定最小旋转角度与最小平移步长；设置刚性配准迭代步长：对待配准图像进行变换得到配准图像组；计算配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度；判断其相似度是否达到优选规定并且是否达到设定的迭代次数。本发明提供的图像配准方法对角度和平移有较强的全局搜索能力，并能够大大降低初值敏感性。本发明在产生新的刚性变换配准图像过程中还可以采用自适应步长加随机步长，对每一代配准图像进行优选，提高图像配准效率。
Description
技术领域
本发明属于图像处理和计算机技术领域，涉及一种图像配准方法、设备和存储介质。
背景技术
图像处理是对图像信息进行加工处理，以满足人的视觉、心理和实际应用的要求。图像配准是图像处理的一个基本问题，用于将不同时间、不同图像采集装置或不同视角下获取同一场景或物体的两幅或者多幅图像进行匹配。图像配准的应用领域相当广泛，最常用的领域包括医学图像分析、遥感数据分析、模式识别、计算机视觉等。图像配准的实质是两幅图像在空间和色彩上的映射。因此配准图像需要通过寻求一种映射方法，使得待配准图像和配准图像得到最优匹配。
一般的图像配准过程大体上可以分为特征提取、建立映射模型和执行映射并寻求最优这些基本过程。图像的特征可以是图像上的标记点、所有关键的解剖点、具有特殊意义的点、感兴趣的关键点、分割区域的质心、轮廓、表面或图像的几何特征等，配准时根据具体情况选择合适的特征量并提取。映射模型就是将待配准的图像中的坐标点变换到参考图像坐标系中的变换模型，映射的类型主要包括线性和非线性变换，其中线性变换包括刚性变换、仿射变换和投影变换等。刚性变换又包括平移和旋转两种形式。待配准图像根据映射函数进行空间变换和色彩插值，变换后的两幅图像中相关点的几何关系已经一一对应，此时需要定义一个合适的相似性测量来衡量两幅图像的相似程度，并用优化算法使得该值达到最优。
目前常用的相似性测度有均方根距离、图像差熵、梯度差和归一化互相关等，优化算法有穷举法、黄金分割法、蚁群算法、模拟退火、遗传算法等。不同的相似性测度算法和优化算法组合都各有特点，但也各有局限，总结起来主要存在两方面的问题：一是解析类的算法容易陷入局部最优解，二是随机性算法常常速度很慢效率低。
发明内容
本发明的目的在于为克服现有技术的缺陷而提出了一种图像配准方法、设备和存储介质。
为实现上述目的，本发明采用以下技术方案：
本发明提供的图像配准方法采用类似遗传算法对待配准图像进行迭代更新，新的待配准图像群中由上一代待配准图像通过旋转、平移、旋转+平移三种刚性变换生成，对角度和平移有较强的全局搜索能力，并能够大大降低初值敏感性。本发明在产生新的刚性变换种群过程中还可以采用自适应步长加随机步长，对每一代配准图像进行优选，明显提高图像配准效率。
一种图像配准方法，适于在计算设备中执行，包括以下步骤：
(1)在待配准图像上设置感兴趣区域；
(2)进行初始配准；
(3)计算待配准图像与参考图像的初始相似度；
(4)确定最小旋转角度与最小平移步长；
(5)设置刚性配准迭代步长：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度与最小平移步长；
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到配准图像组；
(7)计算配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度；
(8)判断相似度最高的图像的相似度是否达到优选规定并且是否达到设定的迭代次数；
如果相似度最高的图像的相似度达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(5)～(7)或步骤(6)～(7)；
如果相似度没有达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果。
进一步优选地，所述的步骤(1)中，感兴趣区域通过手动选取或通过算法定义自动选择，如定义图像某一等值线以上区域等。
所述的通过算法定义自动选取感兴趣区域可以通过设置等值线来选取。比如考察的图像是由灰度来表示的，主要考察的是颜色较深的区域，则可以将灰度值大于某个阈值的像素标记为感兴趣点，所有的感兴趣点的集合组成感兴趣区域。进一步地，为了使感兴趣区域形成连通区域，则可以将个别噪声点剔除掉，将某一阈值的点连接成等值线闭合区域来形成感兴趣区域。进一步地，为了获得规则的感兴趣区域，可以以等值线的外接矩形、圆或者其他形状作为感兴趣区域。
所述的步骤(1)之前还包括在待配准图像上寻找标记点作为特征点的步骤。
所述的步骤(2)中，初始配准时，将特征点对齐。
