專利名稱：一種基于圖像邊緣的多分辨非剛性頭部醫(yī)學(xué)圖像配準(zhǔn)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于小波變換的頭部醫(yī)學(xué)圖像配準(zhǔn)方法，是信息融合領(lǐng)域中一項多分辨圖像配準(zhǔn)方法，在遠(yuǎn)程醫(yī)療系統(tǒng)、醫(yī)學(xué)圖像處理等系統(tǒng)中均可有廣泛應(yīng)用。

背景技術(shù)：
圖像配準(zhǔn)是圖像分析中的一項非常重要的技術(shù)，主要通過尋找某種變換，使兩幅圖像的對應(yīng)點達到空間位置的一致，在醫(yī)學(xué)診斷過程中，由于存在不同模式圖像表現(xiàn)不同性質(zhì)的物理機制、患者擺位的差異、成像參數(shù)的變化、不同成像設(shè)備間空間分辨率不同等現(xiàn)實問題，所以單單憑借醫(yī)生手動將兩張或兩組不同模式的圖像在空間上做對準(zhǔn)受到很多局限，且常帶有較大的主觀性，其可靠性往往不高，不可避免地會產(chǎn)生誤差。特別是在定向放射外科和顱腦手術(shù)可視化等應(yīng)用領(lǐng)域，對圖像配準(zhǔn)的精度要求很高，使得醫(yī)學(xué)圖像配準(zhǔn)成為一項必要而又相當(dāng)困難的任務(wù)。
圖像配準(zhǔn)技術(shù)的基本過程主要分為三個步驟 ①尋找圖像中的對應(yīng)特征量并提取出來； ②根據(jù)特征量尋找最佳匹配變換； ③利用得到的最佳變換對待配準(zhǔn)圖像進行變換和參考圖像進行匹配。其中前兩步是配準(zhǔn)過程的關(guān)鍵，也是配準(zhǔn)算法研究的核心內(nèi)容。


發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種適合于灰度圖像特點的配準(zhǔn)算法，加強配準(zhǔn)算法的針對性，以提高配準(zhǔn)后的圖像質(zhì)量，達到理想的實用效果。
在配準(zhǔn)過程中利用由粗到精的搜索變換參數(shù)。首先由小波變換檢測圖像邊緣，在邊緣圖像基礎(chǔ)上構(gòu)造邊緣金字塔圖像，然后在邊緣金字塔圖像的最小尺度層(即最粗糙層)進行較大范圍的搜索，尋找配準(zhǔn)兩幅圖像的最佳變換，以后每一層以前一層的搜索結(jié)果為中心，縮小搜索范圍繼續(xù)搜索，直到最大尺度層。這種方法與直接用原始圖像進行配準(zhǔn)相比，可以減少計算量，提高準(zhǔn)確度并能夠配準(zhǔn)不同空間分辨率的圖像。全像素分層匹配時，往往出現(xiàn)對應(yīng)的同名點不止一個問題，難以實現(xiàn)全局點的匹配。本方法采用基于小波分解的邊緣圖像金字塔，利用了互信息作為相似性度量準(zhǔn)則，分層實現(xiàn)整幅圖像的配準(zhǔn)。
本發(fā)明技術(shù)方案的創(chuàng)新點在圖像融合之前的預(yù)處理和配準(zhǔn)規(guī)則，為實現(xiàn)這樣的目的，本發(fā)明的技術(shù)方案是基于小波分解的邊緣圖配準(zhǔn)算法，其特征在于 (1)使用小波分解進行邊緣圖像金字塔構(gòu)建，小波分解是一種無損變換，并且它的直流分量是光滑的，每一層都由一個直流分量和三個特征分量組成，可以利用特征分量進行特征匹配。
(2)預(yù)處理后圖像每層上的數(shù)據(jù)與原始圖像大小一樣，且可以重建，所以在內(nèi)存中可以釋放原始圖像，這樣，金字塔分層后所需要的內(nèi)存大小沒有增加。與基于互信息的配準(zhǔn)方法比較，匹配更加準(zhǔn)確，整幅圖像的每一層低分辨率的劃分，由于像素點仍然相對較多，容易出現(xiàn)匹配結(jié)果可能不止一個位置的情況，而邊緣圖像金字塔可以很好的解決這個問題，減少匹配誤差提高配準(zhǔn)精度。
