CN110473233A - 配准方法、计算机设备和存储介质 - Google Patents
配准方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110473233A CN110473233A CN201910681191.5A CN201910681191A CN110473233A CN 110473233 A CN110473233 A CN 110473233A CN 201910681191 A CN201910681191 A CN 201910681191A CN 110473233 A CN110473233 A CN 110473233A
- Authority
- CN
- China
- Prior art keywords
- image
- sampled
- transformation parameter
- original
- value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
Abstract
本申请涉及一种配准方法、计算机设备和存储介质,通过对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值,并根据该优化后的初始化值进一步优化得到空间变换参数的优化值,然后根据该空间变换参数优化值对原始浮动图像和原始参考图像进行配准,该方法中,由于采用图像优化算法,做进一步更精细的初始化优化,能够弥补一开始获取的空间变换参数原始值的不足,并对后续的空间参数优化提供更可靠的输入,整体上加快线性配准优化算法的收敛,对精确完成个体或个体间同模态、异模态或多模态医学影像的高速线性配准起到关键作用,极大地提高了医学影像在线性配准过程中算法的执行效率、准确性与鲁棒性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种配准方法、计算机设备和存储介质。
背景技术
在医疗领域中,配准是医学图像处理中常用的基本技术,大量使用在医疗影像领域的各个方面,例如,病灶检测,疾病诊断,手术规划,手术导航,疗效评估等。
线性配准是一种常用的配准算法,其表示对于一对影像数据,通过寻找一种空间变换把一幅图像(浮动图像)映射到另一幅图像(参考图像),使得两个影像数据中对应于同一解剖学结构的点一一对应起来,从而达到信息融合的目的,通过配准将各种影像数据结合起来,在同一图像上显示各自的信息,为临床医学诊断提供多数据多信息的图像,成为极具应用价值的技术。
但是,现有的医学影像在线性配准过程中存在效率较低的问题。
发明内容
基于此,有必要针对上述现有的医学影像在线性配准过程中存在效率较低的技术问题,提供一种配准方法、计算机设备和存储介质。
第一方面,本申请实施例提供一种配准方法,该方法包括:
对原始参考图像和原始浮动图像降采样N次,得到降采样N次后参考图像和降采样N次后浮动图像;
获取降采样N次后参考图像和降采样N次后浮动图像的降采样N次图像空间变换参数的原始值;
在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值;
通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值;
根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准。
在其中一个实施例中,上述在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值,包括:
根据降采样N次图像空间变换参数的原始值和降采样N次图像空间变换参数的指定步长和搜索范围,确定搜索范围内各指定步长对应的空间变换参数参考值;
根据预设的算法获取各空间变换参数参考值对应的降采样N次后参考图像与降采样N次后浮动图像之间的相似度量值;
将相似度量值中最小值或者最大值对应的空间变换参数参考值确定为空间变换参数的初始化值。
在其中一个实施例中,上述通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值,包括:
优化操作步骤:将降采样N次图像空间变换参数的初始化值作为降采样N-1次后参考图像和浮动图像的优化输入,对降采样N-1次图像空间变换参数进行优化,得到降采样N-1次图像空间变换参数的优化值;
对N进行减1操作,重复执行优化操作步骤,得到原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值。
在其中一个实施例中,若确定的是原始参考图像和原始浮动图像的空间变换参数的优化值;
则上述通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始参考图像和原始浮动图像的空间变换参数的优化值,包括:
对N进行减1操作,重复执行优化操作步骤,直到将降采样N-(N-1)次图像空间变换参数的优化值作为降采样N-N次后图像的优化输入,得到降采样N-N次图像空间变换参数的优化值,并将降采样N-N次图像空间变换参数的优化值确定为原始参考图像和原始浮动图像的空间变换参数的优化值。
在其中一个实施例中,该方法还包括:
根据预设的图像相似性优化规则确定降采样N次图像空间变换参数的指定步长和搜索范围;预设的图像相似性优化规则包括降采样N次图像空间变换参数与指定步长和搜索范围之间的映射关系。
在其中一个实施例中,上述图像空间变换参数包括平移量参数,则降采样N次图像空间变换参数的原始值为0,或者通过单位矩阵初始化、质心对齐初始化和关键点检测初始化中至少一种方法确定。
在其中一个实施例中,上述根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准,包括:
根据原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值,获取对应降采样层的空间变换矩阵;
根据空间变换矩阵,将原始浮动图像映射到原始参考图像进行配准。
在其中一个实施例中,上述空间变换参数包括平移量、旋转角度、缩放尺度、错切尺度中至少一个。
第二方面,本申请实施例提供一种配准模块,该装置包括:
降采样模块,用于对原始参考图像和原始浮动图像降采样N次,得到降采样N次后参考图像和降采样N次后浮动图像;
原始值模块,用于获取降采样N次后参考图像和降采样N次后浮动图像的降采样N次图像空间变换参数的原始值;
初始化模块,用于在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值;
