基于图像特征和Demons的非刚性图像配准方法技术

本发明专利技术公开了一种基于图像特征和Demons的非刚性图像配准方法，属于图像处理领域，针对传统非刚性图像配准方法无法同时满足配准精度和配准时间要求的问题，本发明专利技术在经典Demons方法的基础上提出了两种(SIFT‑Demons和SURF‑Demons)由粗到细、由特征级到像素级的非刚性图像配准方法。首先采用SIFT方法或SURF方法对浮动图像和参考图像进行特征点提取，利用提取的特征点进行粗配准(特征级配准)；然后，在粗配准的基础上，采用基于光流场的Demons方法进行精细配准(像素级配准)。经过大量的配准试验表明，本发明专利技术可以实现医学图像的准确、快速、稳定的配准，克服了传统非刚性配准方法存在的缺陷。

Non rigid image registration method based on image features and Demons

The invention discloses a non rigid image registration method based on image characteristics and Demons, which belongs to the field of image processing, the traditional non rigid image registration method can not satisfy the requirements of the time and precision of registration, the invention based on the classical Demons method is proposed on the two (SIFT Demons and SURF Demons) from coarse to fine, from the feature level to the pixel level non rigid image registration method. First, using the SIFT method or the SURF method of a floating image and a reference image feature extraction, rough registration using feature point extraction (feature level registration); then, based on rough registration and fine registration by using the Demons method based on optical flow field of (pixels). A large number of registration experiments show that the invention can realize accurate, fast and stable registration of medical images, and overcomes the defects of the traditional non rigid registration method.

