CN112419376B - 图像配准方法、电子设备及存储介质 - Google Patents
图像配准方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112419376B CN112419376B CN202011309174.8A CN202011309174A CN112419376B CN 112419376 B CN112419376 B CN 112419376B CN 202011309174 A CN202011309174 A CN 202011309174A CN 112419376 B CN112419376 B CN 112419376B
- Authority
- CN
- China
- Prior art keywords
- target
- deformation field
- sample
- image
- reference 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003706 image smoothing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像配准方法、电子设备及存储介质。其中，图像配准方法包括：获取目标待配准图像到目标参考图像的目标变形场；在目标参考图像中选取目标关键点；根据目标变形场中与目标关键点对应的变形场值对与非目标关键点对应的变形场值进行插值计算，得到处理后的目标变形场；其中，非目标关键点为目标参考图像中除所述目标关键点以外的点。本发明利用目标变形场中与目标关键点对应的变形场值插值计算与非目标关键点对应的变形场值，能够保证目标变形场中的各个变形场值平滑过渡，从而提高目标变形场的平滑性，同时，通过保持目标变形场中与目标关键点对应的变形场值不变，保证了关键点处形变的准确性，从而提高了图像配准的精度。
Description
技术领域
本发明涉及图像配准领域，特别涉及一种图像配准方法、电子设备及存储介质。
背景技术
图像配准是将浮动图像与参考图像进行空间匹配的过程，具体地，对于浮动图像寻求一种或者一系列的空间变换，使它与参考图像上的对应点达到空间上的一致。在非刚性图像配准过程中，这种空间变换关系可以通过变形场来体现，即参考图像和浮动图像之间的坐标对应关系。理想情况下，这种坐标对应关系应该是一一对应的，即从浮动图像到参考图像的变形场是可逆以及光滑的。但是通常难以直接通过现有的图像配准方法得到比较光滑的变形场，需要后期对变形场进行平滑处理。
传统的图像配准方法中，可以通过微分几何约束保证变形场的可逆性以及平滑性，但计算量大且耗时长。所以为了保证变形场的平滑性，通常对变形场进行均值平滑或者高斯平滑的操作，即常用的图像平滑方法。均值平滑或者高斯平滑之类的图像平滑操作，对整个图像利用相同的平滑算子进行滑动窗操作，对滑动窗内的像素值进行加权求和。这种利用相同的方式对整个图像不同的局部位置进行平滑的操作，并不能较好地适用于变形场的平滑。
发明内容
本发明要解决的技术问题是为了克服现有技术中利用相同的方式对整个变形场进行平滑操作存在无法保证变形场平滑性的缺陷，提供一种图像配准方法、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明的第一方面提供一种图像配准方法，包括：
获取目标待配准图像到目标参考图像的目标变形场；
在目标参考图像中选取目标关键点；
根据所述目标变形场中与所述目标关键点对应的变形场值对与非目标关键点对应的变形场值进行插值计算，得到处理后的目标变形场；
其中，所述非目标关键点为所述目标参考图像中除所述目标关键点以外的点；
根据处理后的目标变形场将所述目标待配准图像配准至所述目标参考图像。
较佳地，所述在目标参考图像中选取目标关键点的步骤具体包括：
在目标参考图像的边缘区域中选取目标关键点。
较佳地，所述在目标参考图像中选取关键点的步骤具体包括：
根据目标参考图像与目标待配准图像中差别超过预设阈值的像素点确定所述目标参考图像中的目标区域；
从所述目标区域中选取目标关键点。
较佳地，所述根据目标参考图像与目标待配准图像中各像素点的值确定所述目标参考图像中的目标区域的步骤具体包括：
获取目标参考图像中各个像素点的值与目标待配准图像中对应像素点的值之间的差值；
若所述差值超过所述预设阈值，则将所述目标参考图像中对应的像素点作为目标像素点；
确定所述目标像素点构成的区域为目标区域。
较佳地，从所述目标区域中选取目标关键点的步骤具体包括：
从所述目标区域的边缘区域中选取目标关键点。
较佳地，所述根据所述目标变形场中与所述目标关键点对应的变形场值对与非目标关键点对应的变形场值进行插值计算，具体包括：
对所述目标变形场中与非目标关键点对应的变形场值进行预处理，之后将所述变形场输入变形场平滑模型进行插值计算；其中，所述变形场平滑模型基于训练样本训练得到，所述训练样本包括若干幅不同的样本待配准图像以及对应的样本参考图像。