优化模块,用于通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值;
配准模块,用于根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准。
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,该存储器存储有计算机程序,该处理器执行计算机程序时实现以上第一方面实施例的任一步骤。
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,该计算机程序被处理器执行时实现以上第一方面实施例的任一步骤。
本申请提供的一种配准方法、计算机设备和存储介质,通过对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值,并根据该优化后的初始化值进一步优化得到空间变换参数的优化值,然后根据该空间变换参数优化值对原始浮动图像和原始参考图像进行配准,该方法中,由于采用图像优化算法,做进一步更精细的初始化优化,能够弥补一开始获取的空间变换参数原始值的不足,并对后续的空间参数优化提供更可靠的输入,整体上加快线性配准优化算法的收敛,对精确完成个体或个体间同模态、异模态或多模态医学影像的高速线性配准起到关键作用,极大地提高了医学影像在线性配准过程中算法的执行效率、准确性与鲁棒性。
附图说明
图1为一个实施例提供的配准方法的应用环境图;
图2为一个实施例提供的配准方法的流程示意图;
图3为一个实施例提供的配准方法的流程示意图;
图4为一个实施例提供的配准方法的流程示意图;
图5为一个实施例提供的配准方法的流程示意图;
图6为一个实施例提供的配准方法的完整示意图;
图7为一个实施例提供的配准装置的结构框图;
图8为一个实施例提供的配准装置的结构框图;
图9为一个实施例提供的配准装置的结构框图;
图10为一个实施例提供的配准装置的结构框图。
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仅用以解释本申请,并不用于限定本申请。
本申请提供的一种配准方法,可以应用于如图1所示的应用环境中,该应用环境中,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配准方法的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种配准方法。
本申请实施例提供一种配准方法、计算机设备和存储介质,旨在解决现有的医学影像在线性配准过程中存在效率较低的技术问题。下面将通过实施例并结合附图具体地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。需要说明的是,本申请提供的一种配准方法,图2-图8的执行主体为计算机设备,其中,其执行主体还可以是配准装置,其中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配准过程的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
在一个实施例中,图2提供了一种配准方法,本实施例涉及的是计算机设备根据降采样后的图像确定降采样层空间变换参数的优化值,并根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准的具体过程。如图2所示,该方法包括:
S101,对原始参考图像和原始浮动图像降采样N次,得到降采样N次后参考图像和降采样N次后浮动图像。
本实施例中,原始参考图像和原始浮动图像表示没有进行降采样的图像,其中该原始参考图像和原始浮动图像可以是一种个体或个体间同模态、异模态、多模态的医学影像,该医学影像包括但不限于是二维影像或者三维影像。其中,本步骤中对原始参考图像和原始浮动图像降采样N次,其中,N取值为大于1的自然整数,例如1、2、3、4等,本实施例对此不做限定。其中每次降采样后的图像尺寸大小是前一层图像的一半,每次降采样后的图像像素大小/体素大小是前一层图像的一倍。示例地,计算机设备对原始参考图像和原始浮动图像降采样的方式可以是采用一些常见的降采样算法,例如高斯卷积,卷积核采用一维卷积核,还可以是其他降采样方式,只要对原始参考图像和原始浮动图像降采样N次后,可以得到降采样N次后参考图像和降采样N次后浮动图像即可。
S102,获取降采样N次后参考图像和降采样N次后浮动图像的降采样N次图像空间变换参数的原始值。
基于上述得到的降采样N次后参考图像和降采样N次后浮动图像,计算机设备获取降采样N次后参考图像和降采样N次后浮动图像的降采样N次图像空间变换参数的原始值,其中原始值表示当前降采样后参考图像和浮动图像未做任何处理的空间变换参数。示例地,在实际应用中,计算机设备获取该原始值的方式可以是先检测图像中的不变特征,进行特征提取,然后通过特征匹配进行当前层空间参数计算,将得到的值确定为该空间参数的原始值。当然该原始值获取方式只是举例说明,在实际应用时,还可以是其他方式,本实施例对此不做限定。
可选地,在一个实施例中,该空间变换参数包括平移量、旋转角度、缩放尺度、错切尺度中至少一个。以图像空间变换参数为平移量参数为例,在一个实施例中,图像空间变换参数包括平移量参数,则降采样N次图像空间变换参数的原始值为0,或者通过单位矩阵初始化、质心对齐初始化和关键点检测初始化中至少一种方法确定。其中,单位矩阵初始化是将线性配准中的空间变换矩阵初始化为单位矩阵,这种初始化是比较常用的初始化方法。其中,质心对齐初始化表示空间变换参数中平移量的初始化,例如,设待配准的一对影像数据为参考图像和浮动图像,且参考图像的质心为(xr,yr,zr),浮动图像的质心为(xm,ym,zm),那么质心对齐实际上为(tx,ty,tz)=(xm,ym,zm)-(xr,yr,zr)的操作。
S103,在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值。
本步骤中,计算机设备根据S102步骤获取的降采样N次图像空间变换参数的原始值,对该原始值进行优化,得到优化后的初始化值,其中优化时计算机设备采用图像相似性算法进行优化,该图像相似性优化算法表示对原始值进调整优化,使得目标函数不断接近参数化的目标值的算法,例如,本实施例提供的相似性度量的指导下的指定步长和搜索范围的近似穷举的图像匹配优化算法,当然还可以是其他算法,本实施例对此不做具体限定。
