基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方法
【專利摘要】本發(fā)明提供了一種基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方法，包括如下步驟：以Renyi熵計(jì)算浮動(dòng)圖像和參考模板圖像的間互信息；設(shè)置種群規(guī)模大小、算法迭代的最大步數(shù)和非線性調(diào)節(jié)參數(shù)n、最小閾值；根據(jù)PSO算法速度更新和位置更新公式計(jì)算每一個(gè)粒子新的速度和位置，進(jìn)而更新局部最優(yōu)解Pid和全局最優(yōu)解Pgd；以shannon熵作為相似性測度對全局最優(yōu)解Pgd局部尋優(yōu)，記算得到的全局最優(yōu)解Rid；比較所述全局最優(yōu)解Rid與預(yù)設(shè)的最小閾值Fmin，直到迭代結(jié)束或算法配準(zhǔn)失敗，算法結(jié)束；映射變換后的圖像的各個(gè)像素的灰度值。相較現(xiàn)有技術(shù)，本發(fā)明的計(jì)算速度快、配準(zhǔn)時(shí)間短、配準(zhǔn)參數(shù)更為準(zhǔn)確。
【專利說明】
基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及醫(yī)學(xué)圖像配準(zhǔn)技術(shù)領(lǐng)域，具體來說設(shè)及一種基于混合互信息和改進(jìn)粒 子群優(yōu)化的圖像配準(zhǔn)方法。
【背景技術(shù)】
[0002] 圖像配準(zhǔn)技術(shù)在醫(yī)學(xué)圖像處理領(lǐng)域扮演著重要的角色。醫(yī)學(xué)圖像配準(zhǔn)主要分為基 于特征的配準(zhǔn)和基于體素的配準(zhǔn)，其中基于互信息的體素配準(zhǔn)方法使用最為廣泛，。所述基 于互信息的體素配準(zhǔn)方法是指對圖像本身的灰度信息進(jìn)行配準(zhǔn)，W相似性測度為基本配準(zhǔn) 指標(biāo)，計(jì)算兩圖像間在不同變換下的相似度。但是運(yùn)種方法其配準(zhǔn)時(shí)間長、計(jì)算量大、計(jì)算 復(fù)雜度高。而基于特征的配準(zhǔn)需要提取待配準(zhǔn)圖像的特征，有時(shí)還需要進(jìn)行分割等處理，自 由度不高，因此需要經(jīng)驗(yàn)豐富的醫(yī)生或者專家介入才能完成配準(zhǔn)。綜上所述，目前基于互信 息的體素配準(zhǔn)方法存在運(yùn)樣一些問題:配準(zhǔn)時(shí)間長、計(jì)算量大、計(jì)算復(fù)雜度高；自動(dòng)化程度 不高，需要經(jīng)驗(yàn)豐富的醫(yī)生或者專家介入才能完成配準(zhǔn);雖然配準(zhǔn)速度快，但是容易導(dǎo)致誤 匹配。因此，如何克服現(xiàn)有技術(shù)中的上述問題是本領(lǐng)域技術(shù)人員需要研究的方向。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提供一種一種基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方 法，W克服現(xiàn)有技術(shù)所存在的上述問題。
[0004] 其采用的技術(shù)方案是：
[0005] -種基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方法，其特征在于包括如下步 驟：
[0006] Sl: WRenyi賭計(jì)算輸入的浮動(dòng)圖像和所選參考模板圖像的間互信息；
[0007] S2:設(shè)置種群規(guī)模大小、算法迭代的最大步數(shù)和非線性調(diào)節(jié)參數(shù)n、最小闊值，W及 繞3個(gè)坐標(biāo)軸的平移參數(shù)和旋轉(zhuǎn)參數(shù)；
[000引S3:進(jìn)行第一次迭代過程，根據(jù)PSO算法速度更新和位置更新公式計(jì)算每一個(gè)粒子 新的速度和位置，進(jìn)而更新局部最優(yōu)解Pid和全局最優(yōu)解Pgd;
[0009] S4:Wshannon賭作為相似性測度對全局最優(yōu)解Pgd局部尋優(yōu)，根據(jù)預(yù)先設(shè)計(jì)的最大 迭代次數(shù)或最小闊值條件判斷算法走向，記算法得到的全局最優(yōu)解Rid;
[001 0] S5:比較所述全局最優(yōu)解Rid與步驟S2所預(yù)先設(shè)計(jì)的最小闊值Fmin，若Rid >Fmin，貝IJ 沒有達(dá)到目標(biāo)期望的精度要求，算法轉(zhuǎn)至步驟S3繼續(xù)迭代；
[0011]若反之，則順序至步驟S6;
[001。若迭代達(dá)到最大迭代步數(shù)要求，依然是Rid >Fmin，則算法配準(zhǔn)失敗，算法結(jié)束；
[0013] S6: WPV插值算法映射變換后的圖像的各個(gè)像素的灰度值。
[0014] 優(yōu)選的是，在上述圖像配準(zhǔn)方法中：
[0015] 皿的計(jì)算公式為：
[0016]
[0017]其中n為非線性肢性權(quán)重的調(diào)節(jié)指數(shù)，n的取值為下式：
[001 引
[0019] 而在現(xiàn)有巧術(shù)中非線忡遞減PSO算法中，其W的計(jì)算公式為：
[0020]
