CN111145230B - 一种图像配准质量检测方法、装置、设备及存储介质 - Google Patents

一种图像配准质量检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111145230B
CN111145230B CN201911364946.5A CN201911364946A CN111145230B CN 111145230 B CN111145230 B CN 111145230B CN 201911364946 A CN201911364946 A CN 201911364946A CN 111145230 B CN111145230 B CN 111145230B
Authority
CN
China
Prior art keywords
matrix
image
target
hash value
target image
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
Application number
CN201911364946.5A
Other languages
English (en)
Other versions
CN111145230A (zh
Inventor
金羽童
李小玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xintang Sichuang Educational Technology Co Ltd
Original Assignee
Beijing Xintang Sichuang Educational Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xintang Sichuang Educational Technology Co Ltd filed Critical Beijing Xintang Sichuang Educational Technology Co Ltd
Priority to CN201911364946.5A priority Critical patent/CN111145230B/zh
Publication of CN111145230A publication Critical patent/CN111145230A/zh
Application granted granted Critical
Publication of CN111145230B publication Critical patent/CN111145230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明实施例提供一种图像配准质量检测方法、装置、设备及存储介质，该方法包括：获取已配准到标准空间的目标图像；提取所述目标图像对应的目标图像矩阵；处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值；获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值；将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别；根据所述哈希值差别，确定所述目标图像的配准质量。本发明实施例能够实现自动检测图像配准质量，提高效率和检测结果的准确性。

Description

一种图像配准质量检测方法、装置、设备及存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种图像配准质量检测方法、装置、设备及存储介质。
背景技术
图像配准是将图像在标准空间的空间位置进行对准，以用于分析图像的数据有无异常的技术，其在医学、工程等图像识别、检测领域具有大范围的应用，因此为了保障配准效果，需要对图像配准的配准质量进行检测，以反馈来改进图像配准过程。
现有用于图像配准的算法较多，也有很多开源工具箱可以进行配准工作，但是图像配准的配准质量，一般是通过人工检测实现，这导致图像配准质量的检测过程极其缓慢且检测结果的准确性难以保障，因此如何提供自动检测图像配准质量的技术方案，以提高图像配准质量检测的效率和准确性，成为本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供一种图像配准质量检测方法、装置、设备及存储介质，能够实现自动检测图像配准质量，提高图像配准质量检测的效率和准确性。
为实现上述目的，本发明实施例提供如下技术方案：
一种图像配准质量检测方法，包括：
获取已配准到标准空间的目标图像；
提取所述目标图像对应的目标图像矩阵；
处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值；
获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值；
将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别；
根据所述哈希值差别，确定所述目标图像的配准质量。
本发明实施例还提供一种图像配准质量检测装置，包括：
配准模块，用于获取已配准到标准空间的目标图像；
提取模块，用于提取所述目标图像对应的目标图像矩阵；
处理模块，用于处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值；
获取模块，用于获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值；
对比模块，用于将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别；
确定模块，用于根据所述哈希值差别，确定所述目标图像的配准质量。
一种电子设备，包括至少一个存储器和至少一个处理器；所述存储器存储计算机指令，所述处理器调用所述计算机指令，所述计算机指令用于执行上述所述的一种图像配准质量检测方法。
本发明实施例还提供一种存储介质，所述存储介质存储有执行上述的图像配准质量检测方法的计算机指令。
与现有技术相比，本发明实施例公开了的一种图像配准质量检测方法，通过对目标图像提取对应的目标图像矩阵和标准图像提取对应的标准图像矩阵，所述目标图像矩阵包括3D图像矩阵和2D矩阵，对所述目标图像矩阵与所述标准图像矩阵分别提取对应的哈希值并进行比对，进而确定所述目标图像矩阵与所述标准图像矩阵中的哈希值差别，根据所述哈希值差别，确定所述图像的配准质量。
本发明实施例公开了确定目标图像对应的哈希值，和所述标准图像对应的哈希值，基于两种图像(目标图像与标准图像)之间的哈希值对比，确定两种图像的哈希值差别，所述哈希值差别能代表两种图像之间的差异，能够自动检测图像配准质量，另外，本发明实施例公开了多种方式确定哈希值，提高了确定所述图像配准质量的准确性，且所述哈希值能够代表图像的图像特征，因此，通过哈希值的对比，确定图像配准质量，缩减了计算量，提高了工作效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的图像配准质量检测方法的流程图；
图2为本发明实施例提供的确定目标图像矩阵对应的哈希值的流程图；
图3为本发明实施例提供的确定第一目标维度矩阵的一种可选的实现方式；
图4为本发明实施例提供的确定第一目标维度矩阵的另一种可选的实现方式；
图5为本发明实施例提供的根据3D局部矩阵确定第一目标维度的矩阵的一种可选的实施方式；
图6为本发明实施例提供的根据第一目标维度矩阵确定哈希值的流程图；
图7为本发明实施例提供的根据矩阵平均值确定哈希矩阵的流程图；
图8为本发明实施例提供的根据目标图像矩阵与标准图像矩阵确定哈希值差别的一种可选的实施方式；
图9为本发明实施例提供的根据目标图像矩阵确定哈希值的又一种可选的实现方式；
图10为本发明实施例提供的根据所述目标图像确定哈希值的流程图；
图11为本发明实施例提供的根据第二目标维度矩阵对应的哈希矩阵的流程图；
图12为本发明实施例提供的根据目标图像矩阵与标准图像矩阵确定哈希值差别的又一种可选的实施方式；
图13为本发明实施例提供的根据哈希值差别，判断图像配准质量的流程图；
图14为本发明实施例提供的图像配准质量检测装置的一种可选框图；
图15为本发明实施例提供的一种于图像配准质量检测设备的结构图。
具体实施方式