本發(fā)明提供的一種基于圖像邊緣的多分辨非剛性頭部醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，包括以下步驟 1)圖像邊緣提取 設(shè)二維圖像信號f(x，y)表示圖像的像素值， 設(shè)η(x，y)為二維平滑函數(shù)并且滿足 對平滑函數(shù)η(x，y)分別求x方向和y方向的偏導(dǎo)數(shù)，則有 其中μ1(x，y)和μ2(x，y)看作二維小波函數(shù)。
則f(x，y)對應(yīng)的小波變換為Wxf(x，y)＝f(x，y)*μ1 Wyf(x，y)＝f(x，y)*μ2 對圖像進行平滑，平滑后的圖像g(x，y)為 g(x，y)＝η(x，y)*f(x，y)(3) 對平滑后的圖像求一階微分，得 式(4)和(5)的右端實際上是函數(shù)f(x，y)的兩個小波變換，即 一階導(dǎo)數(shù)的模極大值對應(yīng)圖像的邊緣點，這兩個一階導(dǎo)數(shù)等于f(x，y)的兩個小波變換，這兩個小波變換的模的極大值就對應(yīng)了圖像的邊緣點，從而 由上述方法，得到邊緣圖像I(x，y)和I′(x，y)，進行圖像配準(zhǔn)，其中I(x，y)為參考圖像對應(yīng)的邊緣圖像，I′(x，y)為待配準(zhǔn)圖像對應(yīng)的邊緣圖像； 2).圖像配準(zhǔn) 2.1)將上述到邊緣圖像I(x，y)和I′(x，y)變換為各分辨率層的邊緣金字塔圖像Ik(x，y)和I′k(x，y)， 過程如下通過將原始邊緣圖像I(x，y)和I′(x，y)相鄰的2×2個像素算術(shù)平均為一個像素構(gòu)造第一級邊緣金字塔圖像I1(x，y)和I′1(x，y)，然后在第一級邊緣金字塔圖像I1(x，y)和I′1(x，y)的基礎(chǔ)上按上述方法構(gòu)造第二級圖像I2(x，y)和I′2(x，y)，依此類推構(gòu)成所需層的邊緣金字塔圖像Ik(x，y)和I′k(x，y)； 2.2)在分解成分辨率由低到高的各層邊緣金字塔子圖像集Ik(x，y)和I′k(x，y)后，由低一級的分辨率層Ik(x，y)和I′k(x，y)的搜索結(jié)果作為高一級的分辨率層Ik-1(x，y)和I′k-1(x，y)的初始值，依次類推實現(xiàn)原始圖像的配準(zhǔn)； 在第k層通過方向加速法進行搜索，設(shè)置搜索步長，將參考圖像和待配準(zhǔn)圖像的低頻邊緣圖像進行配準(zhǔn)運算，得與Ik(x，y)上點PK(x，y)在I′k(x，y)上的最佳對應(yīng)點P′k(x，y)，確定圖像間的變換參數(shù)，并作為下一層搜索的粗略位置； 其中k為邊緣金字塔圖像分解的第k層，PK(x，y)為圖像Ik(x，y)上的一像素點，x，y為其橫縱坐標(biāo)，P′k(x，y)為圖像I′k(x，y)上的一像素點； 2.3)在第k-1層配準(zhǔn)中以第k層結(jié)果P′k(x，y)作為初始位置，在P′k(x，y)的鄰域內(nèi)進行配準(zhǔn)搜索，在待配準(zhǔn)圖像中尋找P′k-1(x，y)使之與參考圖像中點Pk-1(x，y)對應(yīng)，從而得到本層的最佳對應(yīng)點P′k-1(x，y)； 2.4)令k＝k-1，重復(fù)進行步驟2.3)的配準(zhǔn)搜索； 2.5)縮小搜索步長，重復(fù)步驟2.3)和步驟2.4，實現(xiàn)逐層搜索直到k＝0，實現(xiàn)k＝0即最頂層上，得到的原始圖像上P0(x，y)和其最佳對應(yīng)點P′0(x，y)，即為的最終搜索結(jié)果，完成配準(zhǔn)過程。
本發(fā)明的圖像融合方法具有如下有益效果 (1)本發(fā)明算法與一般的基于邊緣檢測配準(zhǔn)方法比較，減少了搜索位置，從而大大提高了配準(zhǔn)速度，對于一幅n×n個像素的圖像，采用全像素邊緣配準(zhǔn)算法時，理論上搜索需要的時間為O(n)次，而本發(fā)明中算法為O(log n)次(0(x)隨x的值單調(diào)變化)，扣除預(yù)處理構(gòu)建邊緣金字塔圖像所花費的時間，仍減少很多時間。