S104,通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值。
基于上述S103步骤得到优化后的初始化值,计算机是设备根据该优化后的初始化值确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值,其中,原始层至N-1层表示的是除降采样N层以外的所有层,相应地,原始层至N-1层中至少一层的参考图像和至少一层的浮动图像表示的就是除降采样N层以外任何一层的参考图像和浮动图像,即,本步骤中,计算机设备根据降采样N次图像所在层的优化初始值,确定除该层以外任何一层的空间变换参数的优化值均可。示例地,可以将S103步骤得到优化后的初始化值作为N-1层的输入,用梯度下降算法确定出N-1层的空间变换参数优化值。
S105,根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准。
基于前面步骤得到空间变换参数的优化值后,对原始参考图像和原始浮动图像进行配准,由于图像配准是通过一种空间变换参数把一幅图像(浮动图像)映射到另一幅图像(参考图像),则本步骤可以是将空间变换参数的优化值作为空间变换的参数,将浮动图像映射到参考图像。示例地,以上述降采样次数是三次为例,则本实施例过程可以是先在最底层也就是分辨率最低(像素/体素最大)的一层开始加入空间变换参数优化算法得到空间变换参数优化值,并以最低层的参数优化输出结果,也就是得到空间变换参数优化值作为从第2层采样后的优化算法的初始化输入,依次往上层传递,得到原始层的空间变换参数优化值,再根据该原始层空间变换参数优化值将浮动图像进行变换到参考图像的图像空间下,使得两幅图像共有的解剖学结构一一对应,即完成原始参考图像和原始浮动图像的配准。
本实施例提供的配准方法,通过对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值,并根据该优化后的初始化值进一步优化得到空间变换参数的优化值,然后根据该空间变换参数优化值对原始浮动图像和原始参考图像进行配准,该方法中,由于采用图像优化算法,做进一步更精细的初始化优化,能够弥补一开始获取的空间变换参数原始值的不足,并对后续的空间参数优化提供更可靠的输入,整体上加快线性配准优化算法的收敛,对精确完成个体或个体间同模态、异模态或多模态医学影像的高速线性配准起到关键作用,极大地提高了医学影像在线性配准过程中算法的执行效率、准确性与鲁棒性。
对于上述在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值的过程,本申请实施例还提供了一种配准方法,如图3所示,在一个实施例中,上述S103步骤包括:
S201,根据降采样N次图像空间变换参数的原始值和降采样N次图像空间变换参数的指定步长和搜索范围,确定搜索范围内各指定步长对应的空间变换参数参考值。
本实施例中,计算机设备根据降采样N次图像空间变换参数的原始值和降采样N次图像空间变换参数的指定步长和搜索范围,确定搜索范围内各指定步长对应的空间变换参数参考值,其中,指定步长表示的是各取值之间步长距离,搜索范围表示的是各取值的范围,例如步长为step,搜索范围为2L+1,其中step和L都为指定的常数,则在实际应用中,计算机设备可以根据下述公式在搜索范围内根据该步长遍历各对应的各空间变换参考值:
New Parameters=Current Paramerters+Step×i,(i=-L,-L+1,...-1,0,1,...,L-1,L)
其中空间变换参数的步长和搜索范围为计算机设备从预先存储的图像相似化优化规则中获取的,该图像相似性优化规则中包括各种空间变换参数与指定步长和搜索范围之间的映射关系。则可选地,在一个实施例中,该方法还包括:根据预设的图像相似性优化规则确定降采样N次图像空间变换参数的指定步长和搜索范围;预设的图像相似性优化规则包括降采样N次图像空间变换参数与指定步长和搜索范围之间的映射关系。
一般空间变换参数包括但不限于平移量,旋转角度,缩放尺度,错切尺度,但是在医学图像配准中,这些空间变换参数的初始化位置对参数优化算法的结果的敏感性各不相同,其中平移量的初始化位置对参数优化算法的影响最大,旋转角度次之,而旋转角度和缩放尺度可以在平移量和旋转角度的初始化参数优化后遵循参数优化算法进行微调。例如,平移量和旋转角度参数的单位和作用在空间矩阵的方式各不相同,因此对步长和搜索范围的选取各不相同。对于平移量的搜索范围的选取原则:为了在参考图像与浮动图像上实现粗糙的穷举遍历,在三维空间的三个坐标系上分别取参考图像与浮动图像在三个坐标轴上的图像尺度的和;对于平移量的步长的选取原则:因为在图像中一个体素对应一个像素值,考虑图像大小和体素的单位,因此三个坐标轴的步长的选取分别为参考图像与浮动图像在三个坐标轴上的图像体素中较小的值。对于旋转角度的图像匹配初始化方案除了步长与搜索范围的设置略有不同与平移量近似。
S202,根据预设的算法获取各空间变换参数参考值对应的降采样N次后参考图像与降采样N次后浮动图像之间的相似度量值。
基于上述S201步骤中确定的搜索范围内各指定步长对应的空间变换参数参考值,计算机设备根据获取各空间变换参数参考值对应的降采样N次后参考图像与降采样N次后浮动图像之间的相似度量值,即每个空间变换参数参考值可以得到一个降采样N次后参考图像和浮动图像之间的相似度量值。其中,计算机设备获取各空间变换参数参考值对应的相似度量值是根据预设的算法确定的,该预设算法例如是设定的空间变换参数参考值与相似度量值之间的函数关系,该函数关系可以是线性关系,本实施例对此不做限定。
S203,将相似度量值中最小值或者最大值对应的空间变换参数参考值确定为空间变换参数的初始化值。
本步骤中,将各相似度量值中最小值或者最大值对应的空间变换参数参考值确定为空间变换参数的初始化值,其中,根据上述预设的算法不同从各相似度量值中选取最大值或者最小值,例如,如果是互信息(Mutual Information,MI)则选取的是最大值对应的空间变换参数参考值确定为空间变换参数的初始化值;若是均方误差(Mean Squared Error,MSE)则选取的是最小值对应的空间变换参数参考值确定为空间变换参数的初始化值,本实施例对此不做限定,可根据实际情况而定。