由背景技术可知，图像配准是将图像在标准空间的空间位置进行对准的过程，图像配准可以在多种图像检测、识别领域进行应用，例如在医学图像领域，医生可以通过配准后的医学图像，定量的分析病灶和器官的变化情况，使得医疗诊断、制定手术计划、放射治疗计划更准确可靠；又如在文字质量检测领域，用户可通过分析配准后的人工书写的文字图像，确定所述人工书写的文字图像的工整性。为保障配准效果，对图像配准的配准质量进行检测，以反馈来改进图像配准过程显得尤为必要。
基于此，本发明实施例提供的自动检测图像配准质量的技术，针对待检测图像配准质量的目标图像(目标图像为已配准到标准空间的图像)，本发明实施例可提取目标图像对应的目标图像矩阵，所述目标图像矩阵可以包括反映目标图像整体的3D图像信息的3D全局矩阵，和/或，通过3D局部信息来反映目标图像整体的3D图像信息的3D局部矩阵，和/或，通过2D矩阵反应所述目标图像整体的3D图像信息的2D矩阵，确定所述目标图像矩阵对应的哈希值，以及确定标准图像对应的所述标准图像矩阵，所述标准图像矩阵的图像矩阵形式与所述目标图像矩阵的图像矩阵形式相同，确定所述标准图像对应的所述标准图像矩阵的哈希值，通过所述目标图像矩阵对应的哈希值和所述标准图像矩阵对应的哈希值，进而判断两者图像之间的哈希值差别，该哈希值差别则可反映两者图像之间在空间位置上的差异，由于标准图像可作为标准空间的模板图，因此该哈希值差别能够反映目标图像与标准图像之间的差异，得到在标准空间的配准质量，因此基于该哈希值差别，本发明实施例可以确定出目标图像的配准质量。
基于上述思路，本发明实施例提供一种图像配准质量检测方法、装置、设备及存储介质，以实现自动检测图像配准质量，提高图像配准质量检测的效率和准确性。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一种可选实现中，图1示出了本发明实施例提供的图像配准质量检测方法的流程图，如图1所示，该流程图可以包括：
S11：获取已配准到标准空间的目标图像。
所述标准空间为待处理图像配准到的一个统一标准的空间。同时，所述标准空间中预存模板图，该模板图可以称为标准图像。图像配准就是将待处理图像在标准空间的空间位置进行对准。已配准到所述标准空间的待处理图像称为目标图像，所述目标图像与所述标准图像处于同一个标准空间中。
需要进行解释的是，所述待处理图像可以是原始图像，也可以是其他处理后的图像，原始图像可以是未经过任何处理的原始采集或原始获取的图像。
可选的，在医学图像领域，所述待处理图像通常为磁共振图像，通常磁共振影像图像可以为神经影像信息技术图像，和/或，医学数字成像，和/或，通信图像；在文字质量检测领域，所述待处理图像可以为手工书写的文字图像，能够实现与电脑上的标准字体(例如：黑体)图像进行配准，确定手工书写的文字的工整性；在计算机领域，所述待处理图像可以为景物图像，能够实现与地图、影像等的标准空间进行位置匹配。
在本发明一种可选的实施例中，以医学图像领域进行举例，将所述待处理图像配准到标准空间，待处理图像可以为磁共振图像(3D图像)。可选的，将磁共振图像的大脑区域图像配准到标准空间的实现过程可以包括：
第一步，使用工具分割提取大脑数据图像的大脑区域，获得大脑影像体素数据对应的图像。
第二步，使用线性配准调整上述图像在标准空间的位置。
第三步，使用非线性配准将大脑影像体素数据配准至标准空间。
其中，所述工具可以为FSL，所述工具FSL具有线性配准的功能，用于将所述大脑影像体素数据对应的图像采用坐标旋转\平移\缩放\剪切配准到标准空间中，所述工具FSL还具有非线性配准的功能，将大脑影像体素数据对应的图像通过非线性配准实现改变图像结构的形状，非线性配准将大脑影像体素数据进行了扭曲，使得处理后的大脑影像体素数据更接近标准空间的模板图的结构形状。
需要进行解释的是，在本发明的另一种可选的实施例中，以文字质量检测领域进行举例，将所述待处理图像配准到标准空间中，所述待处理图像可以为手工书写的文字图像(2D图像)。可选的，将所述手工书写的文字图像配准到标准空间，其实现过程可以包括：
第一步，使用工具分割提取文字检测的文字区域，获得文字区域数据对应的图像。
第二步，使用线性配准将上述图像配准到标准空间，使文字区域数据对应的图像更接近标准空间的模版图的结构形状。
基于上述描述，可将所述待处理图像配准到标准空间中，获取到已配准到标准空间的目标图像。
回到图1，本发明实施例可继续执行步骤S12：提取所述目标图像对应的目标图像矩阵。
所述目标图像矩阵可以为3D图像矩阵，所述3D图像矩阵能够表示目标图像整体的3D图像信息的图像矩阵。
需要进行解释的是，所述3D图像矩阵包括3D全局矩阵，和/或，3D局部矩阵，其中，所述3D全局矩阵为在3D空间中对所述目标图像提取全部特征后的整体图像矩阵，能够反映目标图像整体的3D图像信息。
具体的，所述3D局部矩阵是在3D空间中对所述目标图像提取部分特征后的图像矩阵，能够反映目标图像局部区域的3D图像信息，所述3D局部矩阵可以包括：N个局部矩阵，所述：N个局部矩阵可以相互配合与组合，反映目标图像的整体3D图像信息。
当然，所述3D局部矩阵的数量可以根据实际情况设定，所述数量可以为N个，所述N为不等于0的自然数。
具体的，本发明实施例可以对目标图像进行均匀分割，也可以进行不均匀分割，这里不作任何限定。
具体的，从所述目标图像中提取N个局部区域图像，得到对应所述N个局部区域图像的N个局部图像矩阵，其中，所述3D局部矩阵包括所述N个局部图像矩阵，所述N为所述目标图形分割得到的局部区域图像的个数。
其中，提取所述N个局部区域图像的一种实现方式可以为：首先分割所述目标图像为N个局部区域图像，进而提取一个或多个所述局部区域图像。
所述目标图像对应的目标图像矩阵还包括2D矩阵，所述2D矩阵代表所述目标图像的2D图像信息，所述2D矩阵的数量为多个。
步骤S13：处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值。
针对本发明实施例提取的目标图像对应的目标图像矩阵，本发明实施例可基于所述目标图像的对应的目标图像矩阵分别确定其对应的哈希值，例如，目标图像对应的目标图像矩阵，包括：3D图像矩阵，则本发明实施例可以确定出目标图像对应的3D图像矩阵的哈希值，在本发明一种可选的实施例中，所述目标图像还可以包括：2D矩阵，以及确定所述目标图像对应的2D矩阵的哈希值。
需要进行解释的是，在本发明实施例一种可选实现中，所述目标图像矩阵可以包括3D图像矩阵，和/或，2D矩阵，所述3D图像矩阵包括3D全局矩阵，和/或，3D局部矩阵，也就是目标图像矩阵可以包括3D全局矩阵，3D局部矩阵，和2D矩阵中的任一图像矩阵，还可以包括其中任意一种图像矩阵或任意几种图像矩阵的组合形式；本发明实施例可根据所述目标图像对应的目标图像矩阵中的任一种图像矩阵形式，确定所述目标图像对应的该种目标图像矩阵的哈希值。
具体的，上述哈希值，可通过一定的哈希算法(典型的有MD5，SHA-1)，将一段较长的数据映射为较短的数据，通常为一组二进制值，能够用较小的数据表征图像的完整性。
在本发明实施例中，所述哈希值可以表征图像矩阵的特征，即若干组哈希值可以表示若干张图像之间的差异。
步骤S14：获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值。
所述标准图像为在标准空间中具有标准空间位置的图像。在一种示例中，所述标准图像可以为所述标准空间的模板图。
其中，所述标准空间对应的标准图像矩阵可以为3D图像矩阵，所述3D图像矩阵包括：3D全局矩阵，和/或，3D局部矩阵；进一步的，所述标准图像对应的所述标准图像矩阵还可以包括2D矩阵。
本发明实施例中标准图像的标准图像矩阵，与目标图像的图像矩阵一一对应；本发明实施例公开的标准图像矩阵可以为3D全局矩阵、3D局部矩阵和2D矩阵的图像矩阵中的任一图像矩阵，或任意几种形式的图像矩阵的矩阵组合形式，根据所述标准图像矩阵的图像矩阵形式，确定所述目标图像矩阵的图像矩阵形式。
具体的，以本发明一种可选的实施例进行说明，所述目标图像对应的所述目标图像矩阵为3D全局图像，根据所述目标图像矩阵确定对应所述标准图像的标准图像矩阵,得到所述标准图像对应的所述标准图像矩阵也为3D全局图像，所述标准图像矩阵中的图像矩阵与所述目标图像矩阵中的图像矩阵一一对应。
针对标准图像对应的所述标准图像矩阵，本发明实施例可获取标准图像对应的标准图像矩阵对应的哈希值。
步骤S15：将所述目标图像矩阵与所述标准图像矩阵中对应的图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵中对应的图像矩阵的哈希值差别。