所述的步骤(2)中，初始配准时，以感兴趣区域中心对齐。
所述的步骤(2)中，进行初始配准前还包括将待配准图像插值为与参考图像的分辨率一致的步骤。
所述的步骤(3)中，相似度的计算方式为：采用gamma通过率、颜色值偏差通过率、位置偏差通过率或均方根等。
所述的步骤(3)中，初始相似度为经过初始配准后待配准图像与参考图像的相似度。
所述的步骤(4)中，最小旋转角和最小平移步长的设定受图像大小、分辨率和分析精度的影响，最小旋转角是能够使得图像经过刚性旋转变换后和原图在当前大小和分辨率下能够体现出不同的旋转变换角度，其中，最小旋转角度与最小平移步长可以通过计算或自定义确定；优选地，最小平移步长为一个像素点的大小。假定待配准图像和参考图像经过插值处理后均为m×n的矩阵，则最小旋转角度的计算公式为：
考虑到配准过程中的效率，可以人为设定大于上述最小值的最小旋转角和平移步长。
所述的步骤(5)中，刚性配准迭代步长的设置方式为：配准旋转角度步长、配准平移步长分别设置为最小旋转角步长、最小平移步长乘以不小于1的系数。
所述的步骤(5)中，刚性配准迭代步长的设置方式为：配准旋转角度步长、配准平移步长设为在某固定步长基础上加一个随机步长。
所述的步骤(5)中，刚性配准迭代步长的设置方式为：根据上一次迭代计算得到的相似度数(初始相似度除外)设定配准旋转角度步长和配准平移步长，得到相似度越高则配准步长越小，使得在先的迭代能够更快地趋近于最优值，后面的迭代能够精细配准。
所述的步骤(6)中，配准图像组中的图像包含顺时针单独旋转图像一个，逆时针单独旋转图像一个，上下左右分别单独平移四个图像，顺时针旋转加一次平移得到的四个图像，逆时针旋转加一次平移得到的四个图像。
本发明还提供了一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，所述的一个或多个程序包括用于上述图像配准方法的指令。
本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令适于由存储器加载并执行上述图像配准方法。
本发明具有以下有益效果：
1、本发明中的方法配准的位置精度高，本发明中图像配准的精度是在像素级别的，以gamma通过率为例，其配准精度大大高于传统图像配准的精度；
2、本发明中的配准方法具有较好的全局搜索性，不易陷于局部最优解，尤其是在步长中加入随机成分后，几乎可以认为求得的解就是全局最优近似解；
3、本发明中采用优选加部分随机的方法，能够较快地收敛到最优解。
附图说明
图1为本发明一个优选的实施例中图像配准方法的流程图。
图2为本发明一个优选的实施例中手动选取感兴趣区域示意图。
图3为本发明一个优选的实施例中自动选取感兴趣区域示意图；其中：
(a)为感兴趣区域中等值线设置轮廓示意图；
(b)为通过等值线限定的感兴趣区域示意图。
图4为本发明一个优选的实施例中通过gamma通过率法计算相似度的方法示意图。
图5为本发明一个优选的实施例中配准前后的图像以及配准结果的示意图，其中：
(a)待配准图像；
(b)参考图像；
(c)完成配准的图像。
图6为本发明另一个优选的实施例中图像配准方法的流程图。
图7为本发明又一个优选的实施例中图像配准方法的流程图。
图8为本发明又一个优选的实施例中图像配准方法的流程图。
具体实施方式
以下结合附图和实施例进一步说明本发明。
实施例1
一种图像配准方法，适于在计算设备中执行，包括以下步骤(如图1所示)：
(1)在待配准图像上标记感兴趣区域101；本实施例中优选的，感兴趣区域通过手动选取或通过算法定义自动选择，如定义图像某一等值线以上区域等；
图2为本发明一个示例性实施例中通过手动选取感兴趣区域的示意图，图中矩形框内区域为手动选取的感兴趣区域。本领域的技术人员应当可以理解，手动选取感兴趣区域的形状不一定是矩形，也可以选取其他任意形状。
本实施例中优选地，还可以通过算法定义自动选取感兴趣的区域。通过算法定义自动选取感兴趣区域可以通过设置等值线来选取。比如考察的图像是由灰度来表示的，主要考察的是颜色较深的区域，则可以将灰度值大于某个阈值的像素标记为感兴趣点，所有的感兴趣点的集合组成感兴趣区域。进一步优选地，为了使感兴趣区域形成连通区域，则可以将个别噪声点剔除掉，将某一阈值的点连接成等值线闭合区域来形成感兴趣区域。进一步优选地，为了获得规则的感兴趣区域，可以以等值线的外接矩形、圆或者其他形状作为感兴趣区域。
图3为本实施例中优选地一个自动选取感兴趣区域的示意图，设置等值线为最大值的10％(如图3(a)所示)，由外向内搜索10％的点并平滑形成等值线，将其包络的区域作为感兴趣区域(如图3(b)所示)。
