[发明专利]一种基于深度学习的图像配准方法及装置

权利要求书

1.一种基于深度学习的图像配准方法，其特征在于，所述方法包括：

将基准图像和待配准图像作为双通道输入并通过卷积运算提取局部特征；

构建胶囊层并将所述局部特征中的低维信息输入所述胶囊层得到具有空间位置信息的高维特征向量；

通过所述高维特征向量对配准后的基准图像和待配准图像使用全连接层进行预测重构以使得待配准图像和基准图像的相似度达到最优得到融合图像，将所述融合图像作为配准后图像输出；

所述通过所述高维特征向量对配准后的基准图像和待配准图像使用全连接层进行预测重构以使得待配准图像和基准图像的相似度达到最优得到融合图像，将所述融合图像作为配准后图像输出，包括:

构建融合图像网络，并优化目标函数,通过高级胶囊层提取到的高维全局特征向量，对配准后的基准图像和待配准图像进行预测与重构,计算配准融合图像与基准图像的梯度互信息作为损失函数，将特征提取网络和配准融合网络参数统一训练，迭代更新转换矩阵参数和胶囊层间的耦合系数，配准图像与基准图像相似度达到最优时迭代结束，获得最终融合图像作为配准后图像输出。

2.根据权利要求1所述的基于深度学习的图像配准方法，其特征在于，所述将基准图像和待配准图像作为双通道输入并通过卷积运算提取局部特征，包括：

将基准图像和待配准图像两张图像，以双通道形式输入；

通过若干卷积层对待配准图像以及基准图像进行低维信息提取。

3.根据权利要求1所述的基于深度学习的图像配准方法，其特征在于，所述构建胶囊层并将所述局部特征中的低维信息输入所述胶囊层得到具有空间位置信息的高维特征向量，包括：

通过构建胶囊层，将所述低维信息作为输入，输入到所述胶囊层，

将待配准图像与基准图像的局部特征的向量集合作为每一个胶囊层的输入输出，通过动态路由算法将底层胶囊单元的特征输出组合为上层特征，逐级组合待配准图像与基准图像关键特征向量，从高级胶囊层提取到具有空间位置信息的高维特征向量。

4.根据权利要求3所述的基于深度学习的图像配准方法，其特征在于，所述通过动态路由算法将底层胶囊单元的特征输出组合为上层特征，逐级组合待配准图像与基准图像关键特征向量，包括：

上层配准图像特征提取获得的向量u_i输入到本层中，在本层中，前层的输出u_i与可优化的转换矩阵W_ij相乘得出的预测向量其中：

预测向量之间通过线性组合获得向量加权和S_j，其线性组合的系数大小由c_ij决定，表示为：

在获得S_j之后，通过压缩函数将S_j向量长度限定，获得输出向量v_j，其计算公式为：

该非线性函数前一部分是输入向量S_j的缩放尺度，后一部分是输入向量的单位向量S_j，对于通过线性组合方式计算S_j的过程中，系数c_ij为常量，c_ij的计算公式为：

其中b_ij为常量，b_ij的数值通过上次迭代b_ij的值和与v_j的乘积计算得出，对于b_ij的更新方式为：

常量c_ij由b_ij计算决定，在迭代运算中，b_ij与两个输出向量的位置与类型相关。

5.根据权利要求1所述的基于深度学习的图像配准方法，其特征在于，所述损失函数表示为：

Loss＝NI(A，B)＝G(A，B)·I(A，B)；

其中：

其中I(A，B)表示了配准图像与基准图像的互信息，G(A，B)反映了配准前后高频信息和梯度方向的变化。