较佳地，所述对所述目标变形场中与非目标关键点对应的变形场值进行预处理，具体包括：
将所述目标变形场中与非目标关键点对应的变形场值均设为0。
较佳地，利用如下步骤训练所述变形场平滑模型：
获取训练样本中样本待配准图像到样本参考图像的样本变形场；
在样本参考图像中选取样本关键点；
对所述样本变形场中与非样本关键点对应的变形场值进行预处理，得到中间变形场；其中，所述非样本关键点为所述样本参考图像中除所述样本关键点以外的点；
将所述中间变形场输入构建的变形场平滑模型；
根据输出的变形场与所述样本变形场计算损失值，并根据所述损失值调整所述变形场平滑模型的参数，直至所述损失值满足收敛条件。
较佳地，所述对所述样本变形场中与非样本关键点对应的变形场值进行预处理，具体包括：
将所述样本变形场中与非样本关键点对应的变形场值均设为0。
本发明的第三方面提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的图像配准方法。
本发明的第四方面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第一方面所述的图像配准方法。
本发明的积极进步效果在于：利用目标变形场中与目标关键点对应的变形场值插值计算与非目标关键点对应的变形场值，能够保证目标变形场中的各个变形场值平滑过渡，从而提高目标变形场的平滑性，同时，通过保持目标变形场中与目标关键点对应的变形场值不变，保证了目标关键点处形变的准确性，从而提高了图像配准的精度。
附图说明
图1为本发明实施例1提供的一种图像配准方法的流程图。
图2为本发明实施例1提供的一种目标变形场的示意图。
图3为本发明实施例1提供的在目标参考图像上选取的目标关键点的示意图。
图4为本发明实施例1提供的在目标参考图像上从目标区域中选取的目标关键点的示意图。
图5为将图3和图4中的目标关键点合并之后的效果示意图。
图6为本发明实施例1提供的一种经过预处理的目标变形场的示意图。
图7为本发明实施例1提供的一种经过平滑处理的目标变形场的示意图。
图8为本发明实施例1提供的训练变形场平滑模型的方法示意图。
图9为本发明实施例2提供的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
本发明中的非刚性图像配准可以应用于军事、遥感、医学等领域。在医学领域的应用场景中，图像配准所涉及的待配准图像以及参考图像可以为医学影像。在临床应用中，多时间点图像的配准可用于随访的研究，不同人的不同人的图像配准可应用于人群分析，对不同的对象进行定量评估。虽然准确性是评价图像配准性能的一个关键因素，但是变形场的平滑性也是至关重要的，特别是在分析细微的解剖变化时。在保证形变准确的基础上，尽量提高变形场的平滑性可以保持图像解剖学的拓扑结构不变。
需要说明的是，在一些实施例中，待配准图像也可称为浮动图像。
实施例1
本发明实施例提供一种图像配准方法，如图1所示，包括以下步骤：
步骤S101、获取目标待配准图像到目标参考图像的目标变形场。
在步骤S101具体实施的一个例子中，通过将目标待配准图像和目标参考图像输入至训练好的形变配准模型，得到目标待配准图像配准到目标参考图像的目标变形场。在步骤S101的具体实施的另一个例子中，通过将目标待配准图像和目标参考图像输入至fnirt(一种非线性配准函数)配准算法模型，得到目标待配准图像配准到目标参考图像的目标变形场。
在一个具体的例子中，目标待配准图像到目标参考图像的目标变形场如图2所示。
步骤S102、在目标参考图像中选取目标关键点。
通常情况下，目标参考图像边缘配准的精度很大程度上决定了目标待配准图像整体的配准精度，为了保证目标待配准图像整体配准的精度，在步骤S102可选的一种实施方式中，在目标参考图像的边缘区域中选取目标关键点。
在具体实施中，可以利用边缘提取算子提取目标参考图像的边缘区域，并从边缘区域中选取一定数量的点作为目标关键点。在一个例子中，利用Sobel算子(一种边缘提取算子)获取目标参考图像的一阶梯度，得到目标参考图像的边缘区域，通过在一阶梯度上随机选取一定数量的点得到目标关键点。在如图3所示的例子中，白色的像素点即为从目标参考图像上选取的目标关键点。
目标参考图像和目标待配准图像差别较大的区域意味着形变较大，在步骤S102可选的另一种实施方式中，根据目标参考图像和目标待配准图像差别较大的区域选取目标关键点，具体地，步骤S102包括：
步骤S102a、根据目标参考图像和目标待配准图像中差别超过预设阈值的各像素点确定所述目标参考图像中的目标区域。
在步骤S102a可选的一种实施方式中，对目标参考图像和目标待配准图像做差，即对目标参考图像中每个像素点的值与目标待配准图像中对应像素点的值做差，选取差值超过预设阈值的目标像素点，这些目标像素点所构成的区域即为目标区域。
在步骤S102a可选的其它实施方式中，还可以对目标参考图像和目标待配准图像做商，以得到目标区域。
步骤S102b、从所述目标区域中选取目标关键点。
在具体实施的一个例子中，从目标区域中也即从上述目标像素点中选取一定数量的点作为目标关键点。