(2)进行初始配准102：将待配准图像的感兴趣区域中心与参考图像的感兴趣区域中心对齐；本实施例优选地，在初始配准前，还包括将待配准图像插值为与参考图像的分辨率一致的步骤，从而在计算相似度的时候能节省大量的计算量；
(3)计算待配准图像与参考图像的初始相似度S0 103；本实施例中优选地，相似度的计算方法可采用gamma通过率、颜色值偏差通过率、位置偏差通过率或差值均方根等中的任意一种；
其中，颜色值偏差通过率是指配准图像每个像素点的颜色值(或颜色值对应的其他物理量)与参考图像同位置的像素点的颜色值的偏差小于某个误差范围(比如±3％)，则认为该像素点满足配准精度，计算感兴趣区域内所有像素点的颜色值偏差，统计其中满足配准精度的点的百分比，称之为颜色值偏差通过率；
位置偏差通过率是指配准图像每个像素点在对应的参考图像上像素点周围指定的位置误差范围内(比如3mm)，是否存在和配准图像像素点颜色值相同的点，如果存在，认为该像素点满足配准精度，计算感兴趣区域内所有像素点位置偏差是否满足配准精度要求，统计其中满足配准精度的点的百分比，称之为位置偏差通过率；
关于gamma的概念，如图4所示，配准图像上位置为
的像素点处颜色值(或颜色所代表的其他物理量)为
参考图像上位置为
的像素点处颜色值(或颜色所代表的其他物理量)为
用ΔdM表示位置偏差接受度，ΔDM表示颜色值(或颜色所代表的其他物理量)误差接受度，计算
其中，
为位置偏差，
为颜色或其所代表的物理量的偏差。
对待考察点周围ΔdM范围参考图像上所有的点进行如上分析，取其中最小值作为配准图像上待考察像素点处的gamma值，如果gamma值小于等于1，则认为该像素点满足配准精度，计算感兴趣区域内所有像素点的gamma值，统计其中满足配准精度的点的百分比，称之为gamma通过率。
(4)确定最小旋转角度与最小平移步长104；
最小旋转角和最小平移步长的设定受图像大小、分辨率和分析精度的影响，最小旋转角是能够使得图像经过刚性旋转变换后和原图在当前大小和分辨率下能够体现出不同的旋转变换角度。其中最小旋转角度与最小平移步长可以通过计算(如式(1)所示)或自定义确定；本实施例中进一步优选地，最小平移步长为一个像素点；
(5)设置刚性配准迭代步长105：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度和最小平移步长；本实施例优选地，可以通过以下任一实施方式设置刚性配准迭代步长：
实施方式1：配准旋转角度步长、配准平移步长分别设置为最小旋转角步长、最小平移步长乘以不小于1的系数。
最小旋转角为θmin，最小平移步长为{Lx,Ly}(如果图片像素点的长宽一样，即Lx＝Ly)，可以将配准旋转角度步长设置为k＝k1*θmin(k1>＝1)，配准平移步长设置为{k2*Lx,k3*Ly}(k2,k3>＝1)
实施方式2：配准旋转角度步长、配准平移步长设为在某固定步长基础上加一个随机步长。
最小旋转角为θmin，最小平移步长为{Lx,Ly},可以将配准旋转变换步长设置为k1*θmin+δ(k1>＝1,δ>＝0随机)，配准平移步长设置为{k2*Lx+ε,k3*Ly+τ}(k2,k3>＝1,ε,τ>＝0随机)
实施方式3：根据上一次迭代计算得到的相似度数(初始相似度除外)设定配准旋转角度步长和配准平移步长，得到相似度越高则配准步长越小，使得在先的迭代能够更快地趋近于最优值，后面的迭代能够精细配准。
最小旋转角为θmin，最小平移步长为{Lx,Ly},第i次迭代的相似度为Si，可以将旋转变换步长设置为(k1+Si/Si-1)*θmin(k1>＝0),平移变换步长设置为{(k2+Si/Si-1)*Lx,(k3+Si/Si-1))*Ly}(k2,k3>＝0),还可以取类似的各种不同形式的依赖于相似度的迭代步长。
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到新的配准图像组106；本实施例优选地，配准图像组中的图像包含一个顺时针单独旋转图像，一个逆时针单独旋转图像，四个上下左右分别单独平移图像，顺时针旋转加一次平移得到的四个图像以及逆时针旋转加一次平移得到的四个图像；
(7)计算上步骤中配准图像组中每一个图像与参考图像的相似度(本步骤中相似度的计算方法与步骤(3)中相似度的计算方法相同)，确定相似度最高的图像及其相似度107；
(8)判断相似度最高的图像的相似度是否达到优选规定108并且是否达到设定的迭代次数109；
如果相似度最高的图像的相似度达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(6)～(7)110；
如果相似度没有达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果111。
