一种非刚性脑图像配准方法技术

本发明专利技术公开了一种非刚性脑图像配准方法，包括：步骤一：根据参考图像对目标图像进行预处理，得到粗配准图像；步骤二：分别计算所述参考图像与所述粗配准图像的候选特征点；步骤三：构建所述候选特征点的特征描述子，根据所述特征描述子得到匹配的特征点；步骤四：根据所述特征点计算所述粗配准图像的光流模型，得到配准结果。本发明专利技术采用了基于Zernike矩的描述子向量刻画不同尺度下的几何特征以描述特征点的区域特征，解决了非刚性配准中特征点的匹配问题，并通过将特征点约束融合进Brox光流模型，解决了脑磁共振图像的配准问题。

【技术实现步骤摘要】
一种非刚性脑图像配准方法
本专利技术涉及磁共振成像配准技术，尤其涉及一种非刚性脑图像配准方法。
技术介绍
在脑图像配准中，结构特征点是尤其重要的，结构特征点的选取影响到两幅图像中对应特征点的寻找以及光流的准确性。现有特征点选取主要有手动和自动两种形式。手动的方式即指研究人员手动在两幅人脑图像中选取对应点；自动的方式即通过在参考图像和目标图像中寻找结构特征点，建立特征点的描述向量，计算描述向量之间的距离得出对应点，然后通过对应点求解空间变换参数，其典型代表为HAMMER(HierarchicalAttributeMatchingMechanismforElasticRegistration)，HAMMER用一个属性向量来描述每个点的形态学特征，每个向量包括了图像的灰度、边界信息(白质、灰质、脑脊液)和一组几何不变矩。该方法的与本方法最大的不同是：一、该方法依赖于脑图像的分割(白质、灰质、脑脊液的分离)，而本方法不需要此步骤；二、该方法在配准非特征点时采用的高斯插值的方式，高斯插值无法保证变形的平滑和连续，这很大程度上会造成图像的扭曲，本方法通过平滑项(定义见后面的具体实施)确保变形的平滑以及边界保持(edgepreserving)。另一种常见的寻找对应特征点的方式是软对应，软对应认为每个点都是特征点，且该特征点与其余点都是匹配的，根据其距离远近赋予不同的匹配概率，然后通过迭代的方法更新匹配概率。如果该特征点与某个特征点的匹配概率大于预先设定的阈值，就认为这两点是匹配的。由于每个特征点寻找匹配的特征点的数目过于巨大，其实用性不强。目前许多方法针对这个不足提出了改良策略，其选取特征点的方式与本专利技术大体一致即认为结构型强的点为特征点，但是其候选特征点不再是一个而是多个，最后利用软对应的更新策略寻找唯一的对应特征点。
技术实现思路
本专利技术克服了现有技术存在的问题，提出了一种非刚性脑图像配准方法。本专利技术提出的非刚性脑图像配准方法，包括如下步骤：步骤一：根据参考图像对目标图像进行预处理，得到粗配准图像；步骤二：分别计算所述参考图像与所述粗配准图像的候选特征点；步骤三：构建所述候选特征点的特征描述子，根据所述特征描述子得到匹配的特征点；步骤四：根据所述特征点计算所述粗配准图像的光流模型，得到配准结果。本专利技术提出的所述的非刚性脑图像配准方法中，所述步骤一中预处理包括如下步骤：步骤a1：根据所述参考图像对所述目标图像进行归一化处理；步骤a2：通过仿射变换对所述目标图像进行全局变形；步骤a3：通过基于B样条的自由形式变形对所述目标图像进行局部形变，得到粗配准图像。本专利技术提出的所述的非刚性脑图像配准方法中，所述步骤二中对所述参考图像与所述粗配准图像分别进行Canny算子或者Harris角点算子计算得到候选特征点。本专利技术提出的所述的非刚性脑图像配准方法中，所述步骤三中构建特征描述子包括如下步骤：步骤b1：对参考图像与粗配准图像分别进行降采样得到至少一个降采样图像，所述参考图像、所述粗配准图像与所述降采样图像具有不同尺度；步骤b2:将所述参考图像或所述粗配准图像中的候选特征点映射到相应的降采样图像中；步骤b3：对所述参考图像及其降采样图像，或者所述粗配准图像及其降采样图像中的每个候选特征点分别计算其Zernike矩，得到每个候选点的多尺度下的Zernike描述子作为所述特征描述子。本专利技术提出的所述的非刚性脑图像配准方法中，所述Zernike矩是二维的，该二维Zernike矩如下式表示：其中，n>＝0,m为整数，|m|≤n,n-|m|为偶数；；式中，Anm表示n阶m度Zernike矩，n表示阶数，m为整数，f(x,y)表示像素值，x表示像素点横坐标，y表示像素点纵坐标，Vnm表示一组极坐标系下单位圆内的复数多项式正交集，ρ表示原点到像素点(x,y)的最短距离，θ表示向量ρ和x负半轴的夹角，Rnm(ρ)表示正交径向多项式。本专利技术提出的所述的非刚性脑图像配准方法中，所述步骤三中得到匹配的特征点包括如下步骤：步骤c1：计算所述粗配准图像的特征描述子与所述参考图像的特征描述子之间的欧式距离和以及所述描述子所表示的特征点的坐标差；步骤c2：根据所述坐标值差和欧氏距离进行判别，若坐标值差或欧氏距离大于阈值，则与两个特征描述子分别对应的候选特征点是不匹配的，若坐标值差且欧氏距离小于等于阈值，则两个候选特征点是匹配的，该两个候选特征点为匹配的特征点。本专利技术提出的所述非刚性脑图像配准方法中，建立并求解所述配准问题的光流模型包括如下步骤：步骤d1：基于灰度不变假设、梯度不变假设和平滑假设建立光流的数学模型；步骤d2：对参考图像和粗配准图像分别进行降采样，得到粗精度的参考图像和粗配准图像，并将所述参考图像和所述粗配准图像的结构对应点融入到所述粗精度的参考图像和粗配准图像中；步骤d3：将所述粗精度的参考图像和粗配准图像代入所述光流的数学模型中求得所述粗精度下的粗配准图像的光流；步骤d4：根据所述粗精度下的粗配准图像的光流估计得到高精度下的粗配准图像的光流，从而得到配准结果。本专利技术的有益效果包括：采用了基于Zernike矩的描述子向量刻画不同尺度下的几何特征以描述特征点的区域特性，解决了非刚性配准中特征点的匹配问题。特征描述子向量是针对特征显著点建立的，一方面有效地减少了特征匹配时解空间的规模，另一方面也防止了算法陷入局部最优。通过将特征点约束融合进Brox光流模型，采用由粗到精的策略求解能量泛函极小值，解决了脑磁共振图像的配准问题。附图说明图1是本专利技术非刚性脑图像配准方法的流程图。图2是实施例中原始的参考图像。图3是实施例中原始的目标图像。图4是实施例中目标图像经预处理后的粗配准图像。图5是实施例中粗配准图像的候选特征点的示意图。图6是实施例中匹配的特征点的示意图。图7是实施例中与特征点近似的候选特征点的示意图。图8是目标图像经本专利技术配准后的图像。图9是经现有技术Brox算法配准后的图像。具体实施方式结合以下具体实施例和附图，对本专利技术作进一步的详细说明。实施本专利技术的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本专利技术没有特别限制内容。本专利技术中所涉及的专业术语的解释如下：目标图像是指待配准的脑图像；参考图像是指目标图像配准后应该与其尽可能相似的图像；粗配准图像是指目标图像经过全局-局部变换后存储的图像；特征点是指图像中具有较好纹理特性的像素点，能区分该像素点与其他像素点的差异性；结构对应点是指参考图像与目标图像中一一对应的点，因为其有着很好的结构特性，所以称其为结构对应点；候选特征点是经过Canny算子或Harris角点算子求得的边缘点；特征描述子是指用来描述特征点在不同尺度下的Zernike本文档来自技高网...

