一种基于FAST算法的医学图像匹配方法组成比例

本发明专利技术涉及计算机视觉技术领域，具体为一种基于FAST算法的医学图像匹配方法，包括以下步骤：对输入图片进行基础的FAST特征点检测；基于亮度阈值来对特征点进行进一步判定；通过Brief算法对检测出来的特征点创建特征描述符；通过GMS匹配算法进行特征点的匹配；有益效果为：本发明专利技术提出的基于FAST算法的医学图像匹配方法对FAST算法进行改进，通过对其添加亮度判定条件，能在不影响速度的情况下，更好对未检测到的特征点进行补充和对非特征点的剔除。能使其在超声图像上进行更准确的匹配。能使其在超声图像上进行更准确的匹配。能使其在超声图像上进行更准确的匹配。

【技术实现步骤摘要】
一种基于FAST算法的医学图像匹配方法


[0001]本专利技术涉及计算机视觉
，具体为一种基于FAST算法的医学图像匹配方法。

技术介绍

[0002]在现实生活中，由于环境及其设备的原因，导致医疗设备采集的图像会出先不同程度的噪声干扰，使得医生不能对患者的信息进行快速的诊断，但是医疗图像匹配技术可以对两张在不同场景，不同患者的图像进行变换，使其具有相同结构特征的像素在空间上能够匹配起来。
[0003]现有技术中，在传统的图像处理中，图像特征匹配有三个基本步骤:特征检测、特征提取和特征匹配。首先，特征检测是从图像中检测出具有物理意义的显著结构特征，包括特征点、特征线或边缘和显著形态区域。然后进行特征提取。需要提取特征的位置,方向以及尺度信息。方向和尺度信息主要用于进行旋转和尺度变化。最后，对于特征匹配，需要使用一定的方法来进一步确定对应的特征是否相同(或近似)。一般采用欧式距离来判断特征向量。如果满足某些约束条件，则认为这两个特性是相似的。
[0004]但是，在传统的图像处理中，设计一种高精度、高效率的匹配方法一直是过去的热门话题，如SIFT(Scale
‑
invariant feature transform)、FAST(Features From Accelerated Segment Test)、SURF(Accelerated Robust Features)和BRIEF(Binary Robust Independent Elementary Features)等算法。他们遵循了传统的基于图像匹配的思想，在一定程度上提高了特征点的提取和匹配能力，如提取更准确和可重复的特征，更突出和可区分的特征描述符。另一种方向是脱离传统的匹配方法，采用基于深度学习的方法进行图像匹配，通过卷积网络来进行特征点的提取，再通过MatchNet等网络来进行特征点的匹配。