图5为在一个优选的实施例中利用本发明提供的图像配准方法进行图像配准的配准前后的图像以及配准结果的示意图。其中，(a)待配准图像；(b)为参考图像；(c)为完成配准的图像。以(3mm，3％)的gamma通过率为相似度，则配准好之后的相似度达到了99.5％。
实施例2
本实施例中提供了一种图像配准方法，适于在计算设备中执行，包括以下步骤(如图6所示)：
(1)在待配准图像上标记感兴趣区域302；本实施例中优选的，感兴趣区域通过手动选取或通过算法定义自动选择，如定义图像某一等值线以上区域等；
(2)进行初始配准303；将待配准图像的特征点与参考图像的特征点对齐；本实施例优选地，在初始配准前，还可以包括将待配准图像插值为与参考图像的分辨率一致的步骤；
(3)计算待配准图像与参考图像的初始相似度S0 304；本实施例中优选地，相似度的计算方法可采用gamma通过率、颜色值偏差通过率、位置偏差通过率或均方根等。
(4)确定最小旋转角度与最小平移步长305；
最小旋转角和最小平移步长的设定受图像大小、分辨率和分析精度的影响，最小旋转角是能够使得图像经过刚性旋转变换后和原图在当前大小和分辨率下能够体现出不同的旋转变换角度。其中最小旋转角度与最小平移步长可以通过计算或自定义确定；本实施例中优选地，最小平移步长为一个像素点；
(5)设置刚性配准迭代步长306：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度和最小平移步长；本实施例优选地，可以通过以下方式设置刚性配准迭代步长：
实施方式1：配准旋转角度步长、配准平移步长分别设置为最小旋转角步长、最小平移步长乘以不小于1的系数。
实施方式2：配准旋转角度步长、配准平移步长设为在某固定步长基础上加一个随机步长。
实施方式3：根据上一次迭代计算得到的相似度数(初始相似度除外)设定配准旋转角度步长和配准平移步长，得到相似度越高则配准步长越小，使得在先的迭代能够更快地趋近于最优值，后面的迭代能够精细配准。
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到新的配准图像组307；本实施例优选地，配准图像组中的图像包含顺时针单独旋转图像，逆时针单独旋转图像，上下左右分别单独平移图像，顺时针旋转加一次平移得到的四个图像，逆时针旋转加一次平移得到的四个图像；
(7)计算上步骤中配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度308；
(8)判断相似度最高的图像的相似度是否达到优选规定并且是否达到设定的迭代次数309；
如果相似度最高的图像的相似度达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(5)～(7)310；
如果相似度没有达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果311。
实施例3
一种图像配准方法，适于在计算设备中执行，包括以下步骤(如图7所示)：
(1)’在待配准图像上寻找标记点作为特征点501’；
(1)在待配准图像上标记感兴趣区域502；本实施例中优选的，感兴趣区域通过手动选取或通过算法定义自动选择，如定义图像某一等值线以上区域等；
(2)进行初始配准503；将待配准图像的特征点与参考图像的特征点对齐；本实施例优选地，在初始配准前，还可以包括将待配准图像插值为与参考图像的分辨率一致的步骤；
(3)计算待配准图像与参考图像的初始相似度S0 504；本实施例中优选地，相似度的计算方法可采用gamma通过率、颜色值偏差通过率、位置偏差通过率或均方根等。
(4)确定最小旋转角度与最小平移步长505；
最小旋转角和最小平移步长的设定受图像大小、分辨率和分析精度的影响，最小旋转角是能够使得图像经过刚性旋转变换后和原图在当前大小和分辨率下能够体现出不同的旋转变换角度。其中最小旋转角度与最小平移步长可以通过计算或自定义确定；本实施例中优选地，最小平移步长为一个像素点；
(5)设置刚性配准迭代步长506：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度和最小平移步长；本实施例优选地，可以通过以下方式设置刚性配准迭代步长：
实施方式1：配准旋转角度步长、配准平移步长分别设置为最小旋转角步长、最小平移步长乘以不小于1的系数。
实施方式2：配准旋转角度步长、配准平移步长设为在某固定步长基础上加一个随机步长。
实施方式3：根据上一次迭代计算得到的相似度数(初始相似度除外)设定配准旋转角度步长和配准平移步长，得到相似度越高则配准步长越小，使得在先的迭代能够更快地趋近于最优值，后面的迭代能够精细配准。
