基于组合点匹配的全自动医学图像配准方法
【技术领域】
[0001] 本发明设及图像处理领域，尤其设及一种基于组合点匹配的全自动医学图像配准 方法。
【背景技术】
[0002] 图像配准技术在临床医疗领域有广泛的应用前景。其基本思想是:将特定的某一 幅图像设定为参考图像，将待配准的一幅或者多幅图像设定为浮动图像，建立浮动图像与 参考图像之间的空间对应关系和合适的相似度评价机制。根据浮动图像与参考图像相似度 的大小不断调整浮动图像到参考图像的空间变换参数，最终获得最佳配准结果下的变换参 数，为下一步的图像融合作准备。
[0003] 图像配准方法主要分为两种:基于图像特征的配准方法和基于图像灰度值的配准 方法。其中，基于图像特征的配准方法的主要原理如下:提取图像的典型特征（区域特征、线 特征、点特征），建立参考图像特征与浮动图像特征之间的对应关系，根据特征之间的相似 度调整特征集之间的空间变换参数，获取最佳配准结果。因其速度快，计算量小的特点，基 于特征的配准方法在图像配准领域发展的早期时段，W及精度要求不高的情况下有广泛的 运用。但基于特征的方法抗干扰性不高，配准结果对提取的特征的依赖性很大，特征的质量 直接影响到配准结果的好坏。为了获得较好的配准结果，往往需要人工干预选择特征，无法 实现全自动配准。同时，此类方法的配准精度和成功率都较低。
【发明内容】
[0004] 本发明的目的旨在改善W上现有技术中的缺陷，特别针对基于特征配准方法抗干 扰性不高，人工干预多，配准精度和配准成功率都较低的情况，提出了一种基于组合点匹配 的全自动医学图像配准方法。
[0005] 基于组合点匹配的全自动医学图像配准方法，包括W下步骤：
[0006] 步骤1、提取医学图像轮廓特征点；
[0007] 步骤2、提取特定区域的角点特征点；
[000引步骤3、将所述轮廓特征点和所述角点特征点组合获得参考图像与浮动图像特征 点集；
[0009] 步骤4、建立基于改进豪斯多夫距离的点集相似度评价机制；
[0010] 步骤5、根据所述评价机制进行图像特征点集全自动配准，直至满足终止条件；
[00川步骤6、输出配准结果。
[0012] 所述提取医学图像轮廓特征点的过程为：利用边缘算子提取图像的边缘，选取边 缘线中闭合的、周长最大的边缘线作为图像的外轮廓，利用等间隔采点法选取外轮廓线上 的特征点。
[0013] 所述提取特定区域的角点特征点的过程为:选择在轮廓线W内但不处于轮廓线W 内的中屯、范围的区域，选取区域的角点作为特征点。
[0014] 所述获得参考图像与浮动图像特征点集的过程为：参考图像外轮廓点集是RK = {kl，k2，k3, . . .，km}，其中的特定区域特征点集是化={Il，l2，l3, . . .，ln};浮动图像外轮廓点 集是EP= {pi，p2，P3, . . .，Pi}，特定区域特征点集是FQ= {qi，q2，q3, . . .，qj}，则参考图像提取 的组合特征点集是rpDints= {RK，RU，浮动图像提取的组合特征点集是fpDints= {FP，FQ}。
[0015] 所述建立基于改进豪斯多夫距离的点集相似度评价机制的过程为：点a与点b之间 的距离为高斯距离，记作d(a，b)=Ma-b||，其中M . M代表取模运算，从点集A中的一点a 到点集B的距离为d(a，B) =mi化SB M a-b I I，其中S'===毅奴％&》;''"'''、、％》.1，化为点集8中特征点数 目；从点集A到点集B的距离为
其中t%馬碱^…馬冰化为点集A中 特征点数目，相应的，从点集B到点集A的距离为
其中 …''，取d(A，B)与d(B，A)两者中的最大值来表征点集A与点集B之间的距离， 记作願0(4,8)=1脚（8,4)=111曰义{(1^，8)，(1(8,4)};点集4与点集8之间的相似度为
SS(A，B)的值越大，说明点集A与点集B的相似度越高。
[0016] 所述根据所述评价机制进行图像特征点集全自动配准直至满足终止条件的过程 为:选用群体智能优化算法进行配准参数的寻优;终止条件为达到最大迭代次数或种群多 样性降低到设定阔值，其中所述种群多样性由下式确定，
[0018] 其中，S代表当前的种群，k代表种群中个体的数目，D代表每个个体的维度，《I代表 种群S中第1个体在第i维上的值，造代表所有个体在第i维上的平均值，length代表捜索空 间的对角线长度。
[0019] 步骤1与步骤2的顺序可调换。
[0020] 本发明将基于组合特征的点配准方法应用与医学图像配准领域的特征配准，在保 证配准速度的同时，实现了全自动配准，并提高了图像配准的成功率和配准结果的精度。本 发明具有配准速度快、配准成功率高、配准精度高、抗干扰能力强、人工干预少的优点，改善 了 W往基于特征配准方法成功率低、配准精度低、抗干扰能力弱、人工干预多的缺点，使得 后续图像处理工作成为可能。
【附图说明】
[0021] 图1为本发明实施例基于组合点匹配的全自动医学图像配准方法的流程框图；