在具体实施的另一个例子中，从目标区域中提取边缘区域，并在边缘区域中选取目标关键点。在如图4所示的例子中，白色的像素点即为在目标参考图像上从目标区域的边缘区域中选取的目标关键点。
在具体实施的又一个例子中，先从目标参考图像的边缘区域选取目标关键点即第一目标关键点，再从目标区域的边缘区域中选取目标关键点即第二目标关键点。将图3所示的第一目标关键点与图4所示的第二目标关键点合并之后得到如图5所示的效果，如图5所示的白色的像素点包括目标参考图像中的第一目标关键点以及第二目标关键点。
步骤S103、根据所述目标变形场中与所述目标关键点对应的变形场值对与非目标关键点对应的变形场值进行插值计算，得到处理后的目标变形场。其中，所述非目标关键点为所述目标参考图像中除所述目标关键点以外的点。
需要说明的是，利用已知的与目标关键点对应的变形场值来计算未知的与非目标关键点对应的变形场值的过程即为插值计算。
本实施方式中，利用目标变形场中与目标关键点对应的变形场值插值计算与非目标关键点对应的变形场值，能够保证目标变形场中的各个变形场值平滑过渡，从而提高目标变形场的平滑性。同时，通过保持目标变形场中与目标关键点对应的变形场值不变，保证了目标关键点处形变的准确性，从而提高了图像配准的精度。
在步骤S103可选的一种实施方式中，对所述目标变形场中与非目标关键点对应的变形场值进行预处理，之后将所述变形场输入变形场平滑模型进行插值计算；其中，所述变形场平滑模型基于训练样本训练得到，所述训练样本包括若干幅不同的样本待配准图像以及对应的样本参考图像。
本实施方式中，利用训练好的变形场平滑模型对输入的目标变形场进行插值计算，输出经过平滑处理的目标变形场，能够保证输出的目标变形场中各个变形场值平滑地过渡，提高了目标变形场的平滑性。同时，通过保持目标变形场中与目标关键点对应的变形场值不变，保证了目标关键点处形变的准确性，从而提高了图像配准的精度。
在可选的一种实施方式中，对所述目标变形场中与非目标关键点对应的变形场值进行预处理，具体包括：将所述目标变形场中与非目标关键点对应的变形场值均设为0。本实施方式中，输入的目标变形场中只有与目标关键点对应的地方有变形场值，将其输入至变形场平滑模型中对目标变形场中其余的变形场值进行插值计算，输出经过平滑处理的目标变形场。
在一个具体的例子中，根据图5所示的目标关键点在目标参考图像上的位置，将图2所示的目标变形场中与非目标关键点对应的变形场值均设为0，可以得到图6所示的预处理后的目标变形场。将图6所示的预处理后的目标变形场输入变形场平滑模型进行插值计算，可以得到图7所示的经过平滑处理的目标变形场。对比图2和图7可以看出，图7所示的变形场相较于图2所示的变形场更加平滑。
步骤S104、根据处理后的目标变形场将所述目标待配准图像配准至所述目标参考图像。
本实施方式中，根据经过平滑处理的目标变形场对所述目标待配准图像进行配准，提高了目标待配准图像配准至目标参考图像的准确度。
在可选的一种实施方式中，如图8所示，利用如下步骤训练所述变形场平滑模型：
步骤S201、获取训练样本中样本待配准图像到样本参考图像的样本变形场。
步骤S202、在样本参考图像中选取样本关键点。
通常情况下，样本参考图像边缘配准的精度很大程度上决定了样本待配准图像整体的配准精度，为了保证样本待配准图像整体配准的精度，在步骤S202可选的一种实施方式中，在样本参考图像的边缘区域中选取样本关键点。
在具体实施中，可以利用边缘提取算子提取样本参考图像的边缘区域，并从边缘区域中选取一定数量的点作为目标关键点。在一个例子中，利用Sobel算子(一种边缘提取算子)获取样本参考图像的一阶梯度，得到样本参考图像的边缘区域，通过在一阶梯度上随机选取一定数量的点得到样本关键点。
样本参考图像和样本待配准图像差别较大的区域意味着形变较大，在步骤S202可选的另一种实施方式中，根据样本参考图像和样本待配准图像差别较大的区域选取样本关键点。具体实施中，可以参照上述步骤S102a和102b选取目标关键点的步骤选取样本关键点。
在具体实施的一个例子中，从样本参考图像和样本待配准图像差别较大的区域中选取一定数量的点作为样本关键点。
在具体实施的另一个例子中，从样本参考图像和样本待配准图像差别较大的区域中提取边缘区域，并在边缘区域中选取样本关键点。
在具体实施的又一个例子中，先从样本参考图像的边缘区域选取样本关键点即第一样本关键点，再从样本参考图像和样本待配准图像差别较大区域的边缘区域中选取样本关键点即第二样本关键点。
步骤S203、对所述样本变形场中与非样本关键点对应的变形场值进行预处理，得到中间变形场。其中，所述非样本关键点为所述样本参考图像中除所述样本关键点以外的点。
在可选的一种实施方式中，步骤S203中对所述样本变形场中与非样本关键点对应的变形场值进行预处理，具体包括：将所述样本变形场中与非样本关键点对应的变形场值均设为0。