针对所述目标图像矩阵的哈希值与标准图像矩阵的哈希值，确定所述目标图像矩阵与标准图像矩阵的哈希值差别，示例的，当所述目标图像矩阵为3D全局矩阵时，本发明实施例可将目标图像矩阵的3D全局矩阵(图像矩阵的一种形式)与标准图像矩阵的3D全局矩阵(图像矩阵的一种形式)的哈希值进行比对，确定所述目标图像矩阵与标准图像矩阵的哈希值差别。
在本发明另一种可选的实施例中，当所述目标图像矩阵为3D局部矩阵时，将目标图像矩阵的3D局部矩阵(图像矩阵的一种形式)与标准图像矩阵的3D局部矩阵(图像矩阵的一种形式)的哈希值进行比对，从而实现确定目标图像矩阵与标准图像矩阵的哈希值差别。
在本发明再一种可选的实施例中，当所述目标图像矩阵为2D矩阵时，将目标图像矩阵的2D矩阵(图像矩阵的一种形式)与标准图像矩阵的2D矩阵(图像矩阵的一种形式)的哈希值进行比对，从而实现确定目标图像矩阵与标准图像矩阵的哈希值差别。
当本发明实施例中的目标图像矩阵具有多种图像矩阵的图像矩阵形式时，根据上述根据多种图像矩阵的图像矩阵形式确定哈希值差别的方式进行相互的组合应用。本发明实施例根据所述目标图像矩阵的图像矩阵形式，确定所述标准图像矩阵的图像矩阵形式，进行对应的图像图像矩阵形式的哈希值对比，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
一种图像矩阵的哈希值差别，也就是目标图像矩阵与标准图像矩阵的哈希值差别，所述目标图像矩阵对应有目标图像，所述标准图像矩阵对应有标准图像，也就是目标图像和标准图像在该种图像矩阵对应的哈希值的差值，所述差值可用于指示所述目标图像与所述标准图像在该种图像矩阵的空间位置差别。
可选的，在本发明实施例中所述哈希值差别可以为汉明码距离，本发明实施例可通过比对汉明码距离的大小，确定所述目标图像与所述标准图像在该种图像矩阵的空间位置差别。
步骤S16：根据所述哈希值差别，确定所述目标图像的配准质量。
根据上述步骤确定的所述哈希值差别，该哈希值差别则可反映目标图像与标准图像在空间位置上的差别，由于标准图像为标准空间中的图像，因此该哈希值差别能够指示所述目标图像与所述标准图像之间的差异，进而反映目标图像在标准空间的配准质量。
具体的，哈希值差别则可反映目标图像与标准图像之间在空间位置上的差别，所述哈希值差别越大，即为所述目标图像与所述标准图像的差异较大，也就是目标图像在标准空间的图像配准质量较低，反之，所述哈希值差别越小，代表所述目标图像与所述标准图像的差异较小，即为所述目标图像的图像配准越完好，也就是目标图像的图像配准质量较高。
本发明实施例公开了对所述目标图像进行哈希值的确定，和所述标准图像进行哈希值的确定，通过不同方式确定哈希值差别，所述哈希值差别能够表示所述目标图像与所述标准图像的差别之处，即可以得到多组两种图像(目标图像与标准图像)的差别，也就是可以实现自动检测图像配准质量，另外本发明实施例公开了的多组哈希值差别，能够代表两种图像之间的差异，保证了图像的配准质量的判断；本发明实施例公开了对所述目标图像对应的所述3D全局矩阵，和/或，所述目标图像对应的3D局部矩阵，和/或，所述目标图像对应的2D矩阵，确定所述目标图像矩阵对应的哈希值，所述哈希值代表目标图像矩阵的全部图像特征，本发明实施例通过哈希值的对比，能确定图像配准质量，缩减了计算量，提高了工作效率。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
具体的，本发明实施例根据所述目标图像矩阵的图像矩阵形式的哈希值，确定所述标准图像矩阵的图像矩阵形式的哈希值，进行相应的目标图像矩阵的哈希值对比，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
下面就确定目标图像矩阵的哈希值进行详细的说明。
在一种可选的实施方式中，所述目标图像对应的目标图像矩阵包括3D图像矩阵，为实现对所述3D图像矩阵进行哈希值的确定，下面请参考图2，图2示出了本发明实施例提供的处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值的流程图，其步骤包括：
步骤S21.通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵。
所述3D图像矩阵包括3D全局矩阵，和/或，3D局部矩阵，通过对所述3D全局矩阵，和/或，3D局部矩阵进行缩放处理，确定得到第一目标维度的矩阵，为后续处理提供一定的基础。
具体的，所述第一目标维度为预设维度，所述预设维度可以对所述3D图像矩阵进行处理，且所述预设维度能够包含所述3D图像矩阵的全部特征。具体的，所述第一目标维度可以根据所述3D图像矩阵的特征值数量进行相应的设定，所述第一目标维度可以为8*8*8维、16*16*16维等，这里不做任何限定。
可选的，所述缩放处理可以对3D图像矩阵维度的转化，且所述第一目标维度包含有所述3D图像矩阵的全部特征，得到所述第一目标维度的矩阵，利于缩减运算量，提高了整体确定图像配准质量的效率。
步骤S22.确定所述第一目标维度的矩阵的哈希值，以得到所述3D图像矩阵对应的哈希值。
当然，经由S21可知，所述第一目标维度的矩阵为所述3D图像矩阵缩放后得到的，所述第一目标维度的矩阵对应的哈希值，也就是所述3D图像矩阵对应的哈希值。
具体的，在上述目标图像对应的所述3D图像矩阵中包含所述3D全局矩阵，和/或，3D局部矩阵，当所述目标图像对应的目标图像矩阵为3D全局矩阵时，对所述3D全局矩阵进行缩放处理，得到第一目标维度的矩阵，下面请参考图3，图3示出了本发明实施例提供的处理所述目标图像对应的3D全局矩阵，得到得到第一目标维度的矩阵，其步骤包括：
步骤S31.对所述3D全局矩阵进行第一缩放处理，得到第一维度的矩阵。
在基于获取已配准到标准空间的目标图像，提取所述目标图像对应的3D全局矩阵，对所述3D全局矩阵进行第一缩放处理，得到第一维度的矩阵。
所述第一缩放处理实现对所述3D全局矩阵的初步处理，所述第一缩放处理用于对所述3D全局矩阵实现维度的缩放，将所述3D全局矩阵缩放至一定的维度，为后续的运算提供基础。
所述第一维度的矩阵的维度可以为32*32*32维、64*64*64维等，本发明实施例的一种可选实施方式是对所述3D全局矩阵进行缩小处理，可将所述第一维度的矩阵的维度缩小至32*32*32维；本发明实施例的另一种可选的实施方式是对所述3D全局矩阵进行放大处理，也可将所述第一维度的矩阵的维度扩充至32*32*32维。
步骤S32.对所述第一维度的矩阵进行第二缩放处理，得到所述第一目标维度的矩阵。
所述第二缩放处理对所述第一维度的矩阵的维度进行深度处理，用于将所述第一维度的矩阵缩放至所述第一目标维度的矩阵。
需要进行说明的是，所述第二缩放处理的一种实现方式可以为DCT(DiscreteCosine Transform，离散余弦变换)处理，所述DCT是与傅里叶变换相关的一种变换，类似于离散傅里叶变换，但是只使用实数。离散余弦变换相当于一个长度大概是它两倍的离散傅里叶变换，这个离散傅里叶变换是对一个实偶函数进行的，能够实现自动排列信息量，其中保留每个维度的前预设个数据，实现对矩阵的缩放处理。
具体的，在本发明一种可选的实现方式中，所述第一维度的矩阵可以设定为32*32*32维，所述第一目标维度可以设定为8*8*8维。在本发明实施例的一种可选的实施方式中，可通过DCT处理实现对上述第一维度的矩阵(32*32*32维)的矩阵进行第二缩放处理，得到所述第一目标维度(8*8*8维)的矩阵。
当然，经由S31可知，所述第一目标维度的矩阵为所述3D全局矩阵缩放后得到的，所述第一目标维度的矩阵对应的哈希值，也就是所述3D全局矩阵对应的哈希值。
在本发明另一种可选的实施方式中，在上述目标图像对应的所述3D图像矩阵中包含所述3D全局矩阵，和/或，3D局部矩阵，当所述目标图像对应的目标图像矩阵为3D局部矩阵，下面将对所述目标图像对应的所述目标图像矩阵为3D局部矩阵进行详细的说明。
请参见图4，如图4所示为本发明实施例提供确定所述第一目标维度矩阵另一种可选的实现方式，当所述目标图像对应的目标图像矩阵为3D局部矩阵，且所述3D局部矩阵包括从所述目标图像中提取的N个局部区域图像，通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵包括：
步骤S41.分别对N个局部图像矩阵进行第一缩放处理，得到N个第一维度的矩阵。
所述N个局部图像矩阵是从所述目标图像中提取N个局部区域图像，确定各局部区域图像对应的局部图像矩阵，以得到N个局部图像矩阵，并对所述N个局部图像矩阵进行第一缩放处理，得到N个第一维度的矩阵。
所述第一缩放处理如上述同种方式进行处理，这里不再赘述。
步骤S42.根据所述N个第一维度的矩阵，形成第一目标维度的矩阵。
