一种快速及高精度的脊柱图像拼接方法技术

本发明专利技术公开一种快速及高精度的脊柱图像拼接方法，首先计算输入脊柱图像中的特征点和对应的特征描述子；其次，根据描述子之间的相似性计算特征匹配关系；再次，根据特征匹配关系计算出脊柱图像之间的几何变换矩阵；然后，根据几何变换关系，将输入的脊柱图像映射到相同的坐标空间内；最后，使用集束调整方法对特征点和脊柱图像对应的摄像机参数进行优化，即可获得精确的高分辨率脊柱图像。本发明专利技术充分利用了脊柱图像之间的几何变换关系，将脊柱图像拼接问题转化为坐标点的空间变换问题，同时使用集束优化方法对坐标点和摄像机参数进行调整，进而获得高精度的全景脊柱图像。进而获得高精度的全景脊柱图像。进而获得高精度的全景脊柱图像。

【技术实现步骤摘要】
一种快速及高精度的脊柱图像拼接方法


[0001]本专利技术涉及医学图像处理技术，具体涉及一种快速及高精度的脊柱图像拼接方法。

技术介绍

[0002]医学图像拼接(Medical Image Stitching)的目的是将多幅地分辨率的医学图像拼接为一幅高分辨的全景医学图像。脊柱图像拼接属于医学图像拼接的一种类型，其处理的对象是一系列低分辨率的脊柱图像，输出结果为一幅高分辨率的全景脊柱图像。现有的医学图像拼接方法在处理脊柱图像数据时，主要存在以下问题：(1)非常耗时，脊柱图像拼接的步骤非常耗时，现有的医学图像拼接方法无法快速地从一系列低分辨率的脊柱图像中计算出高分辨率的全景脊柱图像，严重影响了疾病诊断的时间效率；(2)质量低，现有的医学图像拼接方法或软件系统，所输出的全景脊柱图像质量较低，即容易出现畸变和模糊问题，甚至拼接失败，严重影响了病情诊断效果。
[0003]上述问题严重阻碍了脊柱图像拼接技术的发展和应用，同时也暴露出：在医学图像拼接领域，脊柱图像拼接问题受到了较少地关注。因此，人们亟需一种快速及高精度的脊柱图像拼接方法与系统，以便能够快速地从一些列低分辨率的脊柱图像中拼接出一幅高质量的全景脊柱图像。
[0004]目前，关于医学图像拼接的经典论文主要有：[1]《Vision
‑
based Intraoperative Cone
‑
Beam CT Stitching for Non
‑
overlapping Volumes》，[2]《Reconstruction of Orthographic Mosaics From Perspective X
‑
Ray Images》。论文[1]于2015年，发表于医学图像处理领域的顶级会议MICCAI会议，主要解决CBCT图像拼接问题。论文[2]于2021年，发表于国际著名期刊“IEEE Transactions on Measurement Instruction”上，主要针对正交X光图像的拼接问题。因此，现有经典方法均不适用于脊柱图像拼接问题。
[0005]其他脊柱图像拼接的现有技术方案，例如专利CN112837225A公开一种立位全脊柱图像自动无缝拼接的方法及装置，该现有技术方案仅用于处理X光图像，比较依赖两幅图像之间的重合信息不能保证拼接的图像与真实目标物的几何一致性，使用古老的SIFT检测X光图像上的特征点，容易导致特征点聚集，且在地纹理区域难以检测出有效的特征点。

