一种非刚性脑图像配准方法
【专利摘要】本发明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。
【专利说明】一种非刚性脑图像配准方法
【技术领域】
[0001]本发明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。
【背景技术】
[0002]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 (Hierarchical AttributeMatching Mechanism for Elastic Registration),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(edge preserving)。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发明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。
【发明内容】
[0003]本发明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。
[0004]本发明提出的非刚性脑图像配准方法，包括如下步骤:
[0005]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；
[0006]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；
[0007]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；
[0008]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。
[0009]本发明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:
[0010]步骤al:根据所述参考图像对所述目标图像进行归一化处理；
[0011]步骤a2:通过仿射变换对所述目标图像进行全局变形；
[0012]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。
[0013]本发明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。
[0014]本发明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:
[0015]步骤bl: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；
[0016]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；
[0017]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。
[0018]本发明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:
【权利要求】
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: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占.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。
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al: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，所述步骤三中构建特征描述子包括如下步骤: 步骤bl: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。
5.如权利要求4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:
6.如权利要求1所述的非刚性脑图像配准方法，其特征在于，所述步骤三中得到匹配的特征点包括如下步骤:步骤cl: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描述子所表示特征点的坐标差； 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。
7.如权利要求1所述的非刚性脑图像配准方法，其特征在于，建立并求解所述配准问题的光流模型，包括如下步骤: 步骤dl: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特征点融入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所述粗精度的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粗配准图像的光流； 步骤d4:根据所述粗精度下粗配准图像的光流估计得到高精度下粗配准图像的光流，从而得到配准结果。
【文档编号】G06T7/00GK103700101SQ201310703933
【公开日】2014年4月2日 申请日期:2013年12月19日 优先权日:2013年12月19日
【发明者】文颖, 阳求应 申请人:华东师范大学