一種非剛性腦圖像配準(zhǔn)方法
【專利摘要】本發(fā)明公開了一種非剛性腦圖像配準(zhǔn)方法，包括：步驟一：根據(jù)參考圖像對(duì)目標(biāo)圖像進(jìn)行預(yù)處理，得到粗配準(zhǔn)圖像；步驟二：分別計(jì)算所述參考圖像與所述粗配準(zhǔn)圖像的候選特征點(diǎn)；步驟三：構(gòu)建所述候選特征點(diǎn)的特征描述子，根據(jù)所述特征描述子得到匹配的特征點(diǎn)；步驟四：根據(jù)所述特征點(diǎn)計(jì)算所述粗配準(zhǔn)圖像的光流模型，得到配準(zhǔn)結(jié)果。本發(fā)明采用了基于Zernike矩的描述子向量刻畫不同尺度下的幾何特征以描述特征點(diǎn)的區(qū)域特征，解決了非剛性配準(zhǔn)中特征點(diǎn)的匹配問題，并通過將特征點(diǎn)約束融合進(jìn)Brox光流模型，解決了腦磁共振圖像的配準(zhǔn)問題。
【專利說明】一種非剛性腦圖像配準(zhǔn)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及磁共振成像配準(zhǔn)技術(shù)，尤其涉及一種非剛性腦圖像配準(zhǔn)方法。
【背景技術(shù)】
[0002]在腦圖像配準(zhǔn)中，結(jié)構(gòu)特征點(diǎn)是尤其重要的，結(jié)構(gòu)特征點(diǎn)的選取影響到兩幅圖像中對(duì)應(yīng)特征點(diǎn)的尋找以及光流的準(zhǔn)確性?，F(xiàn)有特征點(diǎn)選取主要有手動(dòng)和自動(dòng)兩種形式。手動(dòng)的方式即指研究人員手動(dòng)在兩幅人腦圖像中選取對(duì)應(yīng)點(diǎn)；自動(dòng)的方式即通過在參考圖像和目標(biāo)圖像中尋找結(jié)構(gòu)特征點(diǎn)，建立特征點(diǎn)的描述向量，計(jì)算描述向量之間的距離得出對(duì)應(yīng)點(diǎn)，然后通過對(duì)應(yīng)點(diǎn)求解空間變換參數(shù)，其典型代表為HAMMER (Hierarchical AttributeMatching Mechanism for Elastic Registration),HAMMER 用一個(gè)屬性向量來描述每個(gè)點(diǎn)的形態(tài)學(xué)特征，每個(gè)向量包括了圖像的灰度、邊界信息(白質(zhì)、灰質(zhì)、腦脊液)和一組幾何不變矩。該方法的與本方法最大的不同是:一、該方法依賴于腦圖像的分割(白質(zhì)、灰質(zhì)、腦脊液的分離)，而本方法不需要此步驟；二、該方法在配準(zhǔn)非特征點(diǎn)時(shí)采用的高斯插值的方式，高斯插值無法保證變形的平滑和連續(xù)，這很大程度上會(huì)造成圖像的扭曲，本方法通過平滑項(xiàng)(定義見后面的具體實(shí)施)確保變形的平滑以及邊界保持(edge preserving)。另一種常見的尋找對(duì)應(yīng)特征點(diǎn)的方式是軟對(duì)應(yīng)，軟對(duì)應(yīng)認(rèn)為每個(gè)點(diǎn)都是特征點(diǎn)，且該特征點(diǎn)與其余點(diǎn)都是匹配的，根據(jù)其距離遠(yuǎn)近賦予不同的匹配概率，然后通過迭代的方法更新匹配概率。如果該特征點(diǎn)與某個(gè)特征點(diǎn)的匹配概率大于預(yù)先設(shè)定的閾值，就認(rèn)為這兩點(diǎn)是匹配的。由于每個(gè)特征點(diǎn)尋找匹配的特征點(diǎn)的數(shù)目過于巨大，其實(shí)用性不強(qiáng)。目前許多方法針對(duì)這個(gè)不足提出了改良策略，其選取特征點(diǎn)的方式與本發(fā)明大體一致即認(rèn)為結(jié)構(gòu)型強(qiáng)的點(diǎn)為特征點(diǎn)，但是其候選特征點(diǎn)不再是一個(gè)而是多個(gè)，最后利用軟對(duì)應(yīng)的更新策略尋找唯一的對(duì)應(yīng)特征點(diǎn)。