在步骤S42中，本发明实施例提供了一种可选的实施方式，参见图5，图5示出了根据所述N个第一维度的矩阵，确定所述第一目标维度的矩阵。本发明实施例公开了根据所述N个第一维度的矩阵，形成第一目标维度的矩阵的步骤包括:
步骤S51.分别对所述N个第一维度的矩阵进行第二缩放处理，得到第二缩放处理后的N个矩阵。
在基于确定的所述N个第一维度的矩阵进行第二缩放处理，所述第二缩放处理的步骤如前述，这里不再赘述。
步骤S52.针对所述N个矩阵，在各矩阵的各维度分别提取前k个数据，形成第一目标维度的矩阵，其中，k为设定数值。
所述N个矩阵能够排列组合以表示所述目标图像的图像特征，经由第二缩放处理后N个矩阵按照一定的顺序自动排列信息量，在所述N个矩阵的各维度中分别提取预设前k个维度的数据，形成第一目标维度矩阵。
下面将对根据上述步骤确定的所述第一目标维度的矩阵进行确定哈希值的步骤进行详细的说明。
所述第一目标维度的矩阵是所述3D图像矩阵经过缩放处理得到的，所述第一目标维度的矩阵可以包括所述第一目标维度的矩阵中的3D全局矩阵、所述第一目标维度的矩阵中的3D局部矩阵的任一项或者两项的组合。
请参见图6，图6为本发明实施例根据所述第一目标维度的矩阵确定哈希值的流程图，其步骤包括：
步骤S61.确定所述第一目标维度的矩阵的矩阵平均值。
所述矩阵平均值是基于所述第一目标维度的矩阵中的各个位置上的数值确定的平均值。
步骤S62.根据所述矩阵平均值确定第一目标维度的哈希矩阵。
所述哈希矩阵是表示特定数据信息由哈希值组成的矩阵，可通过所述矩阵平均值与所述第一目标维度的哈希矩阵中的各个位置进行对比，确定所述第一目标维度的哈希矩阵。
步骤S63.确定所述第一目标维度对应的哈希值。
具体的，在本发明实施例步骤S42中，通过所述矩阵平均值确定所述第一目标维度的哈希矩阵一种可选的实现方式，请参见图7，图7为本发明实施例提供的根据矩阵平均值确定哈希矩阵的流程图，其中，根据所述矩阵平均值确定第一目标维度的哈希矩阵的步骤如下：
步骤S71.将所述第一目标维度的矩阵的矩阵平均值，与所述第一目标维度的矩阵的各位置的数值分别进行比较。
步骤S72.若所述第一目标维度的矩阵中存在数值不小于所述矩阵平均值的目标位置，将第一目标维度的矩阵中所述目标位置的数值赋为第一值，以确定所述第一目标维度的哈希矩阵。
需要进行解释的是，基于步骤S72中，若所述第一目标维度的矩阵的某一位置的数值小于所述矩阵平均值，将所述第一目标维度的矩阵中所述位置的数值赋为第二值，以确定所述第一目标维度的哈希矩阵。
当然，所述第一值与所述第二值仅是用于区别第一目标维度的矩阵中各个位置的数值与所述矩阵平均值的大小关系，这里不做数值上的限定。所述第一值代表所述第一目标维度的矩阵中目标位置的数值不小于所述矩阵平均值，所述第二值代表所述第一目标维度的矩阵中的某一位置的数值小于所述矩阵平均值。
经由上述步骤S71-S72，能够基于所述矩阵平均值与第一目标维度的矩阵中的各位置的大小关系，确定所述第一目标维度的哈希矩阵。
基于上述步骤确定所述目标图像矩阵的图像矩阵形式的哈希值，确定所述标准图像矩阵的图像矩阵形式的哈希值，所述标准图像矩阵的图像矩阵与所述目标图像矩阵的图像矩阵一一对应。
具体的，在基于所述目标图像包括3D图像矩阵，当所述3D图像矩阵包括3D全局矩阵和3D局部矩阵时，为得到目标图像矩阵与所述标准图像矩阵之间的哈希值差别，参见图8，图8示出了将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别的步骤包括：
S81.将所述目标图像的3D全局矩阵的哈希值，与所述标准图像的3D全局矩阵的哈希值进行比对，得到目标图像与标准图像的3D全局矩阵哈希值差别。
S82.将所述目标图像的3D局部矩阵的哈希值，与所述标准图像的3D局部矩阵的哈希值进行比对，得到目标图像与标准图像的3D局部矩阵哈希值差别。
S83.根据所述3D全局矩阵哈希值差别和所述3D局部矩阵哈希值差别，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
具体的，所述哈希值差别为所述目标图像矩阵与所述标准图像矩阵相同的图像矩阵形式进行对比确定的哈希值差别，经由上述步骤S83中，两种不同的图像矩阵形式之间的哈希值对比，进而确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别，提高了计算目标图像矩阵与所述标准图像矩阵之间哈希值差别的准确率。
在本发明另一可选的实施例中，所述目标图像对应的目标图像矩阵还包括：所述目标图像对应的2D矩阵，
可根据所述目标图像对应的2D矩阵确定与其对应的哈希值，以便实现对目标图像数据的进一步确定，请参见图8，图8示出了本发明实施例提供的根据目标图像矩阵确定哈希值的又一种可选的实现方式；
步骤S91.提取所述目标图像对应的2D矩阵。
所述2D矩阵，所述2D矩阵包含多个，可通过对所述目标图像进行同一维度的提取，并对所述目标图像的每一维度均进行提取，提取多次，保证所述同一维度的2D矩阵被提取多次，确定所述目标图像对应的所述多个2D矩阵。
假设所述目标图像为一个3D矩阵，对所述目标图像提取某一个2D矩阵，可从X轴、Y轴和Z轴均可以进行提取，对于任一个2D矩阵，均存在三种方式实现对所述目标图像进行提取，实现对所述2D矩阵多次提取确定，保证了所述任一个2D矩阵提取的准确性。
确定所述2D矩阵的一种可选的实现方式，可先确定提取某一维度的若干个所述2D矩阵，将剩余维的相应位置均实现对所述2D矩阵的提取，进而确定多个2D矩阵。
实现对同一维的若干个所述2D矩阵提取示意表如下表所示：
X X X X X
上述X代表着2D矩阵，上表用于指示提取某一维的若干个所述2D矩阵。
步骤S92.处理所述2D矩阵，得到所述2D矩阵对应的哈希值。
具体的，处理所述2D矩阵，可进行如图10所述的处理，确定得到所述2D矩阵对应的哈希值。
请参考图10，图10示出了本发明实施例中所述2D矩阵的数量为多个，处理所述2D矩阵，得到所述2D矩阵对应的哈希值一种可选的实施方式，其步骤可以包括：
步骤S101.对所述2D矩阵进行第三缩放处理，确定所述2D矩阵的第二目标维度的矩阵。
所述第三缩放处理的一种可选的实施方式，可以用于实现对所述2D矩阵维度的缩小，减少计算量，提高对所述2D矩阵对应的第二目标维度的计算效率。
可选的，所述第三缩放处理可以为双线性差值处理，可通过MATLAB内部算法实现，运用函数imresize实现对所述2D矩阵的初步处理。
步骤S102.确定所述第二目标维度的矩阵对应的哈希矩阵。
所述第二目标维度可以为预先设定的维度，确定预先设定的维度的矩阵对应的哈希矩阵。
具体的，对所述第二目标维度的矩阵进行差值哈希处理，以得到所述第二目标维度的矩阵对应的哈希矩阵。
下面以对所述第二目标维度的矩阵进行差值哈希处理，在本发明可选的一种实施方式中进行详细的说明。若所述2D矩阵对应的第二目标维度的矩阵为8*9维，根据所述第二目标维度的矩阵进行差值哈希(dHash)处理，确定所述第二目标维度的哈希矩阵的步骤为：
原始8*9矩阵为：
Figure BDA0002338172490000171
以矩阵内的最左边的两列的处理方式为例：
Figure BDA0002338172490000172
对比第二目标维度的哈希矩阵前一维度与所述第二目标维度后一维度相同位置的数值进行比较，对比公式如下：
Hn,m＝[an,m>an,m+1]
n与m代表矩阵的每行或每列的index值，若所述对比矩阵前一维度某一位置的数值不小于所述第二目标维度的矩阵后一维度对应某一位置的数值，则所述第二目标维度的矩阵前一维度中所述位置的数值赋为1；若所述对比矩阵前一维度某一位置的数值小于所述第二目标维度的矩阵后一维度对应某一位置的数值，则所述第二目标维度的矩阵前一维度中所述位置的数值赋为0，通过8次循环运行以上公式，确定所述第二目标维度的哈希矩阵(8*8维)，且所述哈希矩阵为1/0哈希矩阵。
步骤S103.确定所述第二目标维度的矩阵对应的哈希矩阵的哈希值，以得到所述2D矩阵对应的哈希值。
其中，在本发明实施例步骤S102中，图11提供了一种确定第二目标维度的矩阵对应的哈希矩阵的可选实施方式。下面结合图11进行说明，图11示出了本发明实施例提供的确定第二目标维度矩阵对应的哈希矩阵的流程图，其具体步骤包括：
步骤S111.针对所述第二目标维度的矩阵，将前后相邻维度中相同位置的数值进行比较。
步骤S112.若比较结果为前一维度中所述位置的数值不小于后一维度中所述位置的数值，将所述第二目标维度的矩阵中前一维度的所述位置的数值赋为第一值，以得到所述第二目标维度的矩阵对应的哈希矩阵。
基于所述目标图像对应的2D矩阵，所述2D矩阵有多个，所述一个2D矩阵中分别对应一组哈希值，可确定所述目标图像对应的2D矩阵的所述哈希值。