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到新的配准图像组507；本实施例优选地，配准图像组中的图像包含顺时针单独旋转图像，逆时针单独旋转图像，上下左右分别单独平移图像，顺时针旋转加一次平移得到的四个图像，逆时针旋转加一次平移得到的四个图像；
(7)计算上步骤中配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度508；
(8)判断相似度最高的图像的相似度是否达到优选规定并且是否达到设定的迭代次数509；
如果相似度最高的图像的相似度达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(6)～(7)，510；
如果相似度没有达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果511。
实施例4
一种图像配准方法，适于在计算设备中执行，包括以下步骤(如图8所示)：
(1)’在待配准图像上寻找标记点作为特征点601’；
(1)在待配准图像上标记感兴趣区域602；本实施例中优选的，感兴趣区域通过手动选取或通过算法定义自动选择，如定义图像某一等值线以上区域等；
(2)进行初始配准603；将待配准图像的特征点与参考图像的特征点对齐；本实施例优选地，在初始配准前，还可以包括将待配准图像插值为与参考图像的分辨率一致的步骤；
(3)计算待配准图像与参考图像的初始相似度S0 604；本实施例中优选地，相似度的计算方法可采用gamma通过率、颜色值偏差通过率、位置偏差通过率或均方根等；
(4)确定最小旋转角度与最小平移步长605；
最小旋转角和最小平移步长的设定受图像大小、分辨率和分析精度的影响，最小旋转角是能够使得图像经过刚性旋转变换后和原图在当前大小和分辨率下能够体现出不同的旋转变换角度。其中最小旋转角度与最小平移步长可以通过计算或自定义确定；本实施例中优选地，最小平移步长为一个像素点；
(5)设置刚性配准迭代步长606：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度和最小平移步长；本实施例优选地，可以通过以下方式设置刚性配准迭代步长：
实施方式1：配准旋转角度步长、配准平移步长分别设置为最小旋转角步长、最小平移步长乘以不小于1的系数。
实施方式2：配准旋转角度步长、配准平移步长设为在某固定步长基础上加一个随机步长。
实施方式3：根据上一次迭代计算得到的相似度数(初始相似度除外)设定配准旋转角度步长和配准平移步长，得到相似度越高则配准步长越小，使得在先的迭代能够更快地趋近于最优值，后面的迭代能够精细配准。
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到新的配准图像组607；本实施例优选地，配准图像组中的图像包含顺时针单独旋转图像，逆时针单独旋转图像，上下左右分别单独平移图像，顺时针旋转加一次平移得到的四个图像，逆时针旋转加一次平移得到的四个图像；
(7)计算上步骤中配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度608；
(8)判断相似度最高的图像的相似度是否达到优选规定并且是否达到设定的迭代次数609；
如果相似度最高的图像的相似度达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(5)～(7)610；
如果相似度没有达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果611。
实施例5
本发明还提供了一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于上述图像配准方法的指令，该方法包括以下步骤：
(1)在待配准图像上设置感兴趣区域；
(2)进行初始配准；
(3)计算待配准图像与参考图像的初始相似度；
(4)确定最小旋转角度与最小平移步长；
(5)设置刚性配准迭代步长：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度和最小平移步长；
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到配准图像组；
(7)计算配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度；
(8)判断相似度最高的图像的相似度是否达到优选规定并且是否达到设定的迭代次数；