【技术实现步骤摘要】
基于图像特征和Demons的非刚性图像配准方法
本专利技术属于图像处理领域，具体涉及一种基于图像特征和Demons的非刚性图像配准方法。
技术介绍
图像配准技术是将不同获取时间(Time)、不同传感器(Sensor)、不同获取条件(Condition)的同一场景(Scene)或同一目标(Object)的两幅或者多幅图像进行匹配的过程，被广泛应用于医学图像处理，遥感图像处理等方面。在医学图像的配准中，需要配准的两幅图像之间通常会发生较大的非均匀形变，因此非刚性图像配准技术是医学图像处理研究的热点问题。现阶段非刚性图像配准的方法主要分为基于图像特征的配准方法和基于图像灰度的配准方法。基于图像特征的配准方法速度较快，但是对于特征不明显的图像有局限性；基于图像灰度的配准方法可以对小形变的图像进行高精度的配准，但配准时间较长。基于图像特征的配准，是以提取反映图像重要信息的特征为依据，寻找配准参数，使相似性测度最大。现阶段基于图像特征的经典方法有：SIFT(Scale-invariantFeatureTransform)方法和SURF(Speeded-UpRobustFeatures)方法。基于图像灰度的配准方法，首先利用图像的像素或体素构成特征空间，然后根据灰度值的统计信息计算相似性测度，求得配准参数，实现图像配准。基于灰度方法中光流场模型法是近年来研究的热点，主要利用光流模型，通过对各像素点瞬时速度矢量信息的计算，估计出变形场，实现图像的配准。1998年，Thirion根据光流模型提出了著名的Demons方法，WangHe于2005年提出了ActiveDemons(AD)方法，一定程度上解决了Demons方法对大形变的不适用性和高耗时性，引入了多分辨率策略的Demons(MD)算法。其他学者对Demons方法进行了不同的改进，使其适应不同类型图像的配准。2007年，TomasPock等人在传统光流场模型的基础上，利用全变差正则项(TotalVariationregularization，TV正则项)和鲁邦性数据项(L1范数项)构建能量函数,提出了一种新的TV-L1方法，配准效果更好。
技术实现思路
本专利技术针对传统非刚性图像配准方法无法同时满足配准精度和配准时间要求的问题，提供一种基于图像特征和Demons的非刚性图像配准方法。本专利技术是通过以下技术方案实现的，本专利技术包括以下步骤：第一步，采用SIFT方法或SURF方法对浮动图像和参考图像进行特征点提取，利用提取的特征点进行粗配准(特征级配准)。第二步，在粗配准的基础上，采用基于光流场的Demons方法进行精细配准(像素级配准)。所述第一步中，SIFT方法或SURF方法采用高斯差分函数(DifferenceofGaussians，DoG)对图像进行多尺度的特征提取。所述第二步中Demons方法采用多分辨率金字塔在多个尺度上对图像进行由粗到细的配准。所述第一步具体步骤如下：步骤1-1：读入参考图像S和浮动图像M，并对参考图像S和浮动图像M进行预处理；步骤1-2：构建尺度空间，设置高斯差分算子的参数；利用Hessian矩阵构建尺度空间；步骤1-3：极值点筛选，并生成这些极值点的SIFT或SURF描述子；步骤1-4：利用步骤3求得的描述子进行特征点匹配，生成变形场，对浮动图像M进行粗配准，求得粗配准图像M’。所述第二步具体步骤如下：利用步骤1-4求得粗配准图像M’和参考图像S进行Demons迭代精配准：本专利技术是由粗到细、由特征级到像素级的非刚性图像配准方法(SIFT-Demons和SURF-Demons)。为了同时满足对医学图像进行高精度，高速度的要求，本专利技术采用了由粗到细、由特征级到像素级的配准策略。首先采用SIFT方法或SURF方法对浮动图像和参考图像进行特征点提取，利用提取的特征点进行粗配准(特征级配准)；然后，在粗配准的基础上，采用基于光流场的Demons方法进行精细配准(像素级配准)。为了进一步优化配准结果，采用了多分辨率策略。第一步SIFT方法或SURF方法采用高斯差分函数(DifferenceofGaussians，DoG)对图像进行多尺度的特征提取；第二步Demons方法采用多分辨率金字塔在多个尺度上对图像进行由粗到细的配准。本专利技术可以实现医学图像的准确、快速、稳定的配准，克服传统非刚性配准方法存在的缺陷。附图说明图1、图2、图3、图4为脑部MR图像配准结果和差值。图5、图6、图7、图8为肝部MR图像配准结果和差值。具体实施方式下面结合附图及具体实施例对本专利技术作进一步详细的说明。本专利技术实现医学图像的配准过程依次经过以下步骤：步骤1：读入参考图像S和浮动图像M，并对S和M进行预处理；步骤2：构建尺度空间，设置高斯差分算子的参数；利用Hessian矩阵构建尺度空间；步骤3：极值点筛选，并生成这些极值点的SIFT或SURF描述子；步骤4：利用步骤3求得的描述子进行特征点匹配，生成变形场，对浮动图像M进行粗配准；步骤5：利用步骤4求得粗配准图像M’和参考图像S进行Demons迭代精配准：步骤6：利用参考图像S和配准图像I计算客观评价指标，分析方法的优劣。在所述步骤2至步骤6中引入多分辨率策略实现配准，这样可以进一步提高配准的精度和收敛速度。实验结果分析1.图像配准的精确度本专利技术能够相对准确的实现对医学图像的配准。图1至图8为对两例不同医学图像的配准实验结果，图1-图4为脑部MR图像配准结果和差值，图5-图8为肝部MR图像配准结果和差值。本专利技术对大形变医学图像和小形变医学图像均有较好的配准效果，表1和表2分别为本专利技术在峰值信噪比(PSNR,PeakSignaltoNoiseRatio)，均方差(MSE,MeanSquareError)，相关系数(CC,CorrelationCoefficient)，互信息(MI,MutualInformation)和结构相似度(SSIM,StructuralSIMilarity)5个指标上与几种传统非刚性配准方法的客观评价比较。表1脑部MR图像配准客观评价表2肝部CT图像配准客观评价2.图像配准的时间图像配准时间直接影响着本专利技术的实际应用效果。本专利技术相对于传统基于灰度的配准方法，配准时间大大缩短。表3为本专利技术与几种传统非刚性配准方法的时间比较。表3配准时间比较综上所述，本专利技术设计了两种应用于医学图像的非刚性配准方法(SIFT-Demons和SURF-Demons)。该方法基于图像特征和光流场，能够很好地实现对医学图像的配准。最后应说明的是，以上实施实例仅用以说明本专利技术的技术方案而非限制，尽管参照较佳的实施实例对本专利技术进行了详细的说明，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，可轻易想到的修改或等同替换，而不脱离本专利技术技术方案的精神和范围，都应涵盖在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种基于图像特征和Demons的非刚性图像配准方法，其特征在于包括以下步骤：第一步，采用SIFT方法或SURF方法对浮动图像和参考图像进行特征点提取，利用提取的特征点进行粗配准；第二步，在粗配准的基础上，采用基于光流场的Demons方法进行精细配准；所述第一步中，SIFT方法或SURF方法采用高斯差分函数对图像进行多尺度的特征提取。所述第二步中Demons方法采用多分辨率金字塔在多个尺度上对图像进行由粗到细的配准。

【技术特征摘要】
1.一种基于图像特征和Demons的非刚性图像配准方法，其特征在于包括以下步骤：第一步，采用SIFT方法或SURF方法对浮动图像和参考图像进行特征点提取，利用提取的特征点进行粗配准；第二步，在粗配准的基础上，采用基于光流场的Demons方法进行精细配准；所述第一步中，SIFT方法或SURF方法采用高斯差分函数对图像进行多尺度的特征提取。所述第二步中Demons方法采用多分辨率金字塔在多个尺度上对图像进行由粗到细的配准。2.根据权利要求1所述的基于图像特征和Demons的非刚性图像配准方法，其特征在于所述第一步具体步骤如下：步骤1-1：读入参考图像S和浮动图像M，并对参考图像S和浮动图像M进行预处理；...

【专利技术属性】
技术研发人员：董恩清，贾大宇，薛鹏，唐振超，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37