基于上述步骤确定所述目标图像矩阵的图像矩阵形式的哈希值，确定所述标准图像矩阵的图像矩阵形式的哈希值，所述标准图像矩阵的图像矩阵与所述目标图像矩阵的图像矩阵一一对应。
在基于前述步骤中所述目标图像包括3D图像矩阵，和/或，2D矩阵，当所述目标图像矩阵包括3D全局矩阵、3D局部矩阵和2D矩阵时，为得到目标图像矩阵与所述标准图像矩阵之间的哈希值差别，参见图12，图12示出了将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别的步骤包括：
步骤S121.将所述目标图像的3D全局矩阵的哈希值，与所述标准图像的3D全局矩阵的哈希值进行比对，得到目标图像与标准图像的3D全局矩阵哈希值差别。
步骤S122.将所述目标图像的3D局部矩阵的哈希值，与所述标准图像的3D局部矩阵的哈希值进行比对，得到目标图像与标准图像的3D局部矩阵哈希值差别。
步骤S123.将所述目标图像的2D矩阵的哈希值，与所述标准图像的2D矩阵的哈希值进行比对，得到目标图像与标准图像的2D矩阵哈希值差别。
步骤S124.根据所述3D全局矩阵哈希值差别，所述3D局部矩阵哈希值差别和所述2D矩阵哈希值差别，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
具体的，所述哈希值差别为所述目标图像矩阵与所述标准图像矩阵相同的图像矩阵形式进行对比确定的哈希值差别，经由上述步骤S124中，基于三种不同的图像矩阵形式之间的哈希值，进而确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别，进一步提高了计算目标图像矩阵与所述标准图像矩阵之间哈希值差别的准确率。
可以理解的是，所述目标图像矩阵是所述目标图像提取得到的，所述标准图像矩阵是所述标准图像提取得到，将所述目标图像矩阵的哈希值与标准图像矩阵的哈希值进行比对，可以确定所述目标图像矩阵与标准图像矩阵之间的哈希值差别，也就是可以确定所述目标图像与标准图像之间的哈希值差别。
在本发明实施例一种可选的实施方式中，在所述医学图像检测领域，具体的，上述哈希值差别可用于指示所述目标图像与所述标准图像之间的哈希值差别，哈希值差别越小，证明在所述目标图像与所述标准图像在标准空间中配准越完好，也就是说所述目标图像与所述标准图像越接近；哈希值差别越大，证明在所述目标图像与所述标准图像在标准空间中配准差异越大，也就是说所述目标图像与所述标准图像之间越不接近。
在本发明实施例又一可选的实施方式中，在所述文字质量检测领域中，具体的，还公开了所述哈希值差别用于指示所述目标图像(手工书写的文字图像)与所述标准图像(电脑中设置的字体图像，字体例如：黑体)之间的差异情况，所述哈希值差别越小，证明在所述手工书写的文字图像与所述电脑中设置的字体图像(例如：黑体)越相近，也就是说手工书写的文字越工整；所述哈希值差别越大，证明在所述手工书写的文字图像与所述电脑中设置的字体图像(例如：黑体)差异越大，也就是说手工书写的文字越不工整。
在本发明一种可选的实施例中，所述哈希值差别可以为汉明码距离。
根据上述多组哈希值差别，进行相应的图像配准质量的判断，请参见图13，图13为本发明实施例提供的根据多组哈希值，判断图像配准质量的流程图，其步骤包括：
步骤S131.将所述目标图像矩阵与所述标准图像矩阵的哈希值差别聚集为特征数据。
可以理解的是，根据所述目标图像矩阵与所述标准图像矩阵，确定的多组矩阵之间的多组差异值(哈希值差别)，将上述差异值进行聚集确定为所述特征数据。
步骤S132.将所述特征数据输入机器学习模型，获得所述机器学习模型根据所述特征数据预测的目标图像的配准质量；其中，所述机器学习模型基于特征数据的历史数据集以及预先分配的配准质量标签训练得到。
所述机器学习模型为随机森林算法，所述机器学习模型通过研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，使其拥有某种能够识别某些物品的能力。
当然，本发明实施例中的所述机器学习模型基于特征数据的历史数据集以及预先分配的配准质量标签训练得到，进而通过所述机器学习模型根据所述特征数据预测所述目标图像的配准质量。
本发明实施例通过机器学习训练流程和判断所述图像配准质量的样本结果有如下实验数据：
数据集：190个样本数据，配准好的数据大约比配准不好的多一倍。
算法：随机森林，使用gridsearch方法找出最佳参数搭建模型
验证：5-次交叉验证，平均准确率为：83.97％
样本数据训练与测试：20％的随机train-test split；测试数据结果为：
准确率：0.8157
AUC ROC：0.86
F1分数：0.8372
当然，上述的图像配准质量检测方法判定不仅应用到本发明实施例提供的医学图像领域，本发明实施例也可以在诸如计算机识别地图上某一区域等其他场景下应用。
具体的，在另一种可选的实施例中，上述图像配准质量检测方法应用到文字质量检测领域，可通过确定所述目标图像(人工书写的文字图像)对应的目标图像矩阵的多组哈希值；确定所述标准图像(电脑中设置的字体图像，字体例如：黑体)的标准图像矩阵对应的多组哈希值；将所述目标图像矩阵与标准图像矩阵的对应的图像矩阵的相同位置对应的哈希值进行比对，确定所述目标图像矩阵与标准图像矩阵之间的哈希值差别；根据所述哈希值差别通过机器学习模型预测的所述目标图像的配准质量，其中，所述机器学习模型基于特征数据的历史数据集以及预先分配的配准质量标签训练得到，所述配准质量越好，即人工书写的文字图像与所述电脑中设置的字体图像(例如：黑体)的相似度越高，也就是人工书写的文字越工整。
上文描述了本发明实施例提供的多个实施例方案，各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用，从而延伸出多种可能的实施例方案，这些均可认为是本发明实施例披露、公开的实施例方案。
下面对本发明实施例提供的图像配准质量检测装置进行介绍，下文描述的图像配准质量检测装置可以认为是图像配准质量检测装置为实现本发明实施例提供的图像配准质量检测方法所需设置的功能模块，下文描述的图像配准质量检测装置的内容可与上文描述的图像配准质量检测方法的内容相互对应参照。
作为一种可选实现，图14示出了本发明实施例提供的图像配准质量检测装置的一种可选框图，该图像配准质量检测装置可应用于图像配准质量检测设备，图像配准质量检测设备可以是终端设备，也可以是服务器设备；参照图14，该图像配准质量检测装置可以包括：
配准模块141，用于获取已配准到标准空间的目标图像。
提取模块142，用于提取所述目标图像对应的目标图像矩阵。
处理模块143，用于处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值。
获取模块144，用于获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值。
对比模块145，用于将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
确定模块146，用于根据所述哈希值差别，确定所述目标图像的配准质量。
具体的，在本发明实施例公开的图像配准质量检测装置中，提取模块142，用于提取所述目标图像对应的目标图像矩阵可以具体包括：
提取所述目标图像对应的3D图像矩阵。
其中，所述目标图像对应的3D图像矩阵包括：所述目标图像对应的3D全局矩阵，和/或，所述目标图像对应的3D局部矩阵。
在本发明实施例公开的图像配准质量检测装置中，提取模块142，用于提取所述目标图像对应的目标图像矩阵，若所述3D图像矩阵包括3D全局矩阵，所述提取所述目标图像对应的3D图像矩阵可以具体包括：
对所述目标图像整体提取图像矩阵，得到所述目标图像对应的3D全局矩阵。
在本发明实施例公开的图像配准质量检测装置中，提取模块142，用于提取所述目标图像对应的目标图像矩阵，若所述3D图像矩阵包括3D局部矩阵，所述提取所述目标图像对应的3D图像矩阵可以具体包括：
从所述目标图像中提取N个局部区域图像，确定各局部区域图像对应的局部图像矩阵，以得到N个局部图像矩阵，将所述N个局部图像矩阵作为所述3D局部矩阵。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值可以具体包括：
通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵；