需要说明的是，在具体实施中，若在变形场平滑模型的训练阶段对样本变形场中与非样本关键点对应的变形场值进行了预处理，则在变形场平滑模型的使用阶段即上述步骤S103中，也需要对目标变形场中与非目标关键点对应的变形场值进行同样的预处理。同理，若在变形场平滑模型的训练阶段未对样本变形场中与非样本关键点对应的变形场值进行预处理，则在变形场平滑模型的使用阶段即上述步骤S103中，也不需要对目标变形场中与非目标关键点对应的变形场值进行预处理。
步骤S204、将所述中间变形场输入构建的变形场平滑模型。
步骤S205、根据输出的变形场与所述样本变形场计算损失值，并判断所述损失值是否满足收敛条件，若是，则执行步骤S206，若否，则执行步骤S207。在具体实施的一个例子中，上述损失值小于预设值即为满足收敛条件，预设值可以根据实际需要进行设置。
在可选的一种实施方式中，利用均方误差(Mean Squared Error，MSE)损失函数计算损失值，具体为变形场平滑模型输出的变形场与样本变形场之间差值的平方和。
步骤S206、根据所述损失值调整所述变形场平滑模型的参数，返回步骤S201。其中，返回步骤S201利用训练样本中其它的样本待配准图像以及对应的样本参考图像对变形场平滑模型继续进行训练。
在可选的一种实施方式中，上述变形场平滑模型为神经网络模型。在一个例子中，神经网络模型采用UNet网络结构。
步骤S207、停止训练，输出变形场平滑模型。
实施例2
图9为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序以及实现不同功能的多个子系统，所述处理器执行所述程序时实现实施例1的图像配准方法。图9显示的电子设备3仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备3的组件可以包括但不限于：上述至少一个处理器4、上述至少一个存储器5、连接不同系统组件(包括存储器5和处理器4)的总线6。
总线6包括数据总线、地址总线和控制总线。
存储器5可以包括易失性存储器，例如随机存取存储器(RAM)和/或高速缓存存储器，还可以进一步包括只读存储器(ROM)。
存储器5还可以包括具有一组(至少一个)程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器4通过运行存储在存储器5中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的图像配准方法。
电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且，电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图9所示，网络适配器9通过总线6与电子设备3的其它模块通信。应当明白，尽管图9中未示出，可以结合电子设备3使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1的图像配准方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1的图像配准方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (8)
1.一种图像配准方法，其特征在于，包括：
获取目标待配准图像到目标参考图像的目标变形场；
在目标参考图像中选取目标关键点；
利用所述目标变形场中与所述目标关键点对应的变形场值插值计算与非目标关键点对应的变形场值，得到处理后的目标变形场，具体包括：对所述目标变形场中与非目标关键点对应的变形场值进行预处理，之后将所述变形场输入变形场平滑模型进行插值计算；其中，所述变形场平滑模型基于训练样本训练得到，所述训练样本包括若干幅不同的样本待配准图像以及对应的样本参考图像；
其中，所述非目标关键点为所述目标参考图像中除所述目标关键点以外的点；
根据处理后的目标变形场将所述目标待配准图像配准至所述目标参考图像；
其中，利用如下步骤训练所述变形场平滑模型：
获取所述训练样本中所述样本待配准图像到所述样本参考图像的样本变形场；
在所述样本参考图像中选取样本关键点；
对所述样本变形场中与非样本关键点对应的变形场值进行预处理，得到中间变形场；其中，所述非样本关键点为所述样本参考图像中除所述样本关键点以外的点；
将所述中间变形场输入构建的变形场平滑模型；
根据输出的变形场与所述样本变形场计算损失值，并根据所述损失值调整所述变形场平滑模型的参数，直至所述损失值满足收敛条件。
2.如权利要求1所述的图像配准方法，其特征在于，所述在目标参考图像中选取目标关键点的步骤具体包括：
在目标参考图像的边缘区域中选取目标关键点。
3.如权利要求1所述的图像配准方法，其特征在于，所述在目标参考图像中选取目标关键点的步骤具体包括：
根据目标参考图像与目标待配准图像中差别超过预设阈值的像素点确定所述目标参考图像中的目标区域；
从所述目标区域中选取目标关键点。
4.如权利要求3所述的图像配准方法，其特征在于，所述根据目标参考图像与目标待配准图像中各像素点的值确定所述目标参考图像中的目标区域的步骤具体包括：
获取目标参考图像中各个像素点的值与目标待配准图像中对应像素点的值之间的差值；