(2)本發(fā)明算法與基于全像素金字塔配準(zhǔn)方法比較，配準(zhǔn)更為準(zhǔn)確，全像素金字塔配準(zhǔn)構(gòu)建各層圖像時，由于整幅圖像中像素點仍然相對較多，往往出現(xiàn)同名像素點不止一個位置的情況，容易造成死循環(huán)，而本發(fā)明中算法可以很好的解決這個問題，減少了配準(zhǔn)誤差，提高了配準(zhǔn)精度。
(3)本發(fā)明使用小波分解進行圖像邊緣金字塔的構(gòu)建，小波變換是一種無損變換，并且它的直流分量是光滑的，圖像邊緣金字塔的每一層都由一個直流分量和三個特征分量組成，可以利用特征分量進行特征匹配。圖像金字塔每層上的數(shù)據(jù)與原始圖像大小一樣，且可以重建，所以在內(nèi)存中可以釋放原始圖像，這樣邊緣金字塔圖像分層后所需要的內(nèi)存大小沒有增加，同時小波變換具有快速算法，配準(zhǔn)計算量小速度快。



圖1本發(fā)明實施例子流程圖。
圖2圖像結(jié)構(gòu)金字塔。圖中顯示的是對原始圖像進行的二級金字塔分解示意圖。
圖3圖像配準(zhǔn)算法流程圖。
圖4圖像配準(zhǔn)效果圖。圖4.1是CT1109參考圖像，圖4.2是PD1110待配準(zhǔn)圖，圖4.1和圖4.2均是Visual Human圖像庫中的標(biāo)準(zhǔn)圖像。圖4.3是將圖4.1和圖4.2利用本發(fā)明配準(zhǔn)后的圖像。
圖5是矢量“共軛程度”示意圖。

具體實施例方式 圖像中各種結(jié)構(gòu)的邊緣特征的研究對于模式識別是最重要的。邊緣是圖像最基本的特征，圖像的主要信息大部分都存在于圖像的邊緣中，這同人們從一幅畫的輪廓辨別物體相似。邊緣檢測在計算機視覺、圖像分析等應(yīng)用中起著重要的作用，是圖像分析與識別的重要環(huán)節(jié)。這是因為圖像的邊緣包含了用于識別的有用信息，它為人們描述或識別目標(biāo)和解釋圖像提供了重要的特征參數(shù)。因此，我們邊緣檢測是圖像分析和模式識別的主要特征提取手段。
1.圖像邊緣提取 小波變換是檢測突變信號的強有力工具，能夠刻畫各種不同頻率分量的信號，基于小波變換的邊緣檢測就是將原始圖像進行小波變換，將其分解在不同頻段，找出高頻部分模的極大值后，進行篩選從而得到圖像邊緣。
基于小波變換的邊緣檢測就是用一平滑函數(shù)η(x，y)，在不同的尺度下平滑所檢測的信號，根據(jù)一次或二次微分找出它的突變點(一次微分的極大值點和對應(yīng)的二次微分的零交叉點和平滑后信號的拐點)，其中所選擇的小波函數(shù)根據(jù)小波變換系數(shù)極值進行邊緣檢測。
設(shè)二維圖像信號f(x，y)，g(x，y)，其中f(x，y)、g(x，y)分別表示圖像的像素值， 設(shè)η(x，y)為二維平滑函數(shù)并且滿足 對平滑函數(shù)η(x，y)分別求x方向和y方向的偏導(dǎo)數(shù)，則有 其中μ1(x，y)和μ2(x，y)可以看作二維小波函數(shù)。
對應(yīng)的小波變換為Wxf(x，y)＝f(x，y)*μ1 Wyf(x，y)＝f(x，y)*μ2 對圖像進行平滑，平滑后的圖像為 g(x，y)＝η(x，y)*f(x，y)(3) 對平滑后的圖像求一階微分，得 式(4)和(5)的右端實際上是函數(shù)f(x，y)的兩個小波變換，即 一階導(dǎo)數(shù)的模極大值對應(yīng)圖像的邊緣點，這兩個一階導(dǎo)數(shù)等于f(x，y)的兩個小波變換，因此這兩個小波變換的模的極大值就對應(yīng)了圖像的邊緣點。