示例地,根据上述S201-S203步骤,提供一个具体的实施例,以金字塔型配准框架的层数总共3层为例(即N=3),即对原始参考图像与原始浮动图像分别降采样3次,设第三层的参考图像的图像大小为(Rsizex3,Rsizey3,Rsizez3),体素大小为(Rspacingx3,Rspacingy3,Rspacingz3);浮动图像的图像大小为(Msizex3,Msizey3,Msizez3),图像的体素大小为(Mspacingx3,Mspacingy3,Mspacingz3),平移量的步长为(Steptx,Stepty,Steptz)和搜索范围为(Rangetx,Rangety,Rangetz),设当前平移量(CurrentTx0,CurrentTy0,CurrentTz0)的值为质心对齐后初始化的平移量(CurrentTx0=Init-Tx,CurrentTy0=Init-Ty,CurrentTz0=Init-Tz),那么空间变换参数参考值(New-Tix,New-Tiy,New-Tiz)可以通过下述公式得到:
其中,
设参考图像和浮动图像的相似性度量的值越小,参考图像与浮动图像越相似,设相似性度量的计算公式为Similarity=SimilarityFunction(Images1,Images2),以平移量为例,图像插值的函数为Imagesnew=TransformFunction(Imagesref,Imagesmov|tx,ty,tz),对于空间变换函数,是由空间变换参数转换成空间变换矩阵,将矩阵应用到参考图像的每个像素点位置上,结合插值算法得到参考图像上每个像素点位置所对应的浮动图像的位置及像素值。其中Imagesnew是Imagesmov经过空间变换和图像插值过后变换到Imagesref的图像空间的新的浮动图像。那么将新的平移量更新到当前平移量的机制可以如下,
(1)通过新的平移量(即上述空间变换参数参考值)计算得到相应相似性度量的计算方式:
其中,
2)以质心对齐后的平移量为空间变换的初始化参数做相似性度量初始化的计算:
其中iX=0,iy=0,iz=0
3)以遍历方式寻找相似性度量最小值时对应的平移量
如果那么,
其中,对于平移量的搜索范围的选取,为了节省计算量和时间消耗,可以仅对z轴实现浮动图像与参考图像z轴方向图像大小的求和,即Rangetz=((Rsizez3+Msizez3)/2×2)+1,而x轴和y轴的搜索范围的选取可以选取一个5以内的较小的数值,这是因为对于常见的医学图像来说x轴和y轴方向的图像大小与z轴方向的图像大小相比较小,而且在采用质心对齐的初始化算法后,参考图像与浮动图像通常在x轴和y轴方向的解剖学结构的近似对齐方面本身就相差不大,因此对于平移量的搜索范围的选取可以集中放在关于z轴方向在降采样之后的遍历上。对于旋转角度的图像匹配初始化方案除了步长与搜索范围的设置略有不同与平移量近似。
本实施例提供的配准方法,根据预设的各空间变换参数的指定步长和搜索范围,确定搜索范围内各指定步长对应的空间变换参数参考值,并根据预设的算法获取各空间变换参数参考值对应的降采样N次后参考图像与降采样N次后浮动图像之间的相似度量值,然后将相似度量值中最小值或者最大值对应的空间变换参数参考值确定为空间变换参数的初始化值,这样在确定空间变换参数的初始化值之前通过相似性度量的指导下的指定步长和搜索范围的近似穷举的图像匹配优化算法进行优化,进一步对空间参数原始值进行搜索,弥补初始化上的不足,并给后续参数优化算法提供更可靠的输入,大大提高了配准算法的收敛速度。
对于上述计算机设备通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值的具体过程,本申请实施例提供了一种配准方法,如图4所示,在一个实施例中,上述S104步骤包括:
S301,优化操作步骤:将降采样N次图像空间变换参数的初始化值作为降采样N-1次后参考图像和浮动图像的优化输入,对降采样N-1次图像空间变换参数进行优化,得到降采样N-1次图像空间变换参数的优化值。
本实施例中,提供一种优化操作步骤,该步骤具体为将降采样N次图像空间变换参数的初始化值作为降采样N-1次后参考图像和浮动图像的优化输入,对降采样N-1次图像空间变换参数进行优化,其中,可以采用梯度下降算法对降采样N-1次图像空间变换参数进行优化,还可以采用牛顿法等,本实施例对此不做限定。计算机设备对降采样N-1次图像空间变换参数进行优化后得到的是降采样N-1次图像空间变换参数的优化值。其中N为大于等于1的任何自然整数。
S302,对N进行减1操作,重复执行优化操作步骤,得到原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值。
基于上述提供的优化操作步骤,对N进行减1操作,计算机重复执行上述优化操作步骤,就可以得到原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值。例如需要确定的是原始层的原始参考图像和原始浮动图像的空间变换参数的优化值,则在一个实施例中,根据优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始参考图像和原始浮动图像的空间变换参数的优化值,的步骤可以包括:对N进行减1操作,重复执行优化操作步骤,直到将降采样N-(N-1)次图像空间变换参数的优化值作为降采样N-N次后图像的优化输入,得到降采样N-N次图像空间变换参数的优化值,并将降采样N-N次图像空间变换参数的优化值确定为原始参考图像和原始浮动图像的空间变换参数的优化值。
示例地,以N等于5为例,则优化操作步骤为将降采样5次图像空间变换参数的初始化值作为降采样4(即5-1)次后参考图像和浮动图像的优化输入,对降采样4(即5-1)次图像空间变换参数进行优化,得到降采样4(即5-1)次图像空间变换参数的优化值,然后将降采样4次图像空间变换参数的初始化值作为降采样3(即5-1-1)次后参考图像和浮动图像的优化输入,对降采样3(即5-1-1)次图像空间变换参数进行优化,持续对N进行减1,则直到将降采样1(即N-(N-1))次图像空间变换参数的优化值作为降采样0(即N-N,原始层)次后图像的优化输入,得到降采样0次(原始层)图像空间变换参数的优化值,即可得到原始参考图像和原始浮动图像的空间变换参数的优化值。
本实施例提供的配准方法,通过优化操作步骤,对N进行减1操作,并将上一层的优化初始值作为下一层的输入对空间变换参数进行优化,最终得到原始层或者其他任一层的空间变换参数优化值,由于得到空间参数优化值都是基于降采样N层的优化初始值一步一步确定的,可以大大提高最终确定的空间参数优化值的精确度,使得最终的配准结果也更加准确。
上述各步骤确定出原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值,根据该优化值对原始浮动图像和原始参考图像进行配准的过程,本申请实施例提供了一种配准方法,如图5所示,在一个实施例中,上述S105步骤包括:
