一种基于稳定区域的轮廓关键点配准与标识方法【
技术领域：
】[0001]本发明属于图像自动检测
技术领域：
，更具体地，涉及一种基于稳定区域的轮廓关键点配准与标识方法。【
背景技术：
】[0002]图像配准是目标检测与识别的一个非常重要的研究课题，广泛应用于医学影像疾病检测、故障图像检测和匹配导航等领域。在B超、CT、MRI、PET、SPECT以及IR等不同成像机理的医学评估图像中，除了受尺度、视点、环境、形态非线性形变等变化因素影响外，机体组织还对不同电磁信号的衰减、辐射、传导、扩散、密度等光电传感器特性也存在很大差异，同一人的不同观测图像之间存在显著的差异，这就使图像配准变得异常困难。[0003]为了解决上述难点，基于共性稳定特征的图像配准方法是一种行之有效的方法。目前，大多数的共性不变特征检测方法都是根据共性不变特征进行关键部位检测。现有的共性不变特征检测方法可分为两类：相似变换不变和仿射变换不变。在共性不变特征检测方法中，最典型的是SIFT(Scale_InvariantFeatureTransform)不变特征和基于随机树分类器的检测方法。SIFT是Lowe提出的一种多尺度高斯差分灰度图像共性不变特征关键点检测方法，其中每个关键点对应于一个共性不变特征向量。Lepetit与Fua提出的基于随机树分类器的方法就是为参考图像中每个共性不变特征关键点训练一个随机树分类器，然后，利用这组分类器检测未知图像中对应的共性特征不变关键点，从而实现图像匹配或目标检测。此外，仿射变换不变的共性不变特征检测方法较多，Mikolajczyk等综述了相关研究成果，并给出了六种不同共性不变特征检测方法的性能比较。[0004]在不同成像机理医学影像的疾病检测中（例如CT、MRI、B超和PET等），虽然局部区域是纹理分布比较均匀的同质区域，但不同成像机理的医学检查图像之间存在很大的差异，其共性不变特征是机体、组织与器官的边界。此时，基于局部纹理不变特征的检测方法很难获得较好的配准效果，而MSER(MaximallyStableExtremalRegions,最大稳定极值区域）检测却能很好地检测局部灰度均匀而边缘显著的稳定区域。在相机内外参数、外部成像环境、外部形态非线性形变以及不同光电传感器特性等不同的情况下，MSER在稳定区域与边界提取方面综合性能较好。[0005]但在利用稳定区域与边界进行图像配准时，存在以下几个需要解决的问题：（1)机体内组织的个数较多而且面积较大，稳定区域提取与计算的时间复杂度高；（2)人体各肢体区域的非刚性连接，导致机体内组织间存在非线性的几何畸变；（3)不同成像机理的组织纹理分布特征都存在很大的差异，导致机体组织的定位不准确。[0006]因此，如何解决同一个人的不同成像机理医学影像之间存在显著的差异带来的组织辨识和定位困难（通常由于在医学影像获取过程中相机内外参数、外部成像环境、目标非线性形变以及光电传感器特性等因素不同造成），提高组织图像辨识和定位的稳定性和实时性是亟待解决的问题。【
发明内容】[0007]针对现有技术的以上缺陷或改进需求，本发明提供一种基于稳定区域的轮廓关键点配准与标识方法，其目的在于实现机体组织区域的分割和定位，解决相机内外参数、外部成像环境、目标非线性形变以及光电传感器特性等因素变化条件下机体组织区域配准和标识的稳定性和和实时性。[0008]本发明提供一种基于稳定区域的轮廓关键点配准与标识方法，包括以下步骤：[0009]步骤1统计人体红外图像各灰度出现的数目，得到所述人体红外图像的灰度统计直方图，并采用低通滤波方法滤除所述灰度统计直方图的毛刺；[0010]步骤2采用直方图极大值点的分割门限区间估计方法，计算所述灰度统计直方图最稳定区域检测的最优搜索区间，包括以下子步骤：[0011](2-1)对于任意灰度X，如果满足h(x-l)<h(x)<h(x+l),则将X作为一个直方图极大值点y，从大到小搜索所有灰度X，得到直方图极大值点序列yi，i=〇,1，...，Ny-l，Ny为极大值点的数目，然后，计算h(x)的全局最大值h_和对应的灰度y_，并取?\=h_/3;[0012](2-2)对于直方图极大值点序列yi，从左到右进行搜索，如果h(yiD<h(yj彡h(yi+1)，且h(y;)大于?\，则为直方图左最大值点y^[0013](2-3)对于直方图极大值点序列yi，从右到左进行搜索，如果h(yiD<h(yj彡h(yi+1)，且h(y;)大于?\，则为直方图右最大值点yR;[0014](2-4)对于直方图极大值点序列y;，计算又^与yR之间的h(y;)的最小值，其对应的灰度作为最小谷点g。#;[0015](2-5)对于yl^与g。#间的直方图极大值点序列y;，计算h(yi)的最大值，其对应的灰度记为Κ。#;[0016](2-6)对于8_与yR间的直方图极大值点序列y;，计算h(yi)的最大值，其对应的灰度记为yRcipt，以[y^t,yRcipt]作为所述最优搜索区间；[0017]步骤3采用基于门限区间内最优门限的最稳定区域检测方法，提取最大稳定区域的外轮廓；[0018]步骤4以所述最大稳定区域的外轮廓为初始轮廓，采用基于梯度强度和几何光滑性约束的外轮廓修正方法，自适应地修正所述初始轮廓；[0019]步骤5采用外轮廓几何不变显著点检测和区域配准方法，检测和配准人体各肢体区域；[0020]步骤6采用区域轮廓的配准参数估计和位置映射的方法，实现人体内部各组织和器官区域的定位和分割。[0021]总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：[0022]本发明结合基于直方图统计的自适应阈值分割、最大稳定区域检测、区域轮廓配准和组织位置映射方法，大大地降低了最稳定区域检测的复杂度，同时增强了图像匹配算法的稳定性，提高了机体组织定位的精确性。在不同图像集上的测试结果表明，本发明提供方法的机体组织配准与定位比现有方法更加稳定、精确。【附图说明】[0023]图1为本发明基于稳定区的域的轮廓关键点配准与标识方法流程图；[0024]图2为本发明红外图像灰度直方图统计示意图；[0025]图3为本发明人体图像轮廓抽取结果图；[0026]图4为本发明人体各肢体区域分割示意图；[0027]图5为本发明人体各组织位置示意图；[0028]图6为本发明人体肢体区域定位结果图；[0029]图7为本发明人体组织位置映射结果图；[0030]图8为本发明非人体图像稳定区域检测结果。【具体实施方式】[0031]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。[0032]本发明提供一种基于稳定区域的轮廓关键点配准与标识方法，首先采用基于直方图统计的最大稳定区域检测方法检测机体红外图像的外轮廓，减小最稳定区域检测的复杂度，提高人体区当前第1页1 2 3