确定所述到第一目标维度的矩阵的哈希值，以得到所述3D图像矩阵对应的哈希值。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于若所述3D图像矩阵包括3D全局矩阵，则所述通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵可以具体包括：
对所述3D全局矩阵进行第一缩放处理，得到第一维度的矩阵；
对所述第一维度的矩阵进行第二缩放处理，得到所述第一目标维度的矩阵。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于若所述3D图像矩阵包括3D局部矩阵，且所述3D局部矩阵包括从所述目标图像中提取的N个局部区域图像，则所述通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵可以具体包括：
分别对N个局部图像矩阵进行第一缩放处理，得到N个第一维度的矩阵；
根据所述N个第一维度的矩阵，形成第一目标维度的矩阵。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于所述根据所述N个第一维度的矩阵，形成第一目标维度的矩阵可以具体包括：
分别对所述N个第一维度的矩阵进行第二缩放处理，得到第二缩放处理后的N个矩阵；
针对所述N个矩阵，在各矩阵的各维度分别提取前k个数据，形成第一目标维度的矩阵，其中，k为设定数值。
在本发明实施例公开的图像配准质量检测装置中，所述第二缩放处理为离散余弦变换DCT处理。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于确定所述第一目标维度的矩阵对应的哈希值可以具体包括：
确定所述第一目标维度的矩阵的矩阵平均值；
根据所述矩阵平均值确定第一目标维度的哈希矩阵；
确定所述第一目标维度的哈希矩阵对应的哈希值。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于根据所述矩阵平均值确定所述第一目标维度的哈希矩阵可以具体包括：
将所述第一目标维度的矩阵的矩阵平均值，与所述第一目标维度的矩阵的各位置的数值分别进行比较；
若所述第一目标维度的矩阵中存在数值不小于所述矩阵平均值的目标位置，将第一目标维度的矩阵中所述目标位置的数值赋为第一值，以确定所述第一目标维度的哈希矩阵。
在本发明实施例公开的图像配准质量检测装置中，处理模块145，用于若所述3D图像矩阵包括3D全局矩阵和3D局部矩阵，所述将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别可以具体包括：
将所述目标图像的3D全局矩阵的哈希值，与所述标准图像的3D全局矩阵的哈希值进行比对，得到目标图像与标准图像的3D全局矩阵哈希值差别；
将所述目标图像的3D局部矩阵的哈希值，与所述标准图像的3D局部矩阵的哈希值进行比对，得到目标图像与标准图像的3D局部矩阵哈希值差别；
根据所述3D全局矩阵哈希值差别和所述3D局部矩阵哈希值差别，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于提取所述目标图像对应的目标图像矩阵还可以具体包括：
提取所述目标图像对应的2D矩阵；
所述处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值还包括：
处理所述2D矩阵，得到所述2D矩阵对应的哈希值。
在本发明实施例公开的图像配准质量检测装置中，所述2D矩阵的数量为多个；处理模块143，用于所述处理所述2D矩阵，得到所述2D矩阵对应的哈希值可以具体包括：
对所述2D矩阵进行第三缩放处理，确定所述2D矩阵的第二目标维度的矩阵；
确定所述第二目标维度的矩阵对应的哈希矩阵；
确定所述第二目标维度的矩阵对应的哈希矩阵的哈希值，以得到所述2D矩阵对应的哈希值。
在本发明实施例公开的图像配准质量检测装置中，所述第三缩放处理为双线性差值处理。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于确定所述第二目标维度的矩阵对应的哈希矩阵可以具体包括：
对所述第二目标维度的矩阵进行差值哈希处理，以得到所述第二目标维度的矩阵对应的哈希矩阵。
在本发明实施例公开的图像配准质量检测装置中，处理模块143，用于对所述第二目标维度的矩阵进行差值哈希处理，以得到所述第二目标维度的矩阵对应的哈希矩阵可以具体包括：
针对所述第二目标维度的矩阵，将前后相邻维度中相同位置的数值进行比较；
若比较结果为前一维度中所述位置的数值不小于后一维度中所述位置的数值，将所述第二目标维度的矩阵中前一维度的所述位置的数值赋为第一值，以得到所述第二目标维度的矩阵对应的哈希矩阵。
在本发明实施例公开的图像配准质量检测装置中还包括：获取模块144，用于获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值。
在本发明实施例公开的图像配准质量检测装置中，对比模块145，用于若所述3D图像矩阵包括3D全局矩阵和3D局部矩阵，所述将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别可以具体包括：
将所述目标图像的3D全局矩阵的哈希值，与所述标准图像的3D全局矩阵的哈希值进行比对，得到目标图像与标准图像的3D全局矩阵哈希值差别；
将所述目标图像的3D局部矩阵的哈希值，与所述标准图像的3D局部矩阵的哈希值进行比对，得到目标图像与标准图像的3D局部矩阵哈希值差别；
将所述目标图像的2D矩阵的哈希值，与所述标准图像的2D矩阵的哈希值进行比对，得到目标图像与标准图像的2D矩阵哈希值差别；
根据所述3D全局矩阵哈希值差别，所述3D局部矩阵哈希值差别和所述2D矩阵哈希值差别，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
在本发明实施例公开的图像配准质量检测装置中，所述哈希值差别为汉明码距离。
在本发明实施例公开的图像配准质量检测装置中，还包括确定模块146，用于根据所述哈希值差别，确定所述目标图像的配准质量可以具体包括：
将所述目标图像矩阵与所述标准图像矩阵的哈希值差别聚集为特征数据；
将所述特征数据输入机器学习模型，获得所述机器学习模型根据所述特征数据预测的目标图像的配准质量；其中，所述机器学习模型基于特征数据的历史数据集以及预先分配的配准质量标签训练得到。
本发明实施例还提供一种于图像配准质量检测设备，该图像配准质量检测设备可通过装载上述所述的图像配准质量检测装置，以实现本发明实施例提供的图像配准质量检测方法。可选的，该图像配准质量检测设备的一种可选硬件结构可以如图15所示，图15为本发明实施例提供的一种于图像配准质量检测设备的结构图，包括：至少一个处理器01，至少一个通信接口02，至少一个存储器03和至少一个通信总线04；
在本发明实施例中，处理器01、通信接口02、存储器03通过通信总线04完成相互间的通信；
处理器01可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器03可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，存储器03存储有程序，处理器01调用存储器03所存储的程序，执行本发明实施例提供的图像配准质量检测方法。
本发明实施例还提供一种存储介质，该存储介质可以存储执行本发明实施例提供的图像配准质量检测方法的程序。
可选的，所述程序可具体用于：
获取已配准到标准空间的目标图像；
提取所述目标图像对应的目标图像矩阵；
处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值；
获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值；
将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别；
根据所述哈希值差别，确定所述目标图像的配准质量。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (22)

1.一种图像配准质量检测方法，其特征在于，包括：
获取已配准到标准空间的目标图像；
提取所述目标图像对应的目标图像矩阵，其中，所述提取所述目标图像对应的目标图像矩阵包括：提取所述目标图像对应的3D图像矩阵，所述3D图像矩阵用于表示目标图像整体的3D图像信息的图像矩阵，其中，所述目标图像对应的3D图像矩阵包括：所述目标图像对应的3D全局矩阵，和/或，所述目标图像对应的3D局部矩阵；