技术实现思路

[0006]专利技术目的：本专利技术的目的在于解决现有技术中存在的不足，提供一种快速及高精度的脊柱图像拼接方法，使得从一系列低分辨率的脊柱图像中快速地拼接出一幅高质量的全景脊柱图像变为可能。
[0007]技术方案：本专利技术的一种快速及高精度的脊柱图像拼接方法，包含以下步骤：
[0008]S1、对于给定的两幅脊柱图像I
l
和I
r
，分别计算脊柱图像I
l
和脊柱图像I
r
所包含的局部特征点(Local Feature Point)及对应的特征描述子。
[0009]其中，脊柱图像I
l
上所检测到的局部特征点(Local Feature Point)为
对应特征描述子为N1表示从脊柱图像I
l
上检测出的局部特征点的数量，和分别表示脊柱图像I
l
上的第i个局部特征点(Local Feature Point)以及对应的特征描述子(Descriptor)；
[0010]脊柱图像I
r
上所检测到的局部特征点为对应特征描述子为N2表示从脊柱图像I
r
上检测出的局部特征点的数量，和分别表示脊柱图像I
r
上的第j个局部特征点以及对应的特征描述子；
[0011]S2、根据特征描述子之间的相似性，计算脊柱图像I
l
和脊柱图像I
r
之间的特征匹配关系，即为
[0012]S3、根据脊柱图像I
l
和脊柱图像I
r
之间的特征匹配关系Matches
lr
，根据多视图几何原理计算脊柱图像I
l
和脊柱图像I
r
之间的几何变换矩阵H
lr
：
[0013][0014]S4、根据脊柱图像I
l
和脊柱图像I
r
之间的几何变换矩阵H
lr
，以脊柱图像I
l
为参考对象，对脊柱图像I
r
中的局部特征点进行空间映射，进而获得一幅初始的全景脊柱图像Pano1；
[0015]S5、使用集束调整方法(Bundle Adjustment)，对脊柱图像I
l
和脊柱图像I
r
之间的特征匹配关系Matches
lr
中包含的特征点坐标进行优化，直到算法收敛或达到预先设定的迭代次数，最终得到一幅高质量的全景脊柱图像Pano
spine
。
[0016]进一步地，所述步骤S1的详细过程为：
[0017]步骤S1.1、学习一个基本特征检测子(Detector)，将该基础特征检测子用于提取简单图像的关键点，然后通过随机生成虚拟的三维物体形成数据集，这些三维物体的角点已知，也就是随机生成已知关键点真值的简单数据集，通过所得三维物体数据集去训练神经网络，因此，该基本特征检测子则具有提取基础关键点的能力；
[0018]步骤S1.2、提取任意图像的关键点：把未知关键点的图像做多种单应性变换，变换后的图像都通过基础特征检测子获得关键点，然后把关键点映射回原图上，再进行合并就得到了完整的关键点。
[0019]进一步地，所述步骤S2中计算脊柱图像I
l
与脊柱图像I
r
之间的特征匹配关系步骤如下：
[0020]步骤S2.1、根据特征描述子之间的相似性(即通过计算特征向量之间的欧式距离来获得相似性)，使用最近邻方法为脊柱图像I
l
的特征点从脊柱图像I
r
中寻找两个可能的候选匹配点，记为和
[0021]步骤S2.2、分别计算特征描述子与特征描述子和之间的L2范数，分别记为和
[0022]步骤S2.3、计算候选匹配点之间的差异比值σ：
[0023][0024]如果σ∈[0,1]，则认为是一对正确的特征匹配点，并保留这一对特征匹配点，如果则认为是错误的匹配点，并删除；
[0025]至此获得脊柱图像I
l
与脊柱图像I
r
之间的特征匹配关系Matches
lr
。
[0026]进一步地，所述述步骤S5的具体步骤如下：
[0027]步骤S5.1、为提高全景图像的质量，根据输入的初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速及高精度的脊柱图像拼接方法，其特征在于，包含以下步骤：S1、对于给定的两幅脊柱图像I
l
和I
r
，分别计算脊柱图像I
l
和脊柱图像I
r
所包含的局部特征点及对应的特征描述子；其中，脊柱图像I
l
上所检测到的局部特征点为对应特征描述子为N1表示从脊柱图像I
l
上检测出的局部特征点的数量，和分别表示脊柱图像I
l
上的第i个局部特征点以及对应的特征描述子；脊柱图像I
r
上所检测到的局部特征点为对应特征描述子为N2表示从脊柱图像I
r
上检测出的局部特征点的数量，和分别表示脊柱图像I
r
上的第j个局部特征点以及对应的特征描述子；S2、根据特征描述子之间的相似性，计算脊柱图像I
l
和脊柱图像I
r
之间的特征匹配关系Matches
lr
，S3、根据脊柱图像I
l
和脊柱图像I
r
之间的特征匹配关系Matches
lr
，计算脊柱图像I
l
和脊柱图像I
r
之间的几何变换矩阵H
lr
：S4、根据脊柱图像I
l
和脊柱图像I
r
之间的几何变换矩阵H
lr
，以脊柱图像I
l
为参考对象，对脊柱图像I
r
中的局部特征点进行空间映射，进而获得一幅初始的全景脊柱图像Pano1；S5、使用集束调整方法，对脊柱图像I
l
和脊柱图像I
r
之间的特征匹配关系Matches
lr
中包含的特征点坐标进行优化，直到算法收敛或达到预先设定的迭代次数，最终得到一幅高质量的全景脊柱图像Pano
spine
。2.根据权利要求1所述的快速及高精度的脊柱图像拼接方法，其特征在于：所述步骤S1的详细方法为：步骤1.1、学习一个基本特征检测子，将该基础特征检测子用于提取简单图像的关键点，然后通过随机生成虚拟的三维物体形成数据集，通过所得数据集去训练神经网络；步骤1.2、提取任意脊柱图像的关键点：把未知关键点的图像做多种单应性变换，变换后的图像均通过基础特征检测子获得关键点，然后把关键点映射回原脊柱图像，再进行合并就得到了完整的关键点。3.根据权利要求1所述的快速及高精度的脊柱图像拼接方法，其特征在于：所述步骤S2中计算脊柱图像I
l
与脊柱图像i
r
之间的特征匹配关系步骤如下：步骤S2.1、根据特征描述子之间的相似性，使用最近邻方法为脊柱图像i
l
的特征点从脊柱图像I
r
中寻找两个可能的候选匹配点，记为和步骤S2.2、分别...

【专利技术属性】
技术研发人员：朱德刚，蔡宇，
申请(专利权)人：安徽医科大学第一附属医院，
类型：发明
国别省市：