[发明专利]一种基于交叉视觉皮质模型的医学图像配准方法

摘要

一种基于交叉视觉皮质模型的医学图像配准方法，属于基于灰度的图像配准方法，解决现有医学图像配准方法运行时间较长的问题，对现有的交叉视觉皮质模型进行改进，减少其卷积运算，使之具有更快的运行速度。本发明包括边缘检测步骤、提取特征向量步骤、计算配准参数步骤和配准步骤。本发明利用点火次数矩阵的重心特征点实现图像配准，减少了运行时间，同时利用边缘检测将待配准图像和参考图像中的像素分类为边缘像素和非边缘像素，并对边缘像素采用原始ICM公式计算像素状态值，对非边缘像素采用改进的ICM公式计算像素状态值，减少了公式中的卷积运算，从而进一步降低了运行时间。

主权项

1.一种基于交叉视觉皮质模型的医学图像配准方法，适用于保形变换，包括下述步骤：一.边缘检测步骤：输入待配准图像H和参考图像R，分别利用sobel横向边缘提取算子Gx和sobel纵向边缘提取算子Gy对H和R中每个像素的8邻域进行卷积运算，提取目标边缘，得到待配准边缘图像H1和参考边缘图像R1；Gx=-101-202-101,]]>Gy=121000-1-2-1;]]>二.提取特征向量步骤，包括下述子步骤：(2.1)初始化，设置运行次数N＝20～50，置运行次数变量n＝1，各像素状态值F_ij[0]＝0，响应矩阵Y[0]各元素值Y_ij[0]＝0，各像素阈值θ_ij[0]＝0，点火次数矩阵M[0]各元素值M_ij[0]＝0，i、j分别为待配准图像H和参考图像R中像素的横坐标和纵坐标；(2.2)计算像素状态值F_ij[n]：对H和R中每个像素计算像素状态值F_ij[n]：判断H和R中的像素是否分别为H1和R1中目标边缘点，是则：F_ij[n]＝f×F_ij[n-1]+S_ij+W_kl{Y_kl[n-1])，否则：F_ij[n]＝f×F_ij[n-1]+S_ij+C×Y_ij[n-1]，式中，权值矩阵元素值Wkl=1(k-i)2+(l-j)2,]]>S_ij为该像素灰度值，k、1分别为当前像素8邻域内像素的横坐标和纵坐标，权值常数C为W_kl所有元素之和，0＜状态衰减系数f＜1；Y_kl[n]为当前像素的八邻域像素响应矩阵元素值，Y_kl[n]∈Y[n]；Yij[n]=1Fij[n]>θij[n]0Fij[n]≤θij[n],]]>θ_ij[n]＝g×θ_ij[n-1]+h×Y_ij[n-1]，其中，θ_ij[n]为各像素阈值；0＜阈值衰减系数g＜1，10＜阈值常数h＜100；(2.3)计算点火次数矩阵M[n]各元素值M_ij[n]：Mij[n]=Mij[n-1]+1Yij[n]=1Mij[n-1]Yij[n]=0;]]>根据上式，定义待配准图像H的点火次数矩阵M[n]为M_H[n]，参考图像R[n]的点火次数矩阵M[n]为M_R[n]；(2.4)计算重心特征点；分别对H和R计算M_H[n]和M_R[n]矩阵的重心特征点P_H[n]和P_R[n]：P_H[n]的x坐标和y坐标分别为：xH[n]=Σii×MHij[n]Σi,jMHij[n],]]>yH[n]=Σij×MHij[n]Σi,jMHij[n],]]>P_R[n]的x坐标和y坐标分别为：xR[n]=Σij×MRij[n]Σi,jMRij[n],]]>yR[n]=Σjj×MRij[n]Σi,jMRij[n],]]>(2.5)置n＝n+1，判断是否n＞N，是则转子步骤(2.6)，否则转子步骤(2.2)；(2.6)将每次迭代得到的P_H[n]和P_R[n]分别按n的顺序从上至下依次排列得到N×2的待配准图像重心特征矩阵和参考图像重心特征矩阵转步骤三；三.计算配准参数步骤：(3.1)计算H和R之间的x坐标平移参数Δx和y坐标平移参数Δy：Δx=Σp=1NX→R(p)-X→H(p)N,]]>Δy=Σp=1NY→R(p)-Y→H(p)N;]]>(3.2)计算旋转参数Δθ：a→=(x→R)·*(y→H)-(y→R)·*(x→H),]]>b→=(x→R).*(x→H)-(y→R).*(y→H),]]>Δθ=Σp=1Narctan(a→(p)/b→(p))N,]]>其中，反正切分子向量反正切分母向量向量内元素序号p＝1～N；四.配准步骤：(4.1)对待配准图像H进行平移变换：x′y′=1001xy+ΔxΔy]]>式中，x和y为H的像素坐标，x′和y′表示平移变换后待配准图像H′中像素的坐标；(4.2)对H′进行旋转变换：x′′y′′=cosΔθsinΔθ-sinΔθcosΔθx′y′;]]>得到最终配准图像H″，其中x″和y″表示最终配准图像H″中像素的坐标。