[0022] 图2为提取的MR-Tl脑部图像的外部轮廓线；
[0023] 图3为外部轮廓线对应的特征点；
[0024] 图4为提取的MR-Tl脑部图像的区域特征点；
[0025] 图5-(a)、5-(b)、5-(c)分别对应噪声级别为0%的MR-Tl脑部图像、MR-T2脑部图 像，MR-ro脑部图像；
[0026] 图6为MR-Tl脑部图像与MR-ro脑部图像成功配准的结果图；
[0027] 图7-(a)、7-(b)、7-(c)分别对应噪声级别为1%、5%、9%的13-抑脑部图像。
【具体实施方式】
[0028] 为了使本发明的目的、技术方案及优点更加清楚明白，W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W解释本发明，并 不用于限定本发明。
[0029] 如图1所示，该方法包括W下步骤：
[0030] 步骤1:提取医学图像外轮廓，进一步提取轮廓特征点；
[0031] 外轮廓属于图像边缘的一部分，首先需要提取图像的边缘。此处选用canny边缘检 测算子检测参考图像和浮动图像的边缘。应当指出，此处提取边缘的方法不一定是利用 canny边缘检测算子，其他能够产生良好边缘提取结果的方法都可W用于此处的边缘检测。
[0032] 接着，需要从图像边缘中提取出图像外轮廓。根据视觉图像不难得出，图像的外轮 廓具有两个特点：闭合曲线，最大周长。检测最大周长闭合曲线的过程如下：
[0033] (1)、检测出二值边缘图像中结尾点，从某处后曲线不再延续的点称为结尾点。
[0034] (2)、选定二值边缘图像中第一个像素值不为零的一点(rsta;rt，cstad)作为起始 点，W起始点为中屯、，寻找八邻域范围内与之相连的下一边缘点。将首先寻找到的边缘点作 为此边缘线的第二个点，W起始点到第二点的方向作为初始捜索方向。
[0035] (3)、沿着初始捜索方向，寻找第二边缘点八邻域范围内与之相连的第=边缘点。 重复此过程，直至捜索到本边缘初始捜索方向上的结尾点或遇到起始点，记发生此次终止 捜索的点为终止点。
[0036] (4)若终止点与起始点是相连的，那么从起始点到终止点的边缘线就是闭合的边 缘线，将捜寻到的闭合边缘线编号并记录闭合边缘线集合当中。若终止点与起始点不相连， 则此边缘线不是闭合的。
[0037] (5)遍历二值图像中所有的像素值不为零的点作为起始点，重复步骤（2)到步骤 (4)，找出所有边缘线中的闭合边缘线，记录于闭合边缘线集合中。
[0038] (6)找出闭合边缘线集合中周长最大的闭合边缘线，即是图像的外部轮廓线。
[0039] 从图像外部轮廓线上等间隔地选取点作为特征点，间隔的大小视轮廓线周长而 定，限定外轮廓线特征点的个数在50-80之间。图2和图3分别是提取MR-Tl脑部图像的外部 轮廓线和对应的轮廓线特征点。
[0040] 步骤2:提取特定区域角点作为特征点；
[0041] 首先在外轮廓线W内的区域选取特征点，其次选取的区域必须不处于外轮廓线W 内的中屯、范围。选取的特征点为本区域内图像的角点。
[0042] 本实施例中选取的区域是外轮廓线W内靠近轮廓线的左上角区域，角点提取方法 采用的是harris角点检测法。应当指出，其他任何可W产生良好角点检测效果的方法都可 W用于此处的角点检测。图4是提取MR-Tl脑部图像的区域特征点。
[0043] 步骤3:组合两种特征点分别获得参考图像与浮动图像特征点集；
[0044] 设参考图像提取的外轮廓点集是服=化I，k2，k3, . . .，km}，提取的区域特征点集是 RL=Ul，l2，l3, . . .，ln}。设浮动图像提取的外轮廓点集是FP={pi，P2，P3, . . .，pi}，提取的区 域特征点集是FQ= {qi，q2，q3, . . .，qj}。则参考图像提取的组合特征点集是rpoints= {RK， RU，浮动图像提取的组合特征点集是fpDints= {FP，FQ}。
[0045] 步骤4:建立基于改进豪斯多夫距离的点集相似度评价机制；
[0046] 定义点a与点b之间的距离高斯距离，记作d(a，b) = I |a-b| I，其中I I ? I I代表取模 运算。定义从点a至Ij点集B的距离为d(a，B) =HiinbEB M a-b I I，其中数二P办滚》'漠护.…'，省游!。定义 从点集A到点集B的距离为
其中。^ 。:!。定义点集A和点
集B之间的距离为血曲(4,8)=1皿(8,4)=111曰^(1(4,8)，(1(8,4)}。定义点集4与点集8之间的 相似度天 点集A与点集B的相似度越高，SS(A，B)的值越大。 O
[0047] 此处参考图像特征点集^口〇111*3与浮动图像特征点集f_points的相似度计算公 式如下：
[0049] 步骤5:根据评价机制进行图像特征点集全自动配准，直至满足终止条件，输出配 准结果。
[0050] 本实施例只讨论简单的二维