处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值；
获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值；
将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别；
根据所述哈希值差别，确定所述目标图像的配准质量。
2.根据权利要求1所述的图像配准质量检测方法，若所述3D图像矩阵包括3D全局矩阵，所述提取所述目标图像对应的3D图像矩阵包括：
对所述目标图像整体提取图像矩阵，得到所述目标图像对应的3D全局矩阵。
3.根据权利要求1所述的图像配准质量检测方法，若所述3D图像矩阵包括3D局部矩阵，所述提取所述目标图像对应的3D图像矩阵包括：
从所述目标图像中提取N个局部区域图像，确定各局部区域图像对应的局部图像矩阵，以得到N个局部图像矩阵，将所述N个局部图像矩阵作为所述3D局部矩阵。
4.根据权利要求1所述的图像配准质量检测方法，其特征在于，所述处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值包括：
通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵；
确定所述第一目标维度的矩阵的哈希值，以得到所述3D图像矩阵对应的哈希值。
5.如权利要求4所述的图像配准质量检测方法，其特征在于，若所述3D图像矩阵包括3D全局矩阵，则所述通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵包括：
对所述3D全局矩阵进行第一缩放处理，得到第一维度的矩阵；
对所述第一维度的矩阵进行第二缩放处理，得到所述第一目标维度的矩阵。
6.根据权利要求4所述的图像配准质量检测方法，其特征在于，若所述3D图像矩阵包括3D局部矩阵，且所述3D局部矩阵包括从所述目标图像中提取的N个局部区域图像，则所述通过对所述3D图像矩阵进行缩放处理，得到第一目标维度的矩阵包括：
分别对N个局部图像矩阵进行第一缩放处理，得到N个第一维度的矩阵；
根据所述N个第一维度的矩阵，形成第一目标维度的矩阵。
7.根据权利要求6所述的图像配准质量检测方法，其特征在于，所述根据所述N个第一维度的矩阵，形成第一目标维度的矩阵包括：
分别对所述N个第一维度的矩阵进行第二缩放处理，得到第二缩放处理后的N个矩阵；
针对所述N个矩阵，在各矩阵的各维度分别提取前k个数据，形成第一目标维度的矩阵，其中，k为设定数值。
8.如权利要求7所述的图像配准质量检测方法，其特征在于，所述第二缩放处理为离散余弦变换DCT处理。
9.根据权利要求4所述的图像配准质量检测方法，其特征在于，所述确定所述第一目标维度的矩阵对应的哈希值包括：
确定所述第一目标维度的矩阵的矩阵平均值；
根据所述矩阵平均值确定第一目标维度的哈希矩阵；
确定所述第一目标维度的哈希矩阵对应的哈希值。
10.如权利要求9所述的一种图像配准质量检测方法，其特征在于，所述根据所述矩阵平均值确定所述第一目标维度的哈希矩阵包括：
将所述第一目标维度的矩阵的矩阵平均值，与所述第一目标维度的矩阵的各位置的数值分别进行比较；
若所述第一目标维度的矩阵中存在数值不小于所述矩阵平均值的目标位置，将第一目标维度的矩阵中所述目标位置的数值赋为第一值，以确定所述第一目标维度的哈希矩阵。
11.根据权利要求1所述的图像配准质量检测方法，其特征在于，若所述3D图像矩阵包括3D全局矩阵和3D局部矩阵，所述将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别包括：
将所述目标图像的3D全局矩阵的哈希值，与所述标准图像的3D全局矩阵的哈希值进行比对，得到目标图像与标准图像的3D全局矩阵哈希值差别；
将所述目标图像的3D局部矩阵的哈希值，与所述标准图像的3D局部矩阵的哈希值进行比对，得到目标图像与标准图像的3D局部矩阵哈希值差别；
根据所述3D全局矩阵哈希值差别和所述3D局部矩阵哈希值差别，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
12.如权利要求4所述的图像配准质量检测方法，其特征在于，所述提取所述目标图像对应的目标图像矩阵还包括：
提取所述目标图像对应的2D矩阵；
所述处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值还包括：
处理所述2D矩阵，得到所述2D矩阵对应的哈希值。
13.如权利要求12所述的图像配准质量检测方法，其特征在于，所述2D矩阵的数量为多个；所述处理所述2D矩阵，得到所述2D矩阵对应的哈希值包括：
对所述2D矩阵进行第三缩放处理，确定所述2D矩阵的第二目标维度的矩阵；
确定所述第二目标维度的矩阵对应的哈希矩阵；
确定所述第二目标维度的矩阵对应的哈希矩阵的哈希值，以得到所述2D矩阵对应的哈希值。
14.如权利要求13所述的图像配准质量检测方法，其特征在于，所述第三缩放处理为双线性差值处理。
15.如权利要求13所述的图像配准质量检测方法，其特征在于，所述确定所述第二目标维度的矩阵对应的哈希矩阵包括：
对所述第二目标维度的矩阵进行差值哈希处理，以得到所述第二目标维度的矩阵对应的哈希矩阵。
16.如权利要求15所述的图像配准质量检测方法，其特征在于，所述对所述第二目标维度的矩阵进行差值哈希处理，以得到所述第二目标维度的矩阵对应的哈希矩阵包括：
针对所述第二目标维度的矩阵，将前后相邻维度中相同位置的数值进行比较；
若比较结果为前一维度中所述位置的数值不小于后一维度中所述位置的数值，将所述第二目标维度的矩阵中前一维度的所述位置的数值赋为第一值，以得到所述第二目标维度的矩阵对应的哈希矩阵。
17.根据权利要求12所述的图像配准质量检测方法，其特征在于，若所述3D图像矩阵包括3D全局矩阵和3D局部矩阵，所述将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别包括：
将所述目标图像的3D全局矩阵的哈希值，与所述标准图像的3D全局矩阵的哈希值进行比对，得到目标图像与标准图像的3D全局矩阵哈希值差别；
将所述目标图像的3D局部矩阵的哈希值，与所述标准图像的3D局部矩阵的哈希值进行比对，得到目标图像与标准图像的3D局部矩阵哈希值差别；
将所述目标图像的2D矩阵的哈希值，与所述标准图像的2D矩阵的哈希值进行比对，得到目标图像与标准图像的2D矩阵哈希值差别；
根据所述3D全局矩阵哈希值差别，所述3D局部矩阵哈希值差别和所述2D矩阵哈希值差别，确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别。
18.如权利要求1所述的图像配准质量检测方法，其特征在于，所述哈希值差别为汉明码距离。
19.如权利要求1所述的图像配准质量检测方法，其特征在于，所述根据所述哈希值差别，确定所述目标图像的配准质量包括：
将所述目标图像矩阵与所述标准图像矩阵的哈希值差别聚集为特征数据；
将所述特征数据输入机器学习模型，获得所述机器学习模型根据所述特征数据预测的目标图像的配准质量；其中，所述机器学习模型基于特征数据的历史数据集以及预先分配的配准质量标签训练得到。
20.一种图像配准质量检测装置，其特征在于：
配准模块，用于获取已配准到标准空间的目标图像；
提取模块，用于提取所述目标图像对应的目标图像矩阵，其中，所述提取所述目标图像对应的目标图像矩阵包括：提取所述目标图像对应的3D图像矩阵，所述3D图像矩阵用于表示目标图像整体的3D图像信息的图像矩阵，其中，所述目标图像对应的3D图像矩阵包括：所述目标图像对应的3D全局矩阵，和/或，所述目标图像对应的3D局部矩阵；
处理模块，用于处理所述目标图像矩阵，得到所述目标图像矩阵对应的哈希值；
获取模块，用于获取所述标准空间的标准图像，以及所述标准图像对应的标准图像矩阵的哈希值；
对比模块，用于将所述目标图像矩阵的哈希值与所述标准图像矩阵的哈希值进行比对，以确定所述目标图像矩阵与所述标准图像矩阵的哈希值差别；
确定模块，用于根据所述哈希值差别，确定所述目标图像的配准质量。
21.一种电子设备，其特征在于，包括至少一个存储器和至少一个处理器；所述存储器存储计算机指令，所述处理器调用所述计算机指令，以执行权利要求1-19任一项所述图像配准质量检测方法。
22.一种存储介质，其特征在于，所述存储介质存储有执行权利要求1-19任一项所述图像配准质量检测方法的程序。
