[发明专利]一种基于改进的harris角点检测拼接超声图像方法

说明书

本发明公开了一种基于自适应阈值T选取的Harris算子超声图像拼接方法，包括以下步骤：S1.图像获取：在CT模拟定位室及治疗室中，先后采集CT及超声图像，本研究所有的图像数据来自三名腹部术后肿瘤患者扫描所获取的体数据，每位患者选取10个超声及CBCT的层面图像,S2.对S1中获取的图像进行预处理：在做超声图像拼接之前首先将400×400的二维超声图像分割成无重叠的4×4子图，计算子图中角点响应函数R值分布，为获取自适应阈值做准备,实现了两幅超声拼接图像间的平滑过渡，消除了拼接缝隙，图像拼接的准确性优于传统的Harris角点检测的方法。

方法领域

本发明涉及一种超声图像拼接方法，具体涉及一种基于改进的 harris角点检测拼接超声图像方法。

背景方法

在临床放疗中，锥形束CT(CBCT)作为常用的图像引导设备，已普遍应用于图像引导放射治疗和自适应放射治疗。然而CBCT软组织分辨率低，且射术硬化效应、电子散射导致的伪影现象使得重建后的图像质量较差。相比于传统的CBCT引导放疗技术，超声联合CBCT进行摆位验证的图像引导技术可以降低腹部肿瘤的摆位误差。但利用超声引导放疗的成像设备所获取的图像为窄束成像，相比CBCT图像仅为其局部成像区域，对于盆腔及腹部肿瘤，不能将肿瘤靶区及危及器官完全包括在成像范围内，造成以肿瘤靶区GTV为基准的CBCT与超声两种模态的图像进行配准时产生配准误差，进而影响患者最终摆位验证的准确程度。因此，增加超声图像的成像范围是提高超声联合 CBCT引导摆位验证精度的解决方法。

图像拼接技术是指将一组具有重叠部分的图像，经过图像配准、图像融合，组合成一幅大视角的新图像，新图像内包括拼接前图像内的所有像素信息。角点检测作为图像拼接技术常用的方法，可分为以下两类：一，基于图像边缘的角点检测，此类方法主要根据检测出的边缘交叉点来确定角点，主要依赖于图像分割及边缘提取，计算量大且容错率较小，使用范围较局限，边缘检测算子主要包括LOG算子、 Canny算子及Sobel算子等；二，基于图像灰度的角点检测，通过搜寻图像中局部灰度变化的极大值处的像素点作为角点，基于灰度检测算子主要包括Moravec算子、Harris算子及Susan算子等。其中 Harris算子作为基于图像灰度检测角点的常用方法，对图像旋转、灰度变化及噪声的变化不敏感，且计算相对简单，可在复杂的人体组织结构图像中提取的大量的特征点。但传统的Harris角点检测算法在提取角点时需手动设定阈值，不具有尺度不变性，若阈值设定过大，会导致部分角点的缺失，若阈值设定过小，会导致产生大量伪角点。

因此，我们设计一种基于改进的harris角点检测拼接超声图像方法。

发明内容

本发明的目的是为了解决现有拼接方法中存在的缺点，而提出的一种基于改进的harris角点检测拼接超声图像方法。

为了实现上述目的，本发明采用了如下方法方案：

一种基于改进的harris角点检测拼接超声图像方法，包括以下步骤：

S1.图像获取：在CT模拟定位室及治疗室中，先后采集CT及超声图像。

S2.对S1中获取的图像进行预处理：在做超声图像拼接之前首先将400×400的二维超声图像分割成无重叠的4×4子图，计算子图中角点响应函数R值分布，为获取自适应阈值做准备。

S3.利用改进的基于自适应阈值选取的Harris角点图像拼接算法对S2中预处理的图像进行筛选：采用OTUS分割原理，通过最优T 值来确定检测的角点数并拼接两幅超声图像。

优选的，所述的S3中对传统的基于Harris角点特征配准算法进行改进，设R值为i的像素点的个数为n_i，像素总数为N，p_i表示4×4 子图内i出现的概率，其具体算法为：