由上述方法，得到邊緣圖像I(x，y)和I′(x，y)，進行圖像配準(zhǔn)。(I(x，y)為參考圖像對應(yīng)的邊緣圖像，I′(x，y)為待配準(zhǔn)圖像對應(yīng)的邊緣圖像) 2.圖像配準(zhǔn) 基于正交小波變換的多分辨率分解能將金字塔圖像中的每一層圖像都分解為新的低頻平滑圖像和高頻細(xì)節(jié)圖像，其中低頻平滑圖像集中了原始圖像的大部分能量，反映了圖像的絕大部分信息，所以我們可以使用不同層金字塔圖像中的低頻圖像進行圖像的分層配準(zhǔn)。
在圖像配準(zhǔn)中算法需要具有一定的精度，所以參考圖像和待配準(zhǔn)圖像特征點要嚴(yán)格對應(yīng)，即要找到參考圖像和待配準(zhǔn)圖像上對應(yīng)的特征點(同名點)，現(xiàn)行算法多通過對搜索區(qū)域的每一個點進行處理，來尋找同名點，而在整體工作中而除了對配準(zhǔn)有作用的同名點外，對其他所有像素點的工作可以被視為“無為”工作，既浪費了時間又影響了精度。所以在發(fā)明的算法采用加速算法，利用分層搜索策略解決此問題。
本發(fā)明所用算法大致分為以下兩步 (1)把參考圖像和待配準(zhǔn)圖像進行小波變換，得到邊緣圖像I(x，y)和I′(x，y)，將邊緣圖像變換為各分辨率層的邊緣金字塔圖像Ik(x，y)和I′k(x，y)，過程簡述如下通過將原始邊緣圖像I(x，y)和I′(x，y)相鄰的″2×2″個像素平均為一個像素構(gòu)造第一級邊緣金字塔圖像I1(x，y)和I′1(x，y)，然后在第一級邊緣金字塔圖像I1(x，y)和I′1(x，y)的基礎(chǔ)上按上述方法構(gòu)造第二級圖像I2(x，y)和I′2(x，y)，依此類推構(gòu)成所需層的邊緣金字塔圖像Ik(x，y)和I′k(x，y)。(其中像素平均為算術(shù)平均) (2)在分解成分辨率由低到高的各層邊緣金字塔子圖像集Ik(x，y)和I′k(x，y)后，利用由粗到精的圖像搜索方案實現(xiàn)待配準(zhǔn)圖像和參考圖像的配準(zhǔn)，也即由低一級的分辨率層Ik(x，y)和I′k(x，y)的搜索結(jié)果作為高一級的分辨率層Ik-1(x，y)和I′k-1(x，y)的初始值，依次類推實現(xiàn)原始圖像的配準(zhǔn)。首先在待配準(zhǔn)圖像的第k層邊緣圖像中搜索其與參考圖像中某特征點的大致位置P′k(x，y)，在確定P′k(x，y)后，再以P′k(x，y)為中心的鄰域內(nèi)搜索上一層對應(yīng)點P′k-1(x，y)，依次類推實現(xiàn)原始圖像間特征點的對應(yīng)。
以Visible Human中的部分圖像說明本發(fā)明使用方法。
圖4.1是CT1109參考圖像，圖4.2是PD1110待配準(zhǔn)圖，圖4.3是用本發(fā)明配準(zhǔn)后的圖像。
圖像配準(zhǔn)過程可對照圖3，具體步驟是 (1)首先將參考圖像圖4.1及待配準(zhǔn)圖像圖4.2進行小波分解，分解層次深度為k層，得到各層上的邊緣圖像，并建立邊緣圖像金字塔(見圖2)。
圖像金字塔的構(gòu)建可利用下面的步驟 對一個由n×n個像素組成的圖像，我們定義最上面的第零層(k＝0即原始圖像)為頂層，最下面一層為底層，金字塔圖像下一層像素的值是由上一層像素值計算得到的，計算公式如下 其中x，y＝1，2，3，…，2i-1，[t]表示對t＝0.5進行取整。Ik(x，y)表示第K層邊緣金字塔圖像中坐標(biāo)為(x，y)的像素點的灰度值。
(2)在第k層通過改進的方向加速法(Powell)進行搜索，設(shè)置搜索步長，依據(jù)互信息最大的相似性準(zhǔn)則，將參考圖像和待配準(zhǔn)圖像的低頻邊緣圖像進行配準(zhǔn)運算，得與Ik(x，y)上點PK(x，y)在I′k(x，y)上的最佳對應(yīng)點P′k(x，y)，確定圖像間的變換參數(shù)，并作為下一層搜索的粗略位置。(k為邊緣金字塔圖像分解的第K層，PK(x，y)為圖像Ik(x，y)上的一像素點，x，y為其橫縱坐標(biāo)，P′k(x，y)為圖像I′k(x，y)上的一像素點)。