【技术保护点】
一种非刚性脑图像配准方法，其特征在于，包括如下步骤：步骤一：根据参考图像对目标图像进行预处理，得到粗配准图像；步骤二：分别计算所述参考图像与所述粗配准图像的候选特征点；步骤三：构建所述候选特征点的特征描述子，根据所述特征描述子得到匹配的特征点；步骤四：根据所述特征点计算所述粗配准图像的光流模型，得到配准结果。

【技术特征摘要】
1.一种非刚性脑图像配准方法，其特征在于，包括如下步骤：步骤一：根据参考图像对目标图像进行预处理，得到粗配准图像；步骤二：分别计算所述参考图像与所述粗配准图像的候选特征点；步骤三：对参考图像与粗配准图像分别进行降采样得到至少一个降采样图像；将所述参考图像或所述粗配准图像中的候选特征点映射到相应的降采样图像中；对所述参考图像及其降采样图像，或者所述粗配准图像及其降采样图像中的每个候选特征点分别计算Zernike矩，得到每个候选点的多尺度下的Zernike描述子作为所述特征描述子，根据所述特征描述子得到匹配的特征点；步骤四：根据所述匹配的特征点计算所述粗配准图像的光流模型，得到配准结果。2.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述步骤一中预处理包括如下步骤：步骤a1：根据所述参考图像对所述目标图像进行归一化处理；步骤a2：通过仿射变换对所述目标图像进行全局变形；步骤a3：通过基于B样条的自由形式变形对所述目标图像进行局部形变，得到粗配准图像。3.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述步骤二中对所述参考图像与所述粗配准图像分别进行Canny算子或者Harris角点算子计算得到候选特征点。4.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述Zernike矩是二维的，该二维Zernike矩如下式表示：其中，n>＝0,m为整数，|m|≤n,n-|m|为偶数；式中，Anm表示...

【专利技术属性】
技术研发人员：文颖，阳求应，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31