一种用于多模态图像的无监督配准方法技术

本发明专利技术属于图像处理领域，公开了一种用于多模态图像的无监督配准方法，用于解决现有的无监督图像配准由于多模态图像的外观差异很大，直接通过多模态图像之间的相似度损失去训练会导致误差大的难题，本发明专利技术的图像配准方法首先将浮动图像B放入一个将颜色、纹理等特征与固定图像A变得相似的卷积神经网络中，得到图像B转换后的图像C；其次将图像C和固定图像A放入无监督配准网络，输出变换参数，对图像C进行重采样后与图像A进行相似性度量，并将其作为损失函数对网络进行更新，迭代多次后得到最优的变换参数，利用变换参数对图像B进行重采样得到配准后的图像。本发明专利技术的方法可以实现对多模态图像进行无监督配准，大大提升无监督配准的精度。准的精度。准的精度。

【技术实现步骤摘要】
一种用于多模态图像的无监督配准方法


[0001]本专利技术涉及一种图像配准方法，具体涉及一种用于多模态图像的无监督配准方法。

技术介绍

[0002]图像配准是图像处理的一个重要领域，图像配准指的是将两个或多个图像进行几何对齐，使浮动图像上的每一个点在固定图像上都有唯一的点与其对应，目的是寻找不同图像之间的空间变换关系，其目的是去除或者抑制待配准图像之间的几何不一致，图像配准是处理的重要组成部分，是图像融合、分析和目标识别的必要前提.
[0003]传统的配准方法是一个迭代优化的过程:首先提取图像中的特征信息，将图像间的特征进行匹配，然后选择空间变换方式，得到变换后的图像，计算变换后的图像和固定图像之间相似性，最后选择合适的优化方法不断迭代优化，使得配准后的图像相似性最高。近些年来，基于深度学习的图像配准方法逐渐出现在人们的视野当中，一定程度上克服了传统的配准方法上适用范围窄、计算速度不够快等瓶颈。基于深度学习的图像配准方法主要分为基于监督变换估计的配准和基于无监督学习的配准方法。监督方法首先将固定图像和移动图像输入网络中获得变换参数，根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于多模态图像的无监督配准方法，其特征在于，包括以下步骤：(S1)、使用两种不同成像模式的相机对配准目标主体拍摄两张不同模态的图像；(S2)、任意指定其中一张图像为固定图像，记为A图像,另一张图像为浮动图像，记为B图像；(S3)、将A图像作为风格图像，将B图像作为内容图像输入至可以使图像间颜色、纹理等转移的卷积神经网络中，利用内容损失和风格损失共同作为损失函数，随后对损失函数的梯度值进行多次的反向传播，当迭代更新图片的次数达到预设值时，停止反向传播过程，获得B图像通过颜色、纹理变换后的C图像；(S4)、将A图像作为固定图像和C图像作为浮动图像输入用于配准的卷积神经网络当中，神经网络的输出是一组变换参数，利用变换参数对浮动图像进行重采样，获得配准后的图像；(S5)、将配准后的图像和固定图像进行相似性度量，将他们的差异值作为损失函数，随后对损失函数的梯度值进行多次的反向传播以更新神经网络的权重和偏置参数，当损失函数值小于预设的停止值时，停止更新神经网络的权重和偏置参数，得到一组能使固定图像与浮动图像对齐的变换参数；(S6)、使用该组变换参数对风格迁移前的B图像进行重采样，获得两张多模态图像配准后的结果。2.根据权利要求1所述的用于多模态图像的无监督配准方法，其特征在于，在步骤(S1)中，不同成像模式的相机与配准主体之间的连线所构成的夹角小于或等于20度。3.根据权利要求1所述的用于多模态图像的无监督配准方法，其特征在于，在步骤(S1)中，所述的两种不同成像模式的相机中的两种不同成像的模式可为短波红外成像、中波红外成像、长波红外成像、光谱成像以及偏振成像等的其中任意两种。4.根据权利要求1所述的用于多模态...

【专利技术属性】
技术研发人员：江文隽，吴计，邸江磊，钟丽云，秦玉文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：