基本Powell法的搜索過程如下 ①假定初始點PK(x，y)，初始方向矢量組d1，d2，...，dn，誤差ε＞0。(ε為設(shè)置的個小正數(shù)) ②從PK(x，y)出發(fā)，沿dn，搜索zk。
③從zk出發(fā)，依次沿d1，d2，...，dn搜索得X1(k)X2(k)，...，Xn(k)，其中 ④判斷如果是，停止搜索；否則產(chǎn)生新方向 ⑤構(gòu)造新的方向矢量組并設(shè)置新的初始點返回② 基本Powell法存在一個缺陷，新的方向組有可能是線性相關(guān)的，它們不能張成n維空間Rn，以后的搜索都在一個仿射子集進行，如果極小點不落在這個仿射子集中，將永遠(yuǎn)達不到極小點X+。
也就是說，基本Powell按方向替換規(guī)則 產(chǎn)生的新的方向組，有可能導(dǎo)致新的方向組線性相關(guān)。實際上沒有理由每次只替換第一個方向矢量。改進的Powell法的要點是用新的方向矢量d替換原來方向組的某一個方向矢量后，使得新的方向組“共扼程度”盡可能的提高，至少不降低。如果替換原來方向組的任何一個方向都不能提高其“共扼程度”，那就不替換，下一輪循環(huán)仍用原來的方向組。
矢量之間要么共扼，要么不共扼，方向組矢量的“共扼程度”或“正交程度”可用圖5解釋，a1與a2顯然比b1與b2更接近正交，共扼也是如此。
定理設(shè)A為n階正定對稱矩陣，方向矢量組D＝(d1，d2，...，dn)滿足 則有 的充要條件是d1，d2，...，dn關(guān)于A兩兩共軛。
這一定理說明，如果方向向量組D＝(d1，d2，...，dn)滿足當(dāng)|det(D)|達到最大值時，d1，d2，...，dn關(guān)于A兩兩共扼，因此，在改進的Powell算法中，就以此為標(biāo)準(zhǔn)決定新方向d改替換掉原來方向組d1，d2，...，dn中的哪一個矢量，或者不替換，重新搜索。
(3)在第k-1層配準(zhǔn)中以第k層結(jié)果P′k(x，y)作為初始位置，，在P′k(x，y)的8領(lǐng)域內(nèi)進行配準(zhǔn)搜索，在待配準(zhǔn)圖像中尋找P′k-1(x，y)使之與參考圖像中點Pk-1(x，y)對應(yīng)，從而得到本層的最佳對應(yīng)點P′k-1(x，y)。
(4)令k＝k-1，重復(fù)進行步驟(3)的配準(zhǔn)搜索，縮小搜索步長，重復(fù)步驟(3)和步驟(4)，實現(xiàn)逐層搜索直到k＝0，實現(xiàn)最頂層I(x，y)和I′(x，y)(即原始參考圖像和待配準(zhǔn)圖像)的特征點配準(zhǔn)； (5)在k＝0層上，得到的原始圖像上P0(x，y)和其最佳對應(yīng)點P′0(x，y)，即為的最終搜索結(jié)果，將待配準(zhǔn)圖像進行相應(yīng)的變換，完成配準(zhǔn)過程。
表1圖像配準(zhǔn)效果比較

權(quán)利要求
1.一種基于圖像邊緣的多分辨非剛性頭部醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，包括以下步驟
1)圖像邊緣提取
設(shè)二維圖像信號f(x，y)表示圖像的像素值，
設(shè)η(x，y)為二維平滑函數(shù)并且滿足
∫∫η(x，y)dxdy＝1(1)
對平滑函數(shù)η(x，y)分別求x方向和y方向的偏導(dǎo)數(shù)，則有
其中μ1(x，y)和μ2(x，y)看作二維小波函數(shù)；
則f(x，y)對應(yīng)的小波變換為Wxf(x，y)＝f(x，y)*μ1
Wyf(x，y)＝f(x，y)*μ2
對圖像進行平滑，平滑后的圖像g(x，y)為