如果相似度最高的图像的相似度达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(5)～(7)或步骤(6)～(7)；
如果相似度没有达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果。
实施例6
本发明还提供一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令适于由存储器加载并执行图像配准方法，包括以下步骤：
(1)在待配准图像上设置感兴趣区域；
(2)进行初始配准；
(3)计算待配准图像与参考图像的初始相似度；
(4)确定最小旋转角度与最小平移步长；
(5)设置刚性配准迭代步长：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度和最小平移步长；
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到配准图像组；
(7)计算配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度；
(8)判断相似度最高的图像的相似度是否达到优选规定并且是否达到设定的迭代次数；
如果相似度最高的图像的相似度达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(5)～(7)或步骤(6)～(7)；
如果相似度没有达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果。
利用本发明上述实施例提供的图像配准方法，图像配准的精度是在像素级别的，以gamma通过率为例，其配准精度大大高于传统图像配准的精度；并且该配准方法具有较好的全局搜索性，不易陷于局部最优解，尤其是在步长中加入随机成分后，几乎可以认为求得的解就是全局最优近似解；另外，本发明采用优选加部分随机的方法，能够较快地收敛到最优解。
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种图像配准方法，适于在计算设备中执行，其特征在于：包括以下步骤：
(1)在待配准图像上设置感兴趣区域；
(2)进行初始配准；
(3)计算待配准图像与参考图像的初始相似度；
(4)确定最小旋转角度与最小平移步长；
(5)设置刚性配准迭代步长：其中刚性配准迭代步长包括配准旋转角度步长和/或配准平移步长；刚性配准迭代步长不小于最小旋转角度与最小平移步长；其中，刚性配准迭代步长的设置方式为：配准旋转角度步长、配准平移步长分别设置为最小旋转角度、最小平移步长乘以不小于1的系数；或，配准旋转角度步长、配准平移步长分别设为在某固定步长基础上加一个随机步长；或，根据上一次迭代计算得到的相似度，初始相似度除外，设定配准旋转角度步长和配准平移步长，得到的相似度越高则配准步长越小；
(6)根据步骤(5)设置的刚性配准迭代步长，对待配准图像进行变换，得到配准图像组；
(7)计算配准图像组中每一个图像与参考图像的相似度，确定相似度最高的图像及其相似度；
(8)判断相似度最高的图像的相似度是否达到优选规定并且是否达到设定的迭代次数；
如果相似度最高的图像的相似度未达到优选规定，并且没有达到设定的迭代次数则用其更新待配准图像，并继续重复步骤(5)～(7)或重复步骤(6)～(7)；
如果相似度达到优选规定或者达到设定的迭代次数，则停止计算，并将上一代的最优相似度作为最优配准结果。
2.根据权利要求1所述的图像配准方法，其特征在于：所述的步骤(1)中，感兴趣区域通过手动选取或通过算法定义自动选择。
3.根据权利要求1所述的图像配准方法，其特征在于：所述的步骤(1)之前还包括在待配准图像上寻找标记点作为特征点的步骤。
4.根据权利要求3所述的图像配准方法，其特征在于：所述的步骤(2)中，初始配准时，将特征点对齐；
或所述的步骤(2)中，初始配准时，将感兴趣区域中心对齐。
5.根据权利要求1所述的图像配准方法，其特征在于：所述的步骤(2)中，进行初始配准前还包括将待配准图像插值为与参考图像的分辨率一致的步骤。
6.根据权利要求1所述的图像配准方法，其特征在于：所述的步骤(3)中，相似度的计算方式为：采用gamma通过率、颜色值偏差通过率、位置偏差通过率或差值均方根；
或所述的步骤(3)中，初始相似度为初始配准后待配准图像与参考图像的相似度；
或所述的步骤(4)中，最小旋转角度与最小平移步长通过计算或自定义确定。
7.根据权利要求6所述的图像配准方法，其特征在于：最小平移步长为一个像素点。