S401,根据原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值,获取对应降采样层的空间变换矩阵。
本实施例中,计算机设备根据原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值,获取对应降采样层的空间变换矩阵,需要说明的是,若确定的空间变换参数的优化值是哪一个采样层的,得到的空间变换矩阵就是哪一层的。其中,计算机设备根据空间变换参数的优化值,获取对应降采样层的空间变换矩阵的方式可以是通过的线性变换的方式进行空间矩阵转换,其中应用的图像为二维图像或者三维图像时,进行空间矩阵变换时,采用的方式不同,无论哪种方式,只要将空间变换参数的优化值转换为空间变换矩阵即可,本实施例对此不做限定。
S402,根据空间变换矩阵,将原始浮动图像映射到原始参考图像进行配准。
基于上述得到的空间变换矩阵,计算机设备将原始浮动图像映射到原始参考图像进行配准,即完成配准。
为了使本申请更加清楚,下面提供一个完整的配准方法实施例,如图6所示,该实施例包括以下步骤:
S1,对参考图像和浮动图像分别降采样3次,每次降采样的图像大小减半,图像体素大小增倍。
S2,在降采样第3次之后,对降采样后的参考图像和浮动图像做质心对齐,给空间变换系数中的平移量提供一个初始值。
S3,在降采样第3次和质心对齐之后,对空间变换参数按种类分别进行指定步长和搜索范围的图像匹配参数优化,得到空间变换参数集的初始化。
S4,对降采样3次之后的参考图像与浮动图像进行上采样后,以之前得到的空间变换参数集的初始化为输入,用梯度下降算法对空间变换参数集进行优化。
S5,重复S4,直到参考图像与浮动图像分别上采样到与原图同一个图像空间坐标系下(共上采样3次),得到最终优化后的空间变换参数所转换的空间变换矩阵以及把一幅图像(浮动图像)映射到另一幅图像(参考图像)的配准之后的图像。
本实施例基于金字塔型配准框架,在质心对齐和梯度下降优化算法间加入一种在相似性度量的指导下的指定步长和搜索范围的近似穷举的图像匹配优化算法,在压缩时间消耗下基于质心对齐做进一步更精细的初始化搜索,能够弥补质心对齐在初始化上的不足,并给接下来的梯度下降算法提供更可靠的初始化位置,在一定程度上避免梯度下降法陷入局部极小值。整体上加快线性配准优化算法的收敛。对精确完成个体或个体间同模态、异模态或多模态医学影像的高速线性配准起到关键作用。且为了进一步加速配准优化算法的速度,在保留原有CPU版本情况下,可以引入CUDA进行GPU加速。将数据做线程块(block)的划分,再将每个线程块细分成线程单元(thread),根据需要写相应的kernel函数使得每个线程在GPU上同时执行相同的操作。
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,提供了一种配准装置,该装置包括:降采样模块10、原始值模块11、初始化模块12、优化模块13、配准模块14,其中,
降采样模块10,用于对原始参考图像和原始浮动图像降采样N次,得到降采样N次后参考图像和降采样N次后浮动图像;
原始值模块11,用于获取降采样N次后参考图像和降采样N次后浮动图像的降采样N次图像空间变换参数的原始值;
初始化模块12,用于在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值;
优化模块13,用于通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值;
配准模块14,用于根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准。
上述实施例提供的一种配准装置,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。
在一个实施例中,如图8所示,提供了一种配准装置,上述初始化模块12包括:
参考单元121,用于根据降采样N次图像空间变换参数的原始值和降采样N次图像空间变换参数的指定步长和搜索范围,确定搜索范围内各指定步长对应的空间变换参数参考值;
相似度量单元122,用于根据预设的算法获取各空间变换参数参考值对应的降采样N次后参考图像与降采样N次后浮动图像之间的相似度量值;
初始化单元123,用于将相似度量值中最小值或者最大值对应的空间变换参数参考值确定为空间变换参数的初始化值。
上述实施例提供的一种配准装置,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。
在一个实施例中,如图9所示,提供了一种配准装置,上述优化模块13包括:
优化单元131,用于执行优化操作步骤:将降采样N次图像空间变换参数的初始化值作为降采样N-1次后参考图像和浮动图像的优化输入,对降采样N-1次图像空间变换参数进行优化,得到降采样N-1次图像空间变换参数的优化值;
优化值单元132,用于对N进行减1操作,重复执行优化操作步骤,得到原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值。
上述实施例提供的一种配准装置,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。
在一个实施例中,优化值单元132具体用于对N进行减1操作,重复执行优化操作步骤,直到将降采样N-(N-1)次图像空间变换参数的优化值作为降采样N-N次后图像的优化输入,得到降采样N-N次图像空间变换参数的优化值,并将降采样N-N次图像空间变换参数的优化值确定为原始参考图像和原始浮动图像的空间变换参数的优化值。
上述实施例提供的一种配准装置,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。
在一个实施例中,该装置还包括关系建立模块,用于根据预设的图像相似性优化规则确定降采样N次图像空间变换参数的指定步长和搜索范围;预设的图像相似性优化规则包括降采样N次图像空间变换参数与指定步长和搜索范围之间的映射关系。
上述实施例提供的一种配准装置,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。
在一个实施例中,上述图像空间变换参数包括平移量参数,则降采样N次图像空间变换参数的原始值为0,或者通过单位矩阵初始化、质心对齐初始化和关键点检测初始化中至少一种方法确定。
上述实施例提供的一种配准装置,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。
