[发明专利]基于局部结构算子的弹性图像配准算法

说明书

一种基于局部结构算子的弹性图像配准算法，通过分析局部边界熵算子存在的不足，对其进行有效改进从而得到两个新的特征描述算子，即局部结构熵和局部变异系数；然后将上述特征算子和图像梯度方向信息整合起来，设计一个新的相似性测度执行图像的弹性配准，能够较为准确地获取所需的配准性能，为医学图像的分析与理解，多模态信息的融合提供有效的辅助。

技术领域

本发明具体涉及图像处理技术领域，特别是针对图像背景复杂、组织对比度弱、灰度均匀性差的图像间的弹性配准，可用于临床医学图像中兴趣目标的空间定位和信息融合中。

背景技术

图像配准是一个以空间变换参数为参数，以相似性测度为目标函数的优化问题，通过寻找合适的空间变换，使待配准的两幅图像之间信息差异最小化，从而实现图像信息的整合。这种配准对图像理解与分析，多模态信息融合，目标定位等领域具有重要的价值而得到广泛的研究。目前，已有的图像配准，尤其是多模态弹性配准，通常可分为基于信息论的配准和基于特征信息的配准。基于信息论的配准方法主要通过开发具有模态独立特性的相似性测度，实现图像的配准。这类方法存在以下不足：

(1)灰度概率分布的评估不够准确；

(2)概率分布的计算中通常会忽略重要的局部纹理信息，从而使得这类方法在某些局部区域具有较大的配准误差。基于特征信息的配准方法利用预先定义的特征描述算子实现图像模态独立和特征纹理的探测。这类方法能够使用简单的相似性测度完成复杂的图像配准任务而成为一个重要的研究方向，而如何设计具有独特探测能力的局部结构描述算子就成为研究的关键。这不仅关系到图像中不同特征的提取，而且决定了配准的精确性和时效性。

为了提取图像中各种不同的纹理特征，就需要对局部图像区域内相邻像素间的灰度和位置信息进行对比分析，寻找他们间潜在的信息差异，并将这种差异转化为一个与局部灰度信息对应的特征物理量。这种特征量的分布要在一个相对大的取值范围内，以便凸显局部区域内细微的灰度波动，实现弱组织对比度和灰度不均匀的抑制。现有特征算子中，局部边界熵和图像梯度能够在一定程度上实现图像特征信息的探测，但是它们都存在明显的不足。具体表现为，局部边界熵由于取模运算符的存在而无法分辨灰度值小于局部均值的像素，而图像梯度对噪声较为明显且易受灰度不均匀的影响。因此，合理改进这些特征描述算子是图像配准的关键。

除了开发合适的特征描述算子，还需要设计一个能够有效量化特征描述算子之间信息差异的相似性测度，用于评估待配准图像间的不一致性(dissimilarities)。这种不一致性刻画的越全面准确，配准算法就会具有越高的准确性，因此相似性测度的设计在一定程度上关系到配准算法的性能。基于特征的配准方法中，较为常用的相似性测度为差的平方和(sum of squared differences,SSD)。这种测度可以作用在像素灰度上实现单模态图像的配准，也可以作用在特征描述算子上执行多模态的配准任务。此外，该测度的计算较为简洁，能够通过并行处理实现快速的配准操作而得到广泛的应用。但是该测度也存在一个问题：当特征描述算子的取值范围相差很大的时候，会导致图像信息量化存在一定的偏差而导致较低的配准性能。

发明内容

为了解决现有技术中针对局部边界熵算子存在的不足，本发明提出新的特征描述算子降低弱组织对比度和灰度不均匀现象对配准的干扰，并基于这些特征算子实施图像的弹性配准，实现兼顾全局和局部的高精度配准。

本发明的主要计算思路为：通过分析局部边界熵算子存在的不足，对其进行有效改进从而得到两个新的特征描述算子(即局部结构熵和局部变异系数)；然后将上述特征算子和图像梯度方向信息整合起来，设计一个新的相似性测度执行弹性图像的配准。具体步骤如下：一种基于局部结构算子的弹性图像配准算法，包括以下步骤：

(1)局部结构算子的开发：将像素灰度及其对应的取模操作结果整合到局部边界熵的计算中，从而引出两种新的局部结构描述算子，即局部结构熵和局部变异系数，实现局部区域内不同图像特征的提取；