g(x，y)＝η(x，y)*f(x，y)(3)
對平滑后的圖像求一階微分，得
式(4)和(5)的右端實際上是函數(shù)f(x，y)的兩個小波變換，即
一階導(dǎo)數(shù)的模極大值對應(yīng)圖像的邊緣點，這兩個一階導(dǎo)數(shù)等于f(x，y)的兩個小波變換，這兩個小波變換的模的極大值就對應(yīng)了圖像的邊緣點，從而
由上述方法，得到邊緣圖像I(x，y)和I′(x，y)，進行圖像配準(zhǔn)；其中I(x，y)為參考圖像對應(yīng)的邊緣圖像，I′(x，y)為待配準(zhǔn)圖像對應(yīng)的邊緣圖像；
2).圖像配準(zhǔn)
2.1)將上述到邊緣圖像I(x，y)和I′(x，y)變換為各分辨率層的邊緣金字塔圖像Ik(x，y)和I′k(x，y)，
過程如下通過將原始邊緣圖像I(x，y)和I′(x，y)相鄰的2×2個像素算術(shù)平均為一個像素構(gòu)造第一級邊緣金字塔圖像I1(x，y)和I′1(x，y)，然后在第一級邊緣金字塔圖像I1(x，y)和I′1(x，y)的基礎(chǔ)上按上述方法構(gòu)造第二級圖像I2(x，y)和I′2(x，y)，依此類推構(gòu)成所需層的邊緣金字塔圖像Ik(x，y)和I′k(x，y)；
2.2)在分解成分辨率由低到高的各層邊緣金字塔子圖像集Ik(x，y)和I′k(x，y)后，由低一級的分辨率層Ik(x，y)和I′k(x，y)的搜索結(jié)果作為高一級的分辨率層Ik-1(x，y)和I′k-1(x，y)的初始值，依次類推實現(xiàn)原始圖像的配準(zhǔn)；
在第k層通過方向加速法進行搜索，設(shè)置搜索步長，將參考圖像和待配準(zhǔn)圖像的低頻邊緣圖像進行配準(zhǔn)運算，得與Ik(x，y)上點PK(x，y)在I′k(x，y)上的最佳對應(yīng)點P′k(x，y)，確定圖像間的變換參數(shù)，并作為下一層搜索的粗略位置；
其中k為邊緣金字塔圖像分解的第k層，PK(x，y)為圖像Ik(x，y)上的一像素點，x，y為其橫縱坐標(biāo)，P′k(x，y)為圖像I′k(x，y)上的一像素點；
2.3)在第k-1層配準(zhǔn)中以第k層結(jié)果P′k(x，y)作為初始位置，在P′k(x，y)的鄰域內(nèi)進行配準(zhǔn)搜索，在待配準(zhǔn)圖像中尋找P′k-1(x，y)使之與參考圖像中點Pk-1(x，y)對應(yīng)，從而得到本層的最佳對應(yīng)點P′k-1(x，y)；
2.4)令k＝k-1，重復(fù)進行步驟2.3)的配準(zhǔn)搜索，
2.5)縮小搜索步長，重復(fù)步驟2.3)和步驟2.4，實現(xiàn)逐層搜索直到k＝0，實現(xiàn)k＝0即最頂層上，得到的原始圖像上P0(x，y)和其最佳對應(yīng)點P′0(x，y)，即為的最終搜索結(jié)果，完成配準(zhǔn)過程。
全文摘要
一種基于圖像邊緣的多分辨非剛性頭部醫(yī)學(xué)圖像配準(zhǔn)方法屬于信息融合領(lǐng)域。本發(fā)明在配準(zhǔn)過程中利用由粗到精的搜索變換參數(shù)。首先由小波變換檢測圖像邊緣，在邊緣圖像基礎(chǔ)上構(gòu)造邊緣金字塔圖像，然后在邊緣金字塔圖像的最小尺度層(即最粗糙層)進行較大范圍的搜索，尋找配準(zhǔn)兩幅圖像的最佳變換，以后每一層以前一層的搜索結(jié)果為中心，縮小搜索范圍繼續(xù)搜索，直到最大尺度層。這種方法與直接用原始圖像進行配準(zhǔn)相比，可以減少計算量，提高準(zhǔn)確度并能夠配準(zhǔn)不同空間分辨率的圖像。
文檔編號G06T7/00GK101493936SQ20091000053
公開日2009年7月29日 申請日期2009年1月16日 優(yōu)先權(quán)日2008年5月30日
發(fā)明者呂曉琪, 陶永鵬, 張寶華 申請人:內(nèi)蒙古科技大學(xué)