[0021] 其中Uax為初始時(shí)預(yù)定的最大迭代次數(shù)，t為當(dāng)前迭代次數(shù)，巧mx、分別為慣性 權(quán)重最大值和最小值，若Uax設(shè)置過大，則捜索到最優(yōu)解之后仍繼續(xù)迭代，運(yùn)將增加算法的 平均捜索時(shí)間。相反，若Uax設(shè)置過小，則有可能還沒有進(jìn)入局部尋優(yōu)的過程更新就停止了。
[0022] 而通過采用本發(fā)明的技術(shù)方案:n在不同迭代次數(shù)時(shí)選取不同區(qū)間的隨機(jī)值，隨著 不同的n的取值，?尚的遞減速率是不同的，當(dāng)n的取值為1.0時(shí)，慣性權(quán)重呈線性遞減變化 狀態(tài)。
[0023] 因此，與現(xiàn)有技術(shù)相比，本發(fā)明的計(jì)算速度快、配準(zhǔn)時(shí)間短、配準(zhǔn)參數(shù)更為準(zhǔn)確。
【附圖說明】
[0024] 圖1為本發(fā)明的邏輯流程圖。
【具體實(shí)施方式】
[0025] W下結(jié)合實(shí)施例對本發(fā)明做進(jìn)一步的描述。
[00%] 如圖1所示實(shí)施例1:
[0027] -種基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方法，其特征在于包括如下步 驟：
[0028] Sl: WRenyi賭計(jì)算輸入的浮動(dòng)圖像和所選參考模板圖像的間互信息；
[0029] S2:設(shè)置種群規(guī)模大小、算法迭代的最大步數(shù)和非線性調(diào)節(jié)參數(shù)n、最小闊值，W及 繞3個(gè)坐標(biāo)軸的平移參數(shù)和旋轉(zhuǎn)參數(shù)；
[0030] S3:進(jìn)行第一次迭代過程，根據(jù)PSO算法速度更新和位置更新公式計(jì)算每一個(gè)粒子 新的速度和位置，進(jìn)而更新局部最優(yōu)解Pid和全局最優(yōu)解Pgd;
[0031] S4: ^shannon賭作為相似性測度對全局最優(yōu)解Pgd局部尋優(yōu)，根據(jù)預(yù)先設(shè)計(jì)的最大 迭代次數(shù)或最小闊值條件判斷算法走向，記算法得到的全局最優(yōu)解Rid;其中，ST的計(jì)算公式 為：
[0032]
[0033] 其中n為非線性慣性權(quán)重的調(diào)節(jié)指數(shù)，n的取值為下式：
[0034]
[00對 S5:比較所述全局最優(yōu)解Rid與步驟S2所預(yù)先設(shè)計(jì)的最小闊值Fmin，若Rid>Fmin，則 沒有達(dá)到目標(biāo)期望的精度要求，算法轉(zhuǎn)至步驟S3繼續(xù)迭代；
[0036] 若反之，則順序至步驟S6;
[0037] 若迭代達(dá)到最大迭代步數(shù)要求，依然是Rid >Fmin，則算法配準(zhǔn)失敗，算法結(jié)束；
[0038] S6: WPV插值算法映射變換后的圖像的各個(gè)像素的灰度值。
[0039] W上所述，僅是本發(fā)明的實(shí)施例，本發(fā)明不受限于上述實(shí)施例的限制，凡依據(jù)本發(fā) 明的技術(shù)實(shí)質(zhì)對上述實(shí)施例所作的類似修改、變化與替換，仍屬于本發(fā)明技術(shù)方案的范圍 內(nèi)。本發(fā)明的保護(hù)范圍僅由權(quán)利要求書界定。
【主權(quán)項(xiàng)】
1. 一種基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方法，其特征在于包括如下步 驟： S1:以Renyi熵計(jì)算輸入的浮動(dòng)圖像和所選參考模板圖像的間互信息； S2:設(shè)置種群規(guī)模大小、算法迭代的最大步數(shù)和非線性調(diào)節(jié)參數(shù)n、最小閾值，以及繞3 個(gè)坐標(biāo)軸的平移參數(shù)和旋轉(zhuǎn)參數(shù)； S3:進(jìn)行第一次迭代過程，根據(jù)PSO算法速度更新和位置更新公式計(jì)算每一個(gè)粒子新的 速度和位置，進(jìn)而更新局部最優(yōu)解Pld和全局最優(yōu)解Pgd; S4:以shannon熵作為相似性測度對全局最優(yōu)解Pgd局部尋優(yōu)，根據(jù)預(yù)先設(shè)計(jì)的最大迭代 次數(shù)或最小閾值條件判斷算法走向，記算法得到的全局最優(yōu)解Rid ; S5:比較所述全局最優(yōu)解Rid與步驟S2所預(yù)先設(shè)計(jì)的最小閾值Fmin，若Rid>F min，則沒有達(dá) 到目標(biāo)期望的精度要求，算法轉(zhuǎn)至步驟S3繼續(xù)迭代； 若反之，則順序至步驟S6; 若迭代達(dá)到最大迭代步數(shù)要求，依然是Rld>Fmin，則算法配準(zhǔn)失敗，算法結(jié)束； S6:以PV插值算法映射變換后的圖像的各個(gè)像素的灰度值。2. 如權(quán)利要求1所述一種基于混合互信息和改進(jìn)粒子群優(yōu)化的圖像配準(zhǔn)方法，其特征 在于： 所述步驟S4中，?的計(jì)算公式為：其中η為非線性慣性權(quán)重的調(diào)節(jié)指數(shù)，η的取值為下式：
【文檔編號(hào)】G06T7/00GK105957097SQ201610534872
【公開日】2016年9月21日
【申請日】2016年7月8日
【發(fā)明人】余維, 聶小英
【申請人】湖北科技學(xué)院