在一个实施例中,如图10所示,提供了一种配准装置,上述配准模块14包括:
矩阵单元141,用于根据原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值,获取对应降采样层的空间变换矩阵;
配准单元142,用于根据空间变换矩阵,将原始浮动图像映射到原始参考图像进行配准。
上述实施例提供的一种配准装置,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。
在一个实施例中,上述空间变换参数包括平移量、旋转角度、缩放尺度、错切尺度中至少一个。
上述实施例提供的一种配准装置,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。
关于配准装置的具体限定可以参见上文中对于配准方法的限定,在此不再赘述。上述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,该计算机设备可以是终端,其内部结构图可以如上述图1所示。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和计算机程序。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种配准方法。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。
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。
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:
对原始参考图像和原始浮动图像降采样N次,得到降采样N次后参考图像和降采样N次后浮动图像;
获取降采样N次后参考图像和降采样N次后浮动图像的降采样N次图像空间变换参数的原始值;
在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值;
通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值;
根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准。
上述实施例提供的一种计算机设备,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。
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:
对原始参考图像和原始浮动图像降采样N次,得到降采样N次后参考图像和降采样N次后浮动图像;
获取降采样N次后参考图像和降采样N次后浮动图像的降采样N次图像空间变换参数的原始值;
在降采样N次后的参考图像和降采样N次后的浮动图像上,对空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值;
通过优化算法对降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和至少一层的浮动图像的空间变换参数的优化值;
根据空间变换参数的优化值,对原始参考图像和原始浮动图像进行配准。
上述实施例提供的一种计算机可读存储介质,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。
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)
1.一种配准方法,其特征在于,所述方法包括:
对原始参考图像和原始浮动图像降采样N次,得到降采样N次后参考图像和降采样N次后浮动图像;
获取所述降采样N次后参考图像和所述降采样N次后浮动图像的降采样N次图像空间变换参数的原始值;
在所述降采样N次后的参考图像和降采样N次后的浮动图像上,对所述空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值;
通过优化算法对所述降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和所述至少一层的浮动图像的空间变换参数的优化值;
根据所述空间变换参数的优化值,对所述原始参考图像和原始浮动图像进行配准。
2.根据权利要求1所述的方法,其特征在于,所述在所述降采样N次后的参考图像和降采样N次后的浮动图像上,对所述空间变换参数的原始值根据图像相似性算法进行优化,得到优化后的初始化值,包括:
根据所述降采样N次图像空间变换参数的原始值和降采样N次图像空间变换参数的指定步长和搜索范围,确定所述搜索范围内各指定步长对应的空间变换参数参考值;
根据预设的算法获取各所述空间变换参数参考值对应的所述降采样N次后参考图像与所述降采样N次后浮动图像之间的相似度量值;
将所述相似度量值中最小值或者最大值对应的空间变换参数参考值确定为所述空间变换参数的初始化值。
3.根据权利要求1或2所述的方法,其特征在于,所述通过优化算法对所述降采样N次图像空间变换参数的初始化值优化,确定原始层至N-1层中至少一层的参考图像和所述至少一层的浮动图像的空间变换参数的优化值,包括:
优化操作步骤:将所述降采样N次图像空间变换参数的初始化值作为降采样N-1次后参考图像和浮动图像的优化输入,对所述降采样N-1次图像空间变换参数进行优化,得到所述降采样N-1次图像空间变换参数的优化值;
对N进行减1操作,重复执行所述优化操作步骤,得到所述原始层至N-1层中至少一层的参考图像和所述至少一层的浮动图像的空间变换参数的优化值。
4.根据权利要求3所述的方法,其特征在于,若确定的是原始参考图像和原始浮动图像的空间变换参数的优化值;
则所述通过优化算法对所述降采样N次图像空间变换参数的初始化值优化,确定所述原始参考图像和原始浮动图像的空间变换参数的优化值,包括:
对N进行减1操作,重复执行所述优化操作步骤,直到将降采样N-(N-1)次图像空间变换参数的优化值作为降采样N-N次后图像的优化输入,得到所述降采样N-N次图像空间变换参数的优化值,并将所述降采样N-N次图像空间变换参数的优化值确定为所述原始参考图像和所述原始浮动图像的空间变换参数的优化值。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的图像相似性优化规则确定所述降采样N次图像空间变换参数的指定步长和搜索范围;所述预设的图像相似性优化规则包括所述降采样N次图像空间变换参数与所述指定步长和搜索范围之间的映射关系。
