[发明专利]基于HE染色图像与MBT染色图像的匹配技术

说明书

本发明公开了基于HE染色图像与MBT染色图像的匹配技术，涉及特殊染色图像对HE染色图像的特征点匹配技术领域，具体为包括S1、特征点提取；S2、K近邻匹配；S3、特征点预筛选；S4、去除误匹配点和S5、去除极值点。该基于HE染色图像与MBT染色图像的匹配技术，使用K紧近邻匹配算法筛选出一定数量的预匹配点集，在预匹配的基础上，使用相似三角形匹配算法，进一步剔除误匹配点，通过这种组合式的匹配算法，增强了匹配成功的概率，减少了因为误匹配而得到错误的转换矩阵，进而导致配准失败，使用K‑Means进一步去除极值点的干扰，使得到的转换矩阵更加准确。

技术领域

本发明涉及特殊染色图像对HE染色图像的特征点匹配技术领域，具体为基于HE染色图像与MBT染色图像的匹配技术。

背景技术

病理切片HE染色可以观察细胞和组织形态，是组织学、胚胎学、病理学中最基本、使用最广泛的技术方法；而IHC(免疫组化)、IF(免疫荧光)以及Masson等特殊染色则可以标记出特定的细胞或细胞中特定的成分。病理切片全玻片扫描数字化技术的应用，让一张病理切片可以通过多次扫描，产生出多张数字化图像。通过对已染色切片进行脱色后再进行其他类型染色，借助病理切片全玻片扫描数字化技术可以产生同一张病理石蜡切片两种甚至两种以上染色的数字化图像。通过AI提取其中一种染色图像上的特征，可以将其他染色的特征在呈现在HE染色切片上，进一步为机器学习提供数据。在实验过程中我们发现，要在两次扫描的染色图像上实现细胞水平的完全重叠，需要对两次扫描的图像进行配准，所谓的图像配准，就是将不同时间、不同条件下生成的两幅图像进行匹配叠加的过程。

在图像配准中，最重要的便是转换矩阵，而特征点的正确匹配直接关系到转换矩阵的正确与否，进而影响配准的效果。在当前的匹配技术中，常用的便是暴力匹配方法以及KNN匹配、RANSAC算法。暴力匹配方法(Brute-FroceMatcher)，计算某一个特征点描述子与其他所有特征点描述子之间的距离，然后将得到的距离进行排序，取距离最近的一个作为匹配点。K近邻匹配，在匹配的时候选择K个和特征点最相似的点，如果这K个点之间的区别足够大，则选择最相似的那个点作为匹配点，通常选择K＝2，也就是最近邻匹配。随机采样一致性(RANSAC)来过滤掉错误的匹配，该方法利用匹配点计算两个图像之间单应矩阵，然后利用重投影误差来判定某一个匹配是不是正确的匹配。然而以上的方法都存在一些错误的特征点匹配，直接导致配准的效果不佳。

在当前的匹配算法中，相似三角形匹配算法利用三角形的相似性进行特征点的匹配，这样的匹配方式也减少了特征点的误匹配。然而随着提取的特征点个数的增多，设特征点的个数为n，源目标点任意三个点组成的三角形要和目标特征点组成的三角形进行n(n-1)(n-2)/6次匹配，时间复杂度为O(n³)。而相比之下，K近邻匹配算法的时间发杂度是O(n²)。

相似三角形匹配算法匹配正确点数高而时间长，而K近邻匹配算法匹配正确点数较低而时间短。

发明内容

针对现有技术的不足，本发明提供了基于HE染色图像与MBT染色图像的匹配技术，解决了上述背景技术中提出相似三角形匹配算法匹配正确点数高而时间长，而K近邻匹配算法匹配正确点数较低而时间短的问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于HE染色图像与MBT染色图像的匹配技术，包括以下操作步骤：

S1、特征点提取：

使用orb算法完成对HE染色图像以及MBT(IHC、IF以及其他特殊)染色图像特征点的提取；

S2、K近邻匹配：

基于k近邻匹配算法，预先筛选M组匹配的特征点，k＝2；

S3、特征点预筛选：

针对M个预匹配的目标特征点，从原先的目标特征点集中，选取其最近的两个不同的点，这时，每个源特征点对应3个可能的目标点；