【發(fā)明內(nèi)容】

[0003]本發(fā)明克服了現(xiàn)有技術(shù)存在的問題，提出了一種非剛性腦圖像配準(zhǔn)方法。
[0004]本發(fā)明提出的非剛性腦圖像配準(zhǔn)方法，包括如下步驟:
[0005]步驟一:根據(jù)參考圖像對(duì)目標(biāo)圖像進(jìn)行預(yù)處理，得到粗配準(zhǔn)圖像；
[0006]步驟二:分別計(jì)算所述參考圖像與所述粗配準(zhǔn)圖像的候選特征點(diǎn)；
[0007]步驟三:構(gòu)建所述候選特征點(diǎn)的特征描述子，根據(jù)所述特征描述子得到匹配的特征點(diǎn)；
[0008]步驟四:根據(jù)所述特征點(diǎn)計(jì)算所述粗配準(zhǔn)圖像的光流模型，得到配準(zhǔn)結(jié)果。
[0009]本發(fā)明提出的所述的非剛性腦圖像配準(zhǔn)方法中，所述步驟一中預(yù)處理包括如下步驟:
[0010]步驟al:根據(jù)所述參考圖像對(duì)所述目標(biāo)圖像進(jìn)行歸一化處理；
[0011]步驟a2:通過仿射變換對(duì)所述目標(biāo)圖像進(jìn)行全局變形；
[0012]步驟a3:通過基于B樣條的自由形式變形對(duì)所述目標(biāo)圖像進(jìn)行局部形變，得到粗配準(zhǔn)圖像。
[0013]本發(fā)明提出的所述的非剛性腦圖像配準(zhǔn)方法中，所述步驟二中對(duì)所述參考圖像與所述粗配準(zhǔn)圖像分別進(jìn)行Canny算子或者Harris角點(diǎn)算子計(jì)算得到候選特征點(diǎn)。
[0014]本發(fā)明提出的所述的非剛性腦圖像配準(zhǔn)方法中，所述步驟三中構(gòu)建特征描述子包括如下步驟:
[0015]步驟bl:對(duì)參考圖像與粗配準(zhǔn)圖像分別進(jìn)行降采樣得到至少一個(gè)降采樣圖像，所述參考圖像、所述粗配準(zhǔn)圖像與所述降采樣圖像具有不同尺度；
[0016]步驟b2:將所述參考圖像或所述粗配準(zhǔn)圖像中的候選特征點(diǎn)映射到相應(yīng)的降采樣圖像中；
[0017]步驟b3:對(duì)所述參考圖像及其降采樣圖像，或者所述粗配準(zhǔn)圖像及其降采樣圖像中的每個(gè)候選特征點(diǎn)分別計(jì)算其Zernike矩,得到每個(gè)候選點(diǎn)的多尺度下的Zernike描述子作為所述特征描述子。
[0018]本發(fā)明提出的所述的非剛性腦圖像配準(zhǔn)方法中，所述Zernike矩是二維的，該二維Zernike矩如下式表示:
【權(quán)利要求】
1.一種非剛性腦圖像配準(zhǔn)方法，其特征在于，包括如下步驟: 步驟一:根據(jù)參考圖像對(duì)目標(biāo)圖像進(jìn)行預(yù)處理，得到粗配準(zhǔn)圖像； 步驟二:分別計(jì)算所述參考圖像與所述粗配準(zhǔn)圖像的候選特征點(diǎn)； 步驟三:構(gòu)建所述候選特征點(diǎn)的特征描述子，根據(jù)所述特征描述子得到匹配的特征占.步驟四:根據(jù)所述特征點(diǎn)計(jì)算所述粗配準(zhǔn)圖像的光流模型，得到配準(zhǔn)結(jié)果。
2.如權(quán)利要求1所述的非剛性腦圖像配準(zhǔn)方法，其特征在于，所述步驟一中預(yù)處理包括如下步驟: 步驟al:根據(jù)所述參考圖像對(duì)所述目標(biāo)圖像進(jìn)行歸一化處理； 步驟a2:通過仿射變換對(duì)所述目標(biāo)圖像進(jìn)行全局變形； 步驟a3:通過基于B樣條的自由形式變形對(duì)所述目標(biāo)圖像進(jìn)行局部形變，得到粗配準(zhǔn)圖像。
3.如權(quán)利要求1所述的非剛性腦圖像配準(zhǔn)方法，其特征在于，所述步驟二中對(duì)所述參考圖像與所述粗配準(zhǔn)圖像分別進(jìn)行Canny算子或者Harris角點(diǎn)算子計(jì)算得到候選特征點(diǎn)。
4.如權(quán)利要求1所述的非剛性腦 圖像配準(zhǔn)方法，其特征在于，所述步驟三中構(gòu)建特征描述子包括如下步驟: 步驟bl:對(duì)參考圖像與粗配準(zhǔn)圖像分別進(jìn)行降采樣得到至少一個(gè)降采樣圖像，所述參考圖像、所述粗配準(zhǔn)圖像與所述降采樣圖像具有不同尺度； 步驟b2:將所述參考圖像或所述粗配準(zhǔn)圖像中的候選特征點(diǎn)映射到相應(yīng)的降采樣圖像中； 步驟b3:對(duì)所述參考圖像及其降采樣圖像，或者所述粗配準(zhǔn)圖像及其降采樣圖像中的每個(gè)候選特征點(diǎn)分別計(jì)算其Zernike矩,得到每個(gè)候選點(diǎn)的多尺度下的Zernike描述子作為所述特征描述子。
5.如權(quán)利要求4所述的非剛性腦圖像配準(zhǔn)方法，其特征在于，所述Zernike矩是二維的，該二維Zernike矩如下式表示:
6.如權(quán)利要求1所述的非剛性腦圖像配準(zhǔn)方法，其特征在于，所述步驟三中得到匹配的特征點(diǎn)包括如下步驟:步驟cl:計(jì)算所述粗配準(zhǔn)圖像的特征描述子與所述參考圖像的特征描述子之間的歐式距離和描述子所表示特征點(diǎn)的坐標(biāo)差； 步驟c2:根據(jù)所述坐標(biāo)值差和歐氏距離進(jìn)行判別，若坐標(biāo)值差或歐氏距離大于閾值，則與兩個(gè)特征描述子分別對(duì)應(yīng)的候選特征點(diǎn)是不匹配的，若坐標(biāo)值差且歐氏距離小于等于閾值，則兩個(gè)候選特征點(diǎn)是匹配的。
7.如權(quán)利要求1所述的非剛性腦圖像配準(zhǔn)方法，其特征在于，建立并求解所述配準(zhǔn)問題的光流模型，包括如下步驟: 步驟dl:基于灰度不變假設(shè)、梯度不變假設(shè)和平滑假設(shè)建立光流的數(shù)學(xué)模型； 步驟d2:對(duì)參考圖像和粗配準(zhǔn)圖像分別進(jìn)行降采樣，得到粗精度的參考圖像和粗配準(zhǔn)圖像，并將所述參考圖像和所述粗配準(zhǔn)圖像的結(jié)構(gòu)特征點(diǎn)融入所述粗精度的參考圖像和粗配準(zhǔn)圖像中； 步驟d3:將所述粗精度的參考圖像和所述粗精度的粗配準(zhǔn)圖像代入所述光流的數(shù)學(xué)模型中求得所述粗精度下粗配準(zhǔn)圖像的光流； 步驟d4:根據(jù)所述粗精度下粗配準(zhǔn)圖像的光流估計(jì)得到高精度下粗配準(zhǔn)圖像的光流，從而得到配準(zhǔn)結(jié)果。
【文檔編號(hào)】G06T7/00GK103700101SQ201310703933
【公開日】2014年4月2日 申請(qǐng)日期:2013年12月19日 優(yōu)先權(quán)日:2013年12月19日
【發(fā)明者】文穎, 陽求應(yīng) 申請(qǐng)人:華東師范大學(xué)