基于組合點匹配的全自動醫學圖像配準方法
【技術領域】
[0001] 本發明設及圖像處理領域，尤其設及一種基于組合點匹配的全自動醫學圖像配準 方法。
【背景技術】
[0002] 圖像配準技術在臨床醫療領域有廣泛的應用前景。其基本思想是:將特定的某一 幅圖像設定為參考圖像，將待配準的一幅或者多幅圖像設定為浮動圖像，建立浮動圖像與 參考圖像之間的空間對應關系和合適的相似度評價機制。根據浮動圖像與參考圖像相似度 的大小不斷調整浮動圖像到參考圖像的空間變換參數，最終獲得最佳配準結果下的變換參 數，為下一步的圖像融合作準備。
[0003] 圖像配準方法主要分為兩種:基于圖像特征的配準方法和基于圖像灰度值的配準 方法。其中，基于圖像特征的配準方法的主要原理如下:提取圖像的典型特征（區域特征、線 特征、點特征），建立參考圖像特征與浮動圖像特征之間的對應關系，根據特征之間的相似 度調整特征集之間的空間變換參數，獲取最佳配準結果。因其速度快，計算量小的特點，基 于特征的配準方法在圖像配準領域發展的早期時段，W及精度要求不高的情況下有廣泛的 運用。但基于特征的方法抗干擾性不高，配準結果對提取的特征的依賴性很大，特征的質量 直接影響到配準結果的好壞。為了獲得較好的配準結果，往往需要人工干預選擇特征，無法 實現全自動配準。同時，此類方法的配準精度和成功率都較低。
【發明內容】
[0004] 本發明的目的旨在改善W上現有技術中的缺陷，特別針對基于特征配準方法抗干 擾性不高，人工干預多，配準精度和配準成功率都較低的情況，提出了一種基于組合點匹配 的全自動醫學圖像配準方法。
[0005] 基于組合點匹配的全自動醫學圖像配準方法，包括W下步驟：
[0006] 步驟1、提取醫學圖像輪廓特征點；
[0007] 步驟2、提取特定區域的角點特征點；
[000引步驟3、將所述輪廓特征點和所述角點特征點組合獲得參考圖像與浮動圖像特征 點集；
[0009] 步驟4、建立基于改進豪斯多夫距離的點集相似度評價機制；
[0010] 步驟5、根據所述評價機制進行圖像特征點集全自動配準，直至滿足終止條件；
[00川步驟6、輸出配準結果。
[0012] 所述提取醫學圖像輪廓特征點的過程為：利用邊緣算子提取圖像的邊緣，選取邊 緣線中閉合的、周長最大的邊緣線作為圖像的外輪廓，利用等間隔采點法選取外輪廓線上 的特征點。
[0013] 所述提取特定區域的角點特征點的過程為:選擇在輪廓線W內但不處于輪廓線W 內的中屯、范圍的區域，選取區域的角點作為特征點。
[0014] 所述獲得參考圖像與浮動圖像特征點集的過程為：參考圖像外輪廓點集是RK = {kl，k2，k3, . . .，km}，其中的特定區域特征點集是化={Il，l2，l3, . . .，ln};浮動圖像外輪廓點 集是EP= {pi，p2，P3, . . .，Pi}，特定區域特征點集是FQ= {qi，q2，q3, . . .，qj}，則參考圖像提取 的組合特征點集是rpDints= {RK，RU，浮動圖像提取的組合特征點集是fpDints= {FP，FQ}。
[0015] 所述建立基于改進豪斯多夫距離的點集相似度評價機制的過程為：點a與點b之間 的距離為高斯距離，記作d(a，b)=Ma-b||，其中M . M代表取模運算，從點集A中的一點a 到點集B的距離為d(a，B) =mi化SB M a-b I I，其中S'===毅奴％&》;''"'''、、％》.1，化為點集8中特征點數 目；從點集A到點集B的距離為
其中t%馬堿^…馬冰化為點集A中 特征點數目，相應的，從點集B到點集A的距離為
其中 …''，取d(A，B)與d(B，A)兩者中的最大值來表征點集A與點集B之間的距離， 記作願0(4,8)=1腳（8,4)=111曰義{(1^，8)，(1(8,4)};點集4與點集8之間的相似度為
SS(A，B)的值越大，說明點集A與點集B的相似度越高。
[0016] 所述根據所述評價機制進行圖像特征點集全自動配準直至滿足終止條件的過程 為:選用群體智能優化算法進行配準參數的尋優;終止條件為達到最大迭代次數或種群多 樣性降低到設定闊值，其中所述種群多樣性由下式確定，
[0018] 其中，S代表當前的種群，k代表種群中個體的數目，D代表每個個體的維度，《I代表 種群S中第1個體在第i維上的值，造代表所有個體在第i維上的平均值，length代表捜索空 間的對角線長度。
[0019] 步驟1與步驟2的順序可調換。
[0020] 本發明將基于組合特征的點配準方法應用與醫學圖像配準領域的特征配準，在保 證配準速度的同時，實現了全自動配準，并提高了圖像配準的成功率和配準結果的精度。本 發明具有配準速度快、配準成功率高、配準精度高、抗干擾能力強、人工干預少的優點，改善 了 W往基于特征配準方法成功率低、配準精度低、抗干擾能力弱、人工干預多的缺點，使得 后續圖像處理工作成為可能。
【附圖說明】
[0021] 圖1為本發明實施例基于組合點匹配的全自動醫學圖像配準方法的流程框圖；