CN201911364946.5A 2019-12-26 2019-12-26 一种图像配准质量检测方法、装置、设备及存储介质 Active CN111145230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911364946.5A CN111145230B (zh) 2019-12-26 2019-12-26 一种图像配准质量检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911364946.5A CN111145230B (zh) 2019-12-26 2019-12-26 一种图像配准质量检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111145230A CN111145230A (zh) 2020-05-12
CN111145230B true CN111145230B (zh) 2021-07-06

Family

ID=70520517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911364946.5A Active CN111145230B (zh) 2019-12-26 2019-12-26 一种图像配准质量检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111145230B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090046635A (ko) * 2007-11-06 2009-05-11 고려대학교 산학협력단 부분 기하학적 해싱을 이용한 은닉된 지문 데이터의 정렬방법, 부분 기하학적 해싱을 이용한 지문 데이터 인증방법, 부분 기하학적 해싱을 이용한 은닉된 지문 데이터의정렬 장치 및 부분 기하학적 해싱을 이용한 지문 데이터인증 시스템
CN106228533A (zh) * 2016-07-05 2016-12-14 董超超 一种图像配准验证系统
CN107665496A (zh) * 2017-08-25 2018-02-06 北京控制工程研究所 一种三维姿态配准方法
CN108805862A (zh) * 2018-05-02 2018-11-13 南京大学 一种基于改进结构相似度的标签鉴别方法
CN109993709A (zh) * 2019-03-18 2019-07-09 绍兴文理学院 一种基于深度学习的图像配准误差校正方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160654A (zh) * 2015-07-09 2015-12-16 浙江工商大学 基于特征点提取的毛巾标签缺陷检测方法
CN105118021B (zh) * 2015-07-28 2019-04-19 深圳市汇川技术股份有限公司 基于特征点的图像配准方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090046635A (ko) * 2007-11-06 2009-05-11 고려대학교 산학협력단 부분 기하학적 해싱을 이용한 은닉된 지문 데이터의 정렬방법, 부분 기하학적 해싱을 이용한 지문 데이터 인증방법, 부분 기하학적 해싱을 이용한 은닉된 지문 데이터의정렬 장치 및 부분 기하학적 해싱을 이용한 지문 데이터인증 시스템
CN106228533A (zh) * 2016-07-05 2016-12-14 董超超 一种图像配准验证系统
CN107665496A (zh) * 2017-08-25 2018-02-06 北京控制工程研究所 一种三维姿态配准方法
CN108805862A (zh) * 2018-05-02 2018-11-13 南京大学 一种基于改进结构相似度的标签鉴别方法
CN109993709A (zh) * 2019-03-18 2019-07-09 绍兴文理学院 一种基于深度学习的图像配准误差校正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
序列图像的快速配准算法研究;张艳珠等;《沈阳理工大学学报》;20170630;第36卷(第3期);第58-64页 *
自适应图像增强的差值哈希算法对运动目标的跟踪定位研究;吴子岳等;《全球定位系统》;20181031;第43卷(第5期);第98-104页 *

Also Published As

Publication number Publication date
CN111145230A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN106447592B (zh) 每个特征描述符的在线个性化服务
CN110738236B (zh) 图像匹配方法、装置、计算机设备及存储介质
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
EP2954457A1 (en) System and method for identifying similarities in different images
US10699156B2 (en) Method and a device for image matching
Tahir et al. MD-LBP: an efficient computational model for protein subcellular localization from HeLa cell lines using SVM
CN110738222B (zh) 图像匹配方法、装置、计算机设备和存储介质
Sundara Vadivel et al. An efficient CBIR system based on color histogram, edge, and texture features
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN111311593B (zh) 一种多椭圆检测和评估算法、装置及终端
Park et al. Fast and robust copy-move forgery detection based on scale-space representation
CN109697240B (zh) 一种基于特征的图像检索方法及装置
Warif et al. A comprehensive evaluation procedure for copy-move forgery detection methods: results from a systematic review
Zhang et al. Image splicing localization using noise distribution characteristic
CN111626313B (zh) 一种特征提取模型训练方法、图像处理方法及装置
CN111145230B (zh) 一种图像配准质量检测方法、装置、设备及存储介质
Wong et al. Efficient multi-structure robust fitting with incremental top-k lists comparison
CN111652277A (zh) 假阳性过滤方法、电子装置及计算机可读存储介质
CN111488811A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN110705569A (zh) 一种基于纹理特征的图像局部特征描述子提取方法
CN110287943B (zh) 图像的对象识别方法、装置、电子设备及存储介质
Ahmed et al. Blind copy-move forgery detection using SVD and KS test
CN111753723A (zh) 一种基于密度校准的指纹识别方法及装置
CN113077410A (zh) 图像检测方法、装置方法、芯片及计算机可读存储介质
Isnanto et al. Determination of the optimal threshold value and number of keypoints in scale invariant feature transform-based copy-move forgery detection

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