基于SIFT+RANSAC算法的医学图像配准和融合方法技术

本发明专利技术涉及基于SIFT+RANSAC算法的医学图像配准和融合方法，属于医学图像处理技术领域。本发明专利技术包括步骤：构建高斯尺度空间；高斯尺度空间特征点检测及精确定位；去除不稳定的点；包括低对比度的点和位于图像边缘的点；计算特征点方向；构建图像的特征点描述子，形成特征向量；图像配准，这样就得到一幅清晰的图像配准的效果图；RANSAC算法求出单应矩阵，根据单应矩阵做线性加权，通过线性加权函数得到两幅图像之间的联系，最后将两个图像融合为一幅图像；修饰融合过的图像。本发明专利技术能够有效实现图像的配准,再通过RANSAC随机抽样一致算法计算投影变换矩阵以实现图像的融合，为后续的一些研究工作做铺垫。

Medical image registration and fusion based on SIFT+RANSAC algorithm

【技术实现步骤摘要】
基于SIFT+RANSAC算法的医学图像配准和融合方法
本专利技术涉及基于SIFT+RANSAC算法的医学图像配准和融合方法，属于医学图像处理

技术介绍
图像配准作为图像信息领域的一项重要技术，在计算机视觉、医学图像处理以及材料力学等领域有着广泛的应用。近些年来，基于特征提取的图像配准方法取得了快速发展。相对于基于区域的图像配准算法，基于特征的图像配准方法具有更强大的区分能力，能够在图像视角变化、存在噪声甚至一定遮挡的情况下近实时地实现配准。图像配准是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像，例如图像会来自不同的采集设备，取自不同的时间，不同的拍摄视角等等，有时也需要用到针对不同对象的图像配准问题。具体地说，对于一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两图中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。图像融合是通过一个数学模型将来自不同类型或者相同类型的图像传感器在不同时间或者相同时间产生的源图像结合起来，综合形成一幅特定应用需求的图像的过程。图像融合技术将各种图像结合起来，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，这成为极具应用价值的技术，而准确高效的图像配准则又是关键和难点。因而图像配准和融合技术无论在计算机视觉方面，还是在临床医学诊断都具有极重要的意义。通过对现有专利及相关技术的检索发现，对于医学图像的配准和融合的相关技术还不够成熟，依然存在很多问题：特征提取与匹配的时间过长、容易出现匹配点冗余、图像融合存在缝隙或者产生模糊等现象。
技术实现思路
本专利技术提供了基于SIFT+RANSAC算法的医学图像配准和融合方法，以用于解决医学图像配准与融合的以下几个技术问题：1)特征点的提取与匹配的时间过长；2)匹配的校正问题；3)图像的融合容易产生缝隙或模糊。本专利技术的技术方案是：基于SIFT+RANSAC算法的医学图像配准和融合方法，所述基于SIFT+RANSAC算法的医学图像配准和融合方法的具体步骤如下：Step1、构建高斯尺度空间；Step2、高斯尺度空间特征点检测及精确定位；Step3、去除不稳定的点；包括低对比度的点和位于图像边缘的点；Step4、计算特征点方向；Step5、构建图像的特征点描述子，形成特征向量；Step6、图像配准，即将两幅图像的匹配点连接起来，这样就得到一幅清晰的图像配准的效果图；Step7、RANSAC算法求出单应矩阵，根据单应矩阵做线性加权，通过线性加权函数得到两幅图像之间的联系，最后将两个图像融合为一幅图像；Step8、修饰融合过的图像。进一步地，所述Step1中，图像的高斯尺度空间被定义为函数L(x,y,σ)，由可变尺度高斯卷积G(x,y,σ)产生；可变尺度高斯卷积为其中(x,y)是空间坐标，σ是尺度坐标，σ的大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征，其输出图像为I(x,y)，即L(x,y,σ)＝G(x,y,σ)*I(x,y)。进一步地，所述Step2中，高斯尺度空间特征点检测及精确定位：一个特征点是高斯尺度空间中的局部极值点；在高斯尺度空间搜索所有尺度和图像位置，通过高斯差分函数识别存在尺度和方向不变性的潜在的特征点；由于首层和末层都缺少一个邻近层，因此搜索从每组的第二层开始，以第二层为当前层，第一层和第三层分别作为立方体的上下层，搜索完成后再以第三层作为当前层做同样的搜索；所以每层的点搜索两次；通过高斯差分函数将当前像素与其他相邻的26个像素进行比较如果它是最大值或最小值，即选择该点作为存在尺度和方向不变性的潜在的特征点；然后通过拟合三维二次函数以精确的确定关键点位置和尺度。进一步地，所述Step3中，去除不稳定的点；包括低对比度的点和位于图像边缘的点：通过设定对比度阈值和Hessian矩阵去除这两种不稳定的点。进一步地，所述Step4中，计算特征点方向：利用关键点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使算子具备旋转不变性，从而实现图像旋转不变性；在实际计算时，以特征点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向；梯度直方图的范围是0—360°，将直方图分为8个方向，即每个特征点有8个梯度方向信息；直方图的峰值代表了该特征点处邻域梯度的主方向，即作为该特征点的方向；随着距中心点越远的领域其对直方图的贡献也响应减小；同时使用高斯函数对直方图进行平滑，减少突变的影响，在梯度方向直方图中，当存在另外一个相当于主峰值80％能量的峰值时，则将这个方向认为是该特征点的辅方向；一个特征点可能会被指定具有多个方向，一个主方向，一个以上辅方向，用于增强匹配的鲁棒性。进一步地，所述Step5中，构建图像特征点的描述子，形成特征向量：对于任意一个关键点，即特征点，在其所在尺度空间取以关键点为中心的16像素×16像素大小的邻域，再将此邻域区域均匀的分为4×4个子区域，每个关键点有8个梯度方向，因此，共有4×4×8＝128个数据，即128维SIFT特征向量。进一步地，所述Step6中，图像配准：当两幅图像的SIFT特征向量生成后，计算两幅图像上特征点特征向量的欧氏距离作为相似性判定度量，将距离最小的特征点作为初始匹配点，并根据最近邻和次近邻的欧氏距离之比小于某个比例阈值T为0.8，判定为一对匹配点，并移除错误匹配点；再将参考图像和待配准图像中的匹配点用线连接起来实现了图像配准。关于比例阈值的选取：如果降低这个阈值，SIFT匹配点数目会减少，但更加稳定；如果提高这个阈值，SIFT匹配点数目会增加，相应的错配点数目会增加。通过对本次实验眼球图像的匹配测试，最终选取一个匹配点数目相对稳定，并且正确率相对较高的结果，其对应的阈值T＝0.8，确定为所需的比例阈值。进一步地，所述Step7中，RANSAC算法求出单应矩阵：从待配准图像到参考图像，任取4对点得到单应矩阵H，然后将待配准图像中的特征点用矩阵H投影到参考图像，检测投影得到的点与参考图像中准确的特征点之间的距离：首先设定一个阈值：待配准图像与参考图像中的特征点是通过单应矩阵H满足一个线性回归关系，错误的匹配点到线性回归线的距离之和最小值即为所定的阈值；若小于这个设定好的阈值则判断为内点；统计内点的个数，若大于这个设定好的阈值，则判断为可用的单应矩阵，然后利用所有的内点重新计算单应矩阵；根据单应矩阵做线性加权，通过线性加权函数得到两幅图像之间的联系，最后将两个图像融合为一幅图像。进一步地，所述Step8中，修饰融合过的图像：为了使两幅图像的融合效果看起来更自然，用对应内点周围的颜色或亮度信息对其中一幅图像进行亮度或颜色调整，调整后的图像即为最终的结果。本专利技术的有益效果是：本专利技术能够快速有效的实现医学图像的特征提取、匹配、融合、校正的一整套流程，图像特征不仅具有尺度不变性、光照不变形性、旋转不变性，而且消耗的时间很少，仿真实验的效率很高。附图说明图1为本专利技术中连接参考图像和待配准图像中的匹配点的效果图；图2为本专利技术图像融合后的效果图；图3为本专利技术修改融合图像后的最终结果；图4为本专利技术中的流程图。具体实施方式实施例1：如图1-4所示，基于SI本文档来自技高网...

