[发明专利]一种明暗不均匀的医学图像的配准方法

说明书

技术领域

本发明涉及通用图像数据处理,具体涉及在图像平面内的图形图像转换方法，该方法适用于明暗不均匀的医学图像配准。

背景技术

迄今为止，针对明暗不均匀的医学图像配准问题，主要有以下三类解决方法：

一是利用局部相似性测度。这种方法的理论依据可以直观的理解为：在小邻域范围内，可将图像视为明暗均匀的。Ardecani等人提出在以每个像素点为中心的小窗口内，使用局部相关系数作为相似性测度。为了克服陷入局部极值，使用多分辨率的块匹配。Hermosillo等人通过局部化相关比和互信息量，提出一个局部相似性测度的框架。Yi和Soatto考虑到局部归一化互信息对明暗不均匀不敏感，全局归一化互信息不容易陷入局部极值的特点，从而将二者结合起来并加权。这类基于局部相似性测度的方法虽能对明暗不均匀的图像产生较好的配准结果，但由于在小窗口内进行局部统计，将会使目标函数产生更多的局部极值。另外，此类方法对噪声和出格点比较敏感。

第二种方法是基于贝叶斯理论，使用更复杂的概率模型来解决明暗不均匀图像的配准。El-Baz等人提出使用马尔可夫-吉布斯随机场学习一幅图像的先验表观模型，再对第二幅图像进行变换使其概率最大。Wyatt和Noble提出使用马尔可夫随机场模型迭代地分割和配准图像的类标签。Zheng和Zhang提出使用基于灰度相似性测度的最大后验概率-马尔可夫随机场框架。这些基于马尔可夫随机场的方法严重依赖于局部灰度的关系和初始参数的选择。

第三种解决方法是同时进行灰度校正和图像配准。Frison提出使用非线性灰度变换和卷积滤波对图像进行灰度校正，再使用最小平方差方法进行图像配准，但针对不同的问题，必须手动选择不同的卷积滤波。Ashburner和Frison提出关于联合配准、灰度归一化和分割的概率框架，这种方法虽然可以产生较准确的配准结果，但需要手动选择参数且计算量大。Andriy Myronenko提出基于残差复杂度的相似性测度（Andriy Myronenko*and Xubo Song,Intensity-Based Image Registration by Minimizing Residual Complexity，IEEE Trans.Med.Imag.,vol.29,no.1,pp.1882-1891,Nov.2010），通过解析方法求取灰度校正场并推导出残差复杂度。与前边方法的不同之处在于，残差复杂度的表达式中不含灰度校正场，从而自适应地约束了校正场，保证了需要配准的两幅图在灰度空间上的一致。该方法根据给定的基函数－离散余弦变换，度量残差图像的稀疏性。当使用少量的基函数可以对残差图像进行稀疏编码时，残差复杂度达到最小。但是，Andriy Myronenko利用残差复杂度构造的目标函数中的r包含了由噪声或其它偶然因素所产生的突变值，因此所输出的目标图像的平滑性不好，鲁棒性较差。

发明内容

本发明所要解决的技术问题的提供一种明暗不均匀的医学图像的配准方法，该方法具有平滑性好、配准精度高和鲁棒性强的优点。

本发明解决上述问题的技术解决方案是：

一种明暗不均匀的医学图像的配准方法，该方法包括以下步骤：

（1）分别读入待配准的参考图像和浮动图像；

（2）计算残差图像和残差图像的每一像素点的权重，其中，

所述残差图像的计算方法为：用参考图像中每一像素点的灰度值减去浮动图像对应的像素点的灰度值，得到残差图像；

所述残差图像的每一像素点的权重的计算方法为：分别以参考图像的每个像素点为中心，逐一求得每一像素点灰度值的局部方差，然后将所得到的局部方差代入下式（Ⅰ）算出与参考图像相对应的残差图像的每一像素点的权重：