6.根据权利要求5所述的方法,其特征在于,所述图像空间变换参数包括平移量参数,则所述降采样N次图像空间变换参数的原始值为0,或者通过单位矩阵初始化、质心对齐初始化和关键点检测初始化中至少一种方法确定。
7.根据权利要求1所述的方法,其特征在于,所述根据所述空间变换参数的优化值,对所述原始参考图像和原始浮动图像进行配准,包括:
根据所述原始层至N-1层中至少一层的参考图像和所述至少一层的浮动图像的空间变换参数的优化值,获取对应降采样层的空间变换矩阵;
根据所述空间变换矩阵,将所述原始浮动图像映射到所述原始参考图像进行配准。
8.根据权利要求4-7任一项所述的方法,其特征在于,所述空间变换参数包括平移量、旋转角度、缩放尺度、错切尺度中至少一个。
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8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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681191.5A CN110473233B (zh) | 2019-07-26 | 2019-07-26 | 配准方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681191.5A CN110473233B (zh) | 2019-07-26 | 2019-07-26 | 配准方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473233A true CN110473233A (zh) | 2019-11-19 |
CN110473233B CN110473233B (zh) | 2022-03-01 |
Family
ID=68509280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910681191.5A Active CN110473233B (zh) | 2019-07-26 | 2019-07-26 | 配准方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473233B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932595A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN112330727A (zh) * | 2020-11-02 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
CN112750152A (zh) * | 2021-01-18 | 2021-05-04 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
WO2022100065A1 (zh) * | 2020-11-11 | 2022-05-19 | 广东拓斯达科技股份有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN116703994A (zh) * | 2023-07-31 | 2023-09-05 | 柏意慧心(杭州)网络科技有限公司 | 医学图像配准的方法、计算设备和计算机可读存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
CN102938146A (zh) * | 2012-08-14 | 2013-02-20 | 中山大学 | 基于j-散度的多源遥感影像自动配准方法 |
CN103218811A (zh) * | 2013-03-29 | 2013-07-24 | 中国资源卫星应用中心 | 一种基于统计分布的卫星多光谱图像波段配准方法 |
CN103310458A (zh) * | 2013-06-19 | 2013-09-18 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
CN104200463A (zh) * | 2014-08-06 | 2014-12-10 | 西安电子科技大学 | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 |
CN104331891A (zh) * | 2014-11-04 | 2015-02-04 | 杭州电子科技大学 | 一种融合显性度量和隐性度量的多模图像配准方法 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN109034077A (zh) * | 2018-08-01 | 2018-12-18 | 湖南拓视觉信息技术有限公司 | 一种基于多尺度特征学习的三维点云标记方法和装置 |
CN109741378A (zh) * | 2018-12-13 | 2019-05-10 | 华南理工大学 | 基于mrf模型的多模态医学图像配准方法、装置、平台及介质 |
CN109754447A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像生成方法、装置、设备和存储介质 |
CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
-
2019
- 2019-07-26 CN CN201910681191.5A patent/CN110473233B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
CN102938146A (zh) * | 2012-08-14 | 2013-02-20 | 中山大学 | 基于j-散度的多源遥感影像自动配准方法 |
CN103218811A (zh) * | 2013-03-29 | 2013-07-24 | 中国资源卫星应用中心 | 一种基于统计分布的卫星多光谱图像波段配准方法 |
CN103310458A (zh) * | 2013-06-19 | 2013-09-18 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
CN104200463A (zh) * | 2014-08-06 | 2014-12-10 | 西安电子科技大学 | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 |
CN104331891A (zh) * | 2014-11-04 | 2015-02-04 | 杭州电子科技大学 | 一种融合显性度量和隐性度量的多模图像配准方法 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN109034077A (zh) * | 2018-08-01 | 2018-12-18 | 湖南拓视觉信息技术有限公司 | 一种基于多尺度特征学习的三维点云标记方法和装置 |
CN109741378A (zh) * | 2018-12-13 | 2019-05-10 | 华南理工大学 | 基于mrf模型的多模态医学图像配准方法、装置、平台及介质 |
CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
CN109754447A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像生成方法、装置、设备和存储介质 |
CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932595A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN112330727A (zh) * | 2020-11-02 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
WO2022100065A1 (zh) * | 2020-11-11 | 2022-05-19 | 广东拓斯达科技股份有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN112750152A (zh) * | 2021-01-18 | 2021-05-04 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN116703994A (zh) * | 2023-07-31 | 2023-09-05 | 柏意慧心(杭州)网络科技有限公司 | 医学图像配准的方法、计算设备和计算机可读存储介质 |
CN116703994B (zh) * | 2023-07-31 | 2023-10-24 | 柏意慧心(杭州)网络科技有限公司 | 医学图像配准的方法、计算设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110473233B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473233A (zh) | 配准方法、计算机设备和存储介质 | |
Xu et al. | Automatic reconstruction method for large scene based on multi-site point cloud stitching | |
JP5355074B2 (ja) | 3次元形状データ処理装置、3次元形状データ処理方法及びプログラム | |
CA2379889A1 (en) | Automated image fusion/alignment system and method | |
EP2022007A2 (en) | System and architecture for automatic image registration | |
CN109754396A (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
Edmundson et al. | Jigsaw: The ISIS3 bundle adjustment for extraterrestrial photogrammetry | |
CN109901123A (zh) | 传感器标定方法、装置、计算机设备和存储介质 | |
CN110464463A (zh) | 手术器械尖端标定方法、装置、计算机设备和存储介质 | |
EP3317852A2 (en) | Method in constructing a model of a scenery and device therefor | |
CN113012226A (zh) | 相机位姿的估计方法、装置、电子设备及计算机存储介质 | |
CN109102524A (zh) | 图像特征点的跟踪方法和跟踪装置 | |
CN116109706A (zh) | 基于先验几何约束的空间目标反演方法、装置和设备 | |
WO2018233514A1 (zh) | 一种位姿测量方法、设备及存储介质 | |
CN116563096B (zh) | 用于图像配准的形变场的确定方法、装置以及电子设备 | |
CN109872344A (zh) | 图像特征点的跟踪方法、匹配方法和坐标获取方法、装置 | |
US7379599B1 (en) | Model based object recognition method using a texture engine | |
Pribanić et al. | An efficient surface registration using smartphone | |
US20230266974A1 (en) | Message based multi-processor system and method of operating the same | |
CN115205419A (zh) | 即时定位与地图构建方法、装置、电子设备及可读存储介质 | |
CN114675221A (zh) | 磁共振梯度校正补偿因子的确定方法、校正方法和装置 | |
CN116129031A (zh) | 用于三维重建的方法、系统和存储介质 | |
EP2562722B1 (en) | Method and system for scene visualization | |
CN112070810A (zh) | 定位方法、可移动设备及计算机可读存储介质 | |
JP2022080683A (ja) | 電磁環境分析システム、電磁環境分析方法、及び、プログラム |
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 |