【技术保护点】
1.基于SIFT+RANSAC算法的医学图像配准和融合方法，其特征在于：所述基于SIFT+RANSAC算法的医学图像配准和融合方法的具体步骤如下：Step1、构建高斯尺度空间；Step2、高斯尺度空间特征点检测及精确定位；Step3、去除不稳定的点；包括低对比度的点和位于图像边缘的点；Step4、计算特征点方向；Step5、构建图像的特征点描述子，形成特征向量；Step6、图像配准，即将两幅图像的匹配点连接起来，这样就得到一幅清晰的图像配准的效果图；Step7、RANSAC算法求出单应矩阵，根据单应矩阵做线性加权，通过线性加权函数得到两幅图像之间的联系，最后将两个图像融合为一幅图像；Step8、修饰融合过的图像。

【技术特征摘要】
1.基于SIFT+RANSAC算法的医学图像配准和融合方法，其特征在于：所述基于SIFT+RANSAC算法的医学图像配准和融合方法的具体步骤如下：Step1、构建高斯尺度空间；Step2、高斯尺度空间特征点检测及精确定位；Step3、去除不稳定的点；包括低对比度的点和位于图像边缘的点；Step4、计算特征点方向；Step5、构建图像的特征点描述子，形成特征向量；Step6、图像配准，即将两幅图像的匹配点连接起来，这样就得到一幅清晰的图像配准的效果图；Step7、RANSAC算法求出单应矩阵，根据单应矩阵做线性加权，通过线性加权函数得到两幅图像之间的联系，最后将两个图像融合为一幅图像；Step8、修饰融合过的图像。2.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法，其特征在于：所述Step1中，图像的高斯尺度空间被定义为函数L(x,y,σ)，由可变尺度高斯卷积G(x,y,σ)产生；可变尺度高斯卷积为其中(x,y)是空间坐标，σ是尺度坐标，σ的大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征，其输出图像为I(x,y)，即L(x,y,σ)＝G(x,y,σ)*I(x,y)。3.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法，其特征在于：所述Step2中，高斯尺度空间特征点检测及精确定位：一个特征点是高斯尺度空间中的局部极值点；在高斯尺度空间搜索所有尺度和图像位置，通过高斯差分函数识别存在尺度和方向不变性的潜在的特征点；由于首层和末层都缺少一个邻近层，因此搜索从每组的第二层开始，以第二层为当前层，第一层和第三层分别作为立方体的上下层，搜索完成后再以第三层作为当前层做同样的搜索；所以每层的点搜索两次；通过高斯差分函数将当前像素与其他相邻的26个像素进行比较如果它是最大值或最小值，即选择该点作为存在尺度和方向不变性的潜在的特征点；然后通过拟合三维二次函数以精确的确定关键点位置和尺度。4.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法，其特征在于：所述Step3中，去除不稳定的点；包括低对比度的点和位于图像边缘的点：通过设定对比度阈值和Hessian矩阵去除这两种不稳定的点。5.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法，其特征在于：所述Step4中，计算特征点方向：利用关键点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使算子具备旋转不变性，从而实现图像旋转不变性；在实际计算时，以特征点为中心的邻域窗口内采样...

【专利技术属性】
技术研发人员：尚振宏，张成军，缪祥华，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53