[发明专利]一种基于椭球模型的非刚性医学图像抗旋转配准方法

说明书

本发明公开了一种基于椭球模型的非刚性医学图像抗旋转配准方法。所述方法在对图像进行初始变换，获取图像特征点和最小特征矩形域的前提下，采用椭球模型对图像的最小特征矩形域进行划分，求取每个划分内像素灰度的平均值，作为该区域像素灰度的代表；依托像素灰度序列，采用傅里叶变换算法，求取图像旋转变换参数；对图像进行旋转变换，完成一次配准过程；通过减少椭球模型的划分参数，对图像进行再次划分和变换，逐步提升图像配准精度；重复上述过程，直至图像划分块数为1，此时对图像进行插值运算，实现图像配准。与现有的图像配准方法相比，本发明所述方法的配准速度更快、精度更高，鲁棒性更好。

技术领域

本发明属于图像处理技术领域，特别是医学图像配准技术领域，具体涉及一种基于椭球模型的非刚性医学图像抗旋转配准方法。

背景技术

图像配准(Image registration)就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、医学图像处理等领域。

图像配准是图像分析中的一项非常重要的技术，主要通过寻找某种变换，使两幅图像的对应点达到空间位置的一致，在医学诊断过程中，由于存在不同模式图像表现不同性质的物理机制、患者摆位的差异、成像参数的变化、不同成像设备间空间分辨率不同等现实问题，所以单单凭借医生手动将两张或两组不同模式的图像在空间上做对准受到很多局限，且常带有较大的主观性，其可靠性往往不高，不可避免地会产生误差。特别是在定向放射外科和颅脑手术可视化等应用领域，对图像配准的精度要求很高，使得医学图像配准成为一项必要而又相当困难的任务。

配准技术的流程如下：首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准。

图像配准技术的基本过程主要分为三个步骤:

①寻找图像中的对应特征量并提取出来；

②根据特征量寻找最佳匹配变换；

③利用得到的最佳变换对待配准图像进行变换和参考图像进行匹配。

其中第二步是配准过程的关键，也是配准算法研究的核心内容。

当前常用的基于B样条的FFD模型,可应用于乳腺增强型MRI图像的非刚性配准,但此方法因为采用互信息的配准度量并不适用于MRI外某些图像，同时计算耗费时间相对较长；流体映射模型,用两组反映待配准图像轮廓信息的对应控制点集,对头颅,肝,脾等各种器官进行非刚性匹配，但如果不能实现流体模型的控制点的严格一致,图像配准有一定的失真；基于“de-mons-base”的算法,在判断出待配准图像上各个像素点运动的基础上，通过对各个象素点的移动来实现基于非刚性配准，但这种方法仅能在小参量下实现非刚性配准，当待配准图像有一定的旋转角度时，配准效果就比较差了。

如何建立合理的变形模型，适应各种组织变形，尤其是如何解决图像的旋转和平移问题，是图像处理研究的热点和前沿领域，本发明在总结前期非刚性领域已有的配准、融合研究工作经验的基础上，提出一种全新的改进模型——椭球模型，改变传统近刚性的组织图像的配准方法，解决特征点自动选取后、图像大旋转问题，提高现有算法鲁棒性差的问题，提高融合精度，并实现多模医学图像配准、融合与远程医疗信息系统的结合。

发明内容