技术实现思路

[0005]本专利技术的目的在于提供一种基于FAST算法的医学图像匹配方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于FAST算法的医学图像匹配方法，所述匹配方法包括以下步骤：
[0007]对输入图片进行基础的FAST特征点检测；
[0008]基于亮度阈值来对特征点进行进一步判定；
[0009]通过Brief算法对检测出来的特征点创建特征描述符；
[0010]通过GMS匹配算法进行特征点的匹配。
[0011]优选的，对输入图片进行基础的FAST特征点检测时，对待检测图片进行检测并保存潜在特征点的位置；对于图中任意一像素点P，以三个像素点为半径的圆上存在16个相邻的特征点，按照顺时针方向从整数1到16进行标记。
[0012]优选的，进行高速检测，分别取位于东西南北四个方向的特征点1，5，9，13这四个特征点，并计算这四个点与中心点P的像素差值，定义一个阈值T，如果4个点中存在3个点的像素差大于阈值，则判断中心点P为潜在特征点，否则就剔除，
[0013][0014]优选的，从潜在特征点筛选出粗特征点，若P已经为潜在特征点，计算点P与周围16个特征点之间的像素差，如果存在9个点的像素差大于阈值T，则将其判断为粗特征点，否则就剔除；
[0015][0016]优选的，基于亮度阈值来对特征点进行进一步判定时，从粗特征点中移除不符合亮度条件的点，L
avg
为整张图片的平均亮度，L
region
为粗特征点P1计算附近的区域亮度；设置亮度阈值T1，如果粗特征点P1的区域亮度小于图片平均亮度，并且粗特征点P1的亮度小于区域亮度与阈值T1的和；那么将此粗特征点移除，不将其划分到最终的特征点集合中；
[0017][0018]优选的，基于亮度阈值来对特征点进行进一步判定时，从潜在特征点中补充符合亮度条件的点；设置亮度阈值T2，如果潜在特征点P2的区域亮度大于图片平均亮度，并且潜在特征点P2的亮度大于区域亮度与阈值T1的和，那么将此潜在特征点进行补充，将其补充到最终的特征点集合中；
[0019][0020]优选的，通过Brief算法对检测出来的特征点创建特征描述符时，首先对图像进行高斯滤波，减少噪声干扰；对已检测到的特征点为中心，取SXS大小的邻域窗口，并在窗口随机选取两个点，比较两者的像素大小，并进行二进制赋值；像素大的值被赋值为1，小的被赋值为0；邻域窗口中随机选取N对随机点，并重复进行赋值，形成一个二进制编码，此编码就是特征点的特征描述子；生成每个特征点的特征描述子集合。
[0021]优选的，通过GMS匹配算法进行特征点的匹配时，对两张图片A和B分别进行特征点和特征描述子的提取；对两张图片的特征点进行BF匹配，找到图片A与B中所有对应的特征点；基于运动的平滑性原理，正确匹配的特征点附近的正确匹配点对数应该大于错误匹配的特征点附近的正确匹配点对数；基于匹配好的特征点附近的正确匹配个数与GMS默认阈值来判断该点是否被正确匹配；对图像A和图像B进行拼接，并对其中正确匹配的特征点进行连接。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023]本专利技术提出的基于FAST算法的医学图像匹配方法对FAST算法进行改进，通过对其添加亮度判定条件，能在不影响速度的情况下，更好对未检测到的特征点进行补充和对非特征点的剔除。能使其在超声图像上进行更准确的匹配；
[0024]通过特征匹配技术，可以对医学图像进行匹配，来寻找相似症状的图片。本专利基于FAST特征检测算法进行改进，通过图片亮度与关键点亮度的对比来提高特征检测的准确率，可以有效的提升超声图像的匹配速度与精度。
附图说明
[0025]图1为本专利技术FAST原理图；
[0026]图2为本专利技术亮度区域选取图。
具体实施方式
[0027]为了使本专利技术的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本专利技术实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本专利技术一部分实施例，而不是全部的实施例，仅仅用以解释本专利技术实施例，并不用于限定本专利技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]实施例一
[0029]请参阅图1至图2，本专利技术提供一种技术方案：一种基于FAST算法的医学图像匹配方法，所述匹配方法包括以下步骤：
[0030]S1：对输入图片进行基础的FAST特征点检测。
[0031]S1
‑
1：对待检测图片进行检测并保存潜在特征点的位置。如图1.
[0032]S1
‑
2:对于图中任意一像素点P，以三个像素点为半径的圆上存在16个相邻的特征点，按照顺时针方向从整数1到16进行标记。
[0033]S1
‑
3：首先进行高速检测，分别取位于东西南北四个方向的特征点1，5，9，13这四个特征点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FAST算法的医学图像匹配方法，其特征在于，所述匹配方法包括以下步骤：对输入图片进行基础的FAST特征点检测；基于亮度阈值来对特征点进行进一步判定；通过Brief算法对检测出来的特征点创建特征描述符；通过GMS匹配算法进行特征点的匹配。2.根据权利要求1所述的一种基于FAST算法的医学图像匹配方法，其特征在于：对输入图片进行基础的FAST特征点检测时，对待检测图片进行检测并保存潜在特征点的位置；对于图中任意一像素点P，以三个像素点为半径的圆上存在16个相邻的特征点，按照顺时针方向从整数1到16进行标记。3.根据权利要求2所述的一种基于FAST算法的医学图像匹配方法，其特征在于：进行高速检测，分别取位于东西南北四个方向的特征点1，5，9，13这四个特征点，并计算这四个点与中心点P的像素差值，定义一个阈值T，如果4个点中存在3个点的像素差大于阈值，则判断中心点P为潜在特征点，否则就剔除，4.根据权利要求3所述的一种基于FAST算法的医学图像匹配方法，其特征在于：从潜在特征点筛选出粗特征点，若P已经为潜在特征点，计算点P与周围16个特征点之间的像素差，如果存在9个点的像素差大于阈值T，则将其判断为粗特征点，否则就剔除；5.根据权利要求1所述的一种基于FAST算法的医学图像匹配方法，其特征在于：基于亮度阈值来对特征点进行进一步判定时，从粗特征点中移除不符合亮度条件的点，L
avg
为整张图片的平均亮度，L
region
为粗特征点P1计算附近的区域亮度；设置亮度阈值T1，如果粗特征点P1的区域亮度小于图片平...

【专利技术属性】
技术研发人员：李旭东，魏金雷，潘心冰，何彬彬，伊文超，朱利霞，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：