[0022] 圖2為提取的MR-Tl腦部圖像的外部輪廓線；
[0023] 圖3為外部輪廓線對應的特征點；
[0024] 圖4為提取的MR-Tl腦部圖像的區域特征點；
[0025] 圖5-(a)、5-(b)、5-(c)分別對應噪聲級別為0%的MR-Tl腦部圖像、MR-T2腦部圖 像，MR-ro腦部圖像；
[0026] 圖6為MR-Tl腦部圖像與MR-ro腦部圖像成功配準的結果圖；
[0027] 圖7-(a)、7-(b)、7-(c)分別對應噪聲級別為1%、5%、9%的13-抑腦部圖像。
【具體實施方式】
[0028] 為了使本發明的目的、技術方案及優點更加清楚明白，W下結合附圖及實施例，對 本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用W解釋本發明，并 不用于限定本發明。
[0029] 如圖1所示，該方法包括W下步驟：
[0030] 步驟1:提取醫學圖像外輪廓，進一步提取輪廓特征點；
[0031] 外輪廓屬于圖像邊緣的一部分，首先需要提取圖像的邊緣。此處選用canny邊緣檢 測算子檢測參考圖像和浮動圖像的邊緣。應當指出，此處提取邊緣的方法不一定是利用 canny邊緣檢測算子，其他能夠產生良好邊緣提取結果的方法都可W用于此處的邊緣檢測。
[0032] 接著，需要從圖像邊緣中提取出圖像外輪廓。根據視覺圖像不難得出，圖像的外輪 廓具有兩個特點：閉合曲線，最大周長。檢測最大周長閉合曲線的過程如下：
[0033] (1)、檢測出二值邊緣圖像中結尾點，從某處后曲線不再延續的點稱為結尾點。
[0034] (2)、選定二值邊緣圖像中第一個像素值不為零的一點(rsta;rt，cstad)作為起始 點，W起始點為中屯、，尋找八鄰域范圍內與之相連的下一邊緣點。將首先尋找到的邊緣點作 為此邊緣線的第二個點，W起始點到第二點的方向作為初始捜索方向。
[0035] (3)、沿著初始捜索方向，尋找第二邊緣點八鄰域范圍內與之相連的第=邊緣點。 重復此過程，直至捜索到本邊緣初始捜索方向上的結尾點或遇到起始點，記發生此次終止 捜索的點為終止點。
[0036] (4)若終止點與起始點是相連的，那么從起始點到終止點的邊緣線就是閉合的邊 緣線，將捜尋到的閉合邊緣線編號并記錄閉合邊緣線集合當中。若終止點與起始點不相連， 則此邊緣線不是閉合的。
[0037] (5)遍歷二值圖像中所有的像素值不為零的點作為起始點，重復步驟（2)到步驟 (4)，找出所有邊緣線中的閉合邊緣線，記錄于閉合邊緣線集合中。
[0038] (6)找出閉合邊緣線集合中周長最大的閉合邊緣線，即是圖像的外部輪廓線。
[0039] 從圖像外部輪廓線上等間隔地選取點作為特征點，間隔的大小視輪廓線周長而 定，限定外輪廓線特征點的個數在50-80之間。圖2和圖3分別是提取MR-Tl腦部圖像的外部 輪廓線和對應的輪廓線特征點。
[0040] 步驟2:提取特定區域角點作為特征點；
[0041] 首先在外輪廓線W內的區域選取特征點，其次選取的區域必須不處于外輪廓線W 內的中屯、范圍。選取的特征點為本區域內圖像的角點。
[0042] 本實施例中選取的區域是外輪廓線W內靠近輪廓線的左上角區域，角點提取方法 采用的是harris角點檢測法。應當指出，其他任何可W產生良好角點檢測效果的方法都可 W用于此處的角點檢測。圖4是提取MR-Tl腦部圖像的區域特征點。
[0043] 步驟3:組合兩種特征點分別獲得參考圖像與浮動圖像特征點集；
[0044] 設參考圖像提取的外輪廓點集是服=化I，k2，k3, . . .，km}，提取的區域特征點集是 RL=Ul，l2，l3, . . .，ln}。設浮動圖像提取的外輪廓點集是FP={pi，P2，P3, . . .，pi}，提取的區 域特征點集是FQ= {qi，q2，q3, . . .，qj}。則參考圖像提取的組合特征點集是rpoints= {RK， RU，浮動圖像提取的組合特征點集是fpDints= {FP，FQ}。
[0045] 步驟4:建立基于改進豪斯多夫距離的點集相似度評價機制；
[0046] 定義點a與點b之間的距離高斯距離，記作d(a，b) = I |a-b| I，其中I I ? I I代表取模 運算。定義從點a至Ij點集B的距離為d(a，B) =HiinbEB M a-b I I，其中數二P辦滾》'漠護.…'，省游!。定義 從點集A到點集B的距離為
其中。^ 。:!。定義點集A和點
集B之間的距離為血曲(4,8)=1皿(8,4)=111曰^(1(4,8)，(1(8,4)}。定義點集4與點集8之間的 相似度天 點集A與點集B的相似度越高，SS(A，B)的值越大。 O
[0047] 此處參考圖像特征點集^口〇111*3與浮動圖像特征點集f_points的相似度計算公 式如下：
[0049] 步驟5:根據評價機制進行圖像特征點集全自動配準，直至滿足終止條件，輸出配 準結果。
[0050] 本實施例只討論簡單的二維