8.根据权利要求1所述的图像配准方法，其特征在于：所述的步骤(6)中，配准图像组中的图像包含顺时针单独旋转图像，逆时针单独旋转图像，上下左右分别单独平移图像，顺时针旋转加一次平移得到的四个图像，逆时针旋转加一次平移得到的四个图像。
9.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行，所述的一个或多个程序包括用于执行上述权利要求1-8中任一所述的图像配准方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令适于由存储器加载并执行上述权利要求1-8中任一所述的图像配准方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810125259.7A CN110136177B (zh) | 2018-02-08 | 2018-02-08 | 一种图像配准方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810125259.7A CN110136177B (zh) | 2018-02-08 | 2018-02-08 | 一种图像配准方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110136177A CN110136177A (zh) | 2019-08-16 |
| CN110136177B true CN110136177B (zh) | 2022-02-18 |
Family
ID=67567580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810125259.7A Active CN110136177B (zh) | 2018-02-08 | 2018-02-08 | 一种图像配准方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136177B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473234B (zh) * | 2019-09-04 | 2021-10-22 | 中国科学院近代物理研究所 | 微分同胚Demons图像配准方法、系统及存储介质 |
| CN111429493B (zh) * | 2020-03-20 | 2023-05-05 | 青岛联合创智科技有限公司 | 一种多图像间特征点匹配方法 |
| CN111694016B (zh) * | 2020-06-02 | 2023-10-20 | 南京理工大学 | 一种非干涉合成孔径超分辨成像重构方法 |
| CN112070811B (zh) * | 2020-08-04 | 2023-07-28 | 广东工业大学 | 一种基于连续域蚁群算法改进的图像配准方法 |
| CN112215942B (zh) * | 2020-09-14 | 2024-01-12 | 中国科学院计算技术研究所 | 一种冷冻电镜局部断层三维图像重构方法及系统 |
| CN112489093A (zh) * | 2020-11-19 | 2021-03-12 | 哈尔滨工程大学 | 声呐图像配准方法、装置、终端设备以及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012028053A1 (zh) * | 2010-08-31 | 2012-03-08 | 微创医疗器械(上海)有限公司 | 一种图像配准方法 |
| CN105447882A (zh) * | 2015-12-16 | 2016-03-30 | 上海联影医疗科技有限公司 | 一种图像配准方法及系统 |
| CN105957097A (zh) * | 2016-07-08 | 2016-09-21 | 湖北科技学院 | 基于混合互信息和改进粒子群优化的图像配准方法 |
| CN106204415A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 一种新型的图像配准方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080095465A1 (en) * | 2006-10-18 | 2008-04-24 | General Electric Company | Image registration system and method |
-
2018
