本發(fā)明涉及一種圖像配準方法，屬于圖像處理領(lǐng)域。

背景技術(shù)：

在醫(yī)學圖像處理領(lǐng)域，為了綜合利用不同圖像所提供的信息，需將不同圖像進行融合，而融合的重要前提便是醫(yī)學圖像配準。醫(yī)學圖像配準是兩幅醫(yī)學圖像間一對一映射的過程，即對于一幅醫(yī)學圖像尋求一種或一系列空間變換，使兩幅圖像中對應于空間同一位置的點聯(lián)系起來。

隨著醫(yī)學成像技術(shù)的迅速發(fā)展，設(shè)備成像原理的不同，造成多種模態(tài)圖像的存在，雖然目前不同的醫(yī)療成像設(shè)備已經(jīng)取得很大進展，成像的質(zhì)量也得到很大提高，但由于它們各自成像原理的不同使得在臨床應用中無法相互代替。不同模態(tài)的醫(yī)學圖像各具優(yōu)勢與特點，如CT和MRI以較高的空間分辨率提供器官的解剖結(jié)構(gòu)信息，而PET和SPECT以較低的空間分辨率提供新陳代謝功能信息。然而單一模態(tài)的醫(yī)學圖像提供的信息是有限的，若能夠快速有效地利用多種模態(tài)的圖像，就可以為醫(yī)生提供病變組織或器官的多種互補信息，從而為醫(yī)生診斷病情提供更全面的依據(jù)。

在醫(yī)學圖像配準過程中，常用的Powell算法是一種局部優(yōu)化算法，該算法收斂速度快，但是過度依賴初始點，容易陷入局部極值造成誤配準。常用的標準PSO算法自身也容易陷入局部極值，有早期收斂和后期震蕩等問題。

基于上述考慮，本文提出一種能夠有效利用多種優(yōu)化算法優(yōu)點的方法，將差分策略引入到粒子群算法中，并設(shè)置一個迭代次數(shù)閾值，與傳統(tǒng)配準方法相比，配準準確度有所提高，可以有效克服配準過程中陷入局部極值的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于：針對利用標準粒子群算法易陷入局部極值問題，提出一種融合差分算法的粒子群到運用于醫(yī)學圖像配準的方法，從而有效解決標準粒子群算法易陷入極值的問題，配準準確度顯著提高，為醫(yī)療診斷提供更為精準的圖像依據(jù)。

為了達到上述目的，本發(fā)明的醫(yī)學圖像配準方法在計算機讀入原始圖像后，進行如下基本步驟：

步驟A.設(shè)置參數(shù)：粒子群規(guī)模N，優(yōu)化迭代次數(shù)T，個體初始最優(yōu)解和全局初始最優(yōu)解，最大迭代次數(shù)T max，初始的慣性權(quán)重ω_I，和最終的慣性權(quán)重ω_F，全局最優(yōu)解的迭代次數(shù)t和閾值tg；

步驟B.根據(jù)每個粒子的位置矢量計算互信息值，判斷全局最優(yōu)值是否停滯。

步驟C.當?shù)腥肿顑?yōu)解停滯次數(shù)t小于t_g，引入動態(tài)慣性權(quán)重

到標準的速度和位置矢量的更新公式：

步驟D.當全局最優(yōu)解停滯次數(shù)大于或等于t_g，采用差分策略，取兩個任意不同的粒子與當前最優(yōu)解加權(quán)求得中間體：

u_i(g)＝x_r1(g)+F·(x_r2(g)-x_r2(g))，

并通過與當前比較，判斷是否可以取代當前最優(yōu)解

步驟E.未滿足終止條件時，重復步驟B，C和D繼續(xù)執(zhí)行下去；

步驟F.如果在搜索空間中找到了最優(yōu)解或者迭代次數(shù)大于T，則停止當前搜索，并根據(jù)搜索結(jié)變換，輸出配準后的圖像；

本發(fā)明的醫(yī)學圖像配準方法針對標準粒子群算法在尋求全局最優(yōu)解時易陷入局部極值問題，在基于粒子群和互信息的基礎(chǔ)上，采用差分策略，增加粒子的多樣性，減少陷入極值的概率，增加醫(yī)學圖像配準的精確度，對醫(yī)學圖像的配準具有重要現(xiàn)實意義和應用價值。

附圖說明

圖1為本發(fā)明一個實施例的流程圖。

圖2(a)，(b)和(c)分別為圖1實施例的腦部MRI參考圖像，腦部CT浮動圖像和采用本方法的多模態(tài)的配準結(jié)果圖；圖2(d)，(e)和(f)分別為圖1實施例的腦部CT參考圖像，變換后的腦部CT浮動圖像和采用本方法的單模態(tài)的配準結(jié)果圖。