若所述差值超过所述预设阈值，则将所述目标参考图像中对应的像素点作为目标像素点；
确定所述目标像素点构成的区域为目标区域；
和/或，从所述目标区域中选取目标关键点的步骤具体包括：
从所述目标区域的边缘区域中选取目标关键点。
5.如权利要求1所述的图像配准方法，其特征在于，所述对所述目标变形场中与非目标关键点对应的变形场值进行预处理，具体包括：
将所述目标变形场中与非目标关键点对应的变形场值均设为0。
6.如权利要求1所述的图像配准方法，其特征在于，所述对所述样本变形场中与非样本关键点对应的变形场值进行预处理，具体包括：
将所述样本变形场中与非样本关键点对应的变形场值均设为0。
7.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，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1-6中任一项所述的图像配准方法。
8.一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如权利要求1-6中任一项所述的图像配准方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011309174.8A CN112419376B (zh) | 2020-11-20 | 2020-11-20 | 图像配准方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011309174.8A CN112419376B (zh) | 2020-11-20 | 2020-11-20 | 图像配准方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112419376A CN112419376A (zh) | 2021-02-26 |
| CN112419376B true CN112419376B (zh) | 2024-02-27 |
Family
ID=74773997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011309174.8A Active CN112419376B (zh) | 2020-11-20 | 2020-11-20 | 图像配准方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419376B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470322A (zh) * | 2018-03-09 | 2018-08-31 | 北京小米移动软件有限公司 | 处理人脸图像的方法、装置及可读存储介质 |
| CN110163832A (zh) * | 2019-05-24 | 2019-08-23 | 北京百度网讯科技有限公司 | 人脸融合方法、装置和终端 |
| CN110298785A (zh) * | 2019-06-29 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 图像美化方法、装置及电子设备 |
| CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
| CN110992411A (zh) * | 2019-12-04 | 2020-04-10 | 图玛深维医疗科技(北京)有限公司 | 图像配准模型的训练方法和装置 |
| CN111210465A (zh) * | 2019-12-31 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170161874A1 (en) * | 2015-12-07 | 2017-06-08 | Le Holdings (Beijing) Co., Ltd. | Method and electronic apparatus for processing image data |
-
2020
- 2020-11-20 CN CN202011309174.8A patent/CN112419376B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470322A (zh) * | 2018-03-09 | 2018-08-31 | 北京小米移动软件有限公司 | 处理人脸图像的方法、装置及可读存储介质 |
| CN110163832A (zh) * | 2019-05-24 | 2019-08-23 | 北京百度网讯科技有限公司 | 人脸融合方法、装置和终端 |
| CN110298785A (zh) * | 2019-06-29 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 图像美化方法、装置及电子设备 |
| CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
| CN110992411A (zh) * | 2019-12-04 | 2020-04-10 | 图玛深维医疗科技(北京)有限公司 | 图像配准模型的训练方法和装置 |
| CN111210465A (zh) * | 2019-12-31 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Image Deformation With Vector-Field Interpolation Based on MRLS-TPS;Huabing Zhou 等;《IEEE Access》;第75886-75898 页 * |
| 基于图像特征和光流场的非刚性图像配准;纪慧中 等;《光学精密工程》;第2469-2482页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112419376A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
| Hannuna et al. | DS-KCF: a real-time tracker for RGB-D data | |
| CN110599526B (zh) | 图像配准方法、计算机设备和存储介质 | |
| JP7350878B2 (ja) | 画像解析方法、装置、プログラム | |
| US8036468B2 (en) | Invariant visual scene and object recognition | |
| US10417737B2 (en) | Machine learning model for automatic image registration quality assessment and correction | |
| Wu et al. | Online empirical evaluation of tracking algorithms | |
| CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
| JP2010238226A (ja) | 物体を追跡するための方法及びシステム | |
| CN113888541B (zh) | 一种腹腔镜手术阶段的图像识别方法、装置及存储介质 | |
| Fan et al. | Siamese residual network for efficient visual tracking | |
| Gutierrez-Becker et al. | Guiding multimodal registration with learned optimization updates | |
| CN111161249A (zh) | 一种基于域适应的无监督医学图像分割方法 | |
| CN113454640A (zh) | 用于利用在线学习进行对象跟踪的方法及系统 | |
| Yang et al. | A multiorgan segmentation model for CT volumes via full convolution‐deconvolution network | |
| KR101700030B1 (ko) | 사전 정보를 이용한 영상 물체 탐색 방법 및 이를 수행하는 장치 | |
| Zhang et al. | Joint information fusion and multi-scale network model for pedestrian detection | |
| CN114255381B (zh) | 图像识别模型的训练方法、图像识别方法、装置及介质 | |
| CN102713974B (zh) | 学习装置、识别装置、学习识别系统和学习识别装置 | |
| Lin | Autonomous sub-image matching for two-dimensional electrophoresis gels using MaxRST algorithm | |
| CN109871249B (zh) | 一种远程桌面操作方法、装置、可读存储介质及终端设备 | |
| CN112435284B (zh) | 图像配准方法、电子设备及存储介质 | |
| CN116415020A (zh) | 一种图像检索的方法、装置、电子设备及存储介质 | |
| CN111192320A (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
| US8548225B2 (en) | Point selection in bundle adjustment |
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 |