- 2018-02-08 CN CN201810125259.7A patent/CN110136177B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012028053A1 (zh) * | 2010-08-31 | 2012-03-08 | 微创医疗器械(上海)有限公司 | 一种图像配准方法 |
| CN106204415A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 一种新型的图像配准方法 |
| CN105447882A (zh) * | 2015-12-16 | 2016-03-30 | 上海联影医疗科技有限公司 | 一种图像配准方法及系统 |
| CN105957097A (zh) * | 2016-07-08 | 2016-09-21 | 湖北科技学院 | 基于混合互信息和改进粒子群优化的图像配准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于遗传算法和小波分解的刚性图像配准方法;许亚军 等;《江苏科技大学学报(自然科学版)》;20080430;第22卷(第2期);第75-78页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110136177A (zh) | 2019-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110136177B (zh) | 一种图像配准方法、设备和存储介质 | |
| CN111795704B (zh) | 一种视觉点云地图的构建方法、装置 | |
| CN110443836B (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
| CN106934821B (zh) | 一种基于icp算法和b样条的锥形束ct和ct图像配准方法 | |
| CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
| CN105139420B (zh) | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 | |
| CN109523585B (zh) | 一种基于方向相位一致性的多源遥感影像特征匹配方法 | |
| CN110796691B (zh) | 一种基于形状上下文和hog特征的异源图像配准方法 | |
| US11176425B2 (en) | Joint detection and description systems and methods | |
| CN111598089A (zh) | 一种基于深度学习的车牌矫正与识别方法 | |
| CN109766896B (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
| CN103345741B (zh) | 一种非刚性多模医学图像精确配准方法 | |
| CN108537832A (zh) | 基于局部不变灰度特征的图像配准方法、图像处理系统 | |
| CN112734818B (zh) | 基于残差网络和sift的多源高分辨率遥感图像自动配准方法 | |
| CN109767462A (zh) | 基于量子粒子群的VideoSAR帧间配准方法 | |
| CN115331153B (zh) | 一种用于辅助前庭康复训练的姿态监测方法 | |
| CN109448031B (zh) | 基于高斯场约束和流形正则化的图像配准方法及系统 | |
| CN116958595A (zh) | 一种基于图像块区域特征点的视觉slam回环检测改进方法 | |
| JP2023145404A (ja) | イメージ間の対応関係を識別するためにピラミッド及び固有性マッチングフライアを使用するシステム及び方法 | |
| CN115841435A (zh) | 基于排序域方向梯度直方图约束的遥感影像去条带方法 | |
| CN111899284B (zh) | 一种基于参数化esm网络的平面目标跟踪方法 | |
| CN113160271B (zh) | 一种融合相关滤波和粒子滤波的高精度红外目标跟踪方法 | |
| CN117252914A (zh) | 深度估计网络的训练方法、装置、电子设备及存储介质 | |
| CN112348847B (zh) | 一种目标尺度自适应跟踪方法 | |
| CN115588033A (zh) | 基于结构提取的合成孔径雷达与光学图像配准系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |