第八章医学图像的配准与融合
第一节概述
一、医学图像配准与融合的应用背景
随着计算机技术的飞速发展，与计算机技术密切相关的医学成像技术也是日新月异。但是，各种成像技术和检查方法都有它的优势与不足，并非一种成像技术可以适用于人体所有器官的检查和疾病诊断，也不是一种成像技术能取代另一种成像技术，它们之间是相辅相成、相互补充的。如CT和X线机对骨等密度较高的组织能提供高清晰的图像，MRI对人体软组织的成像具有较高的分辨率，而PET和SPECT则能够提供人体组织或器官的功能性代谢的图像。成像原理的不同造成了某一种成像模式所能提供的图像信息具有一定的局限性，有时单独使用某一类图像难以获得正确的诊断结论。因此，为了提高诊断正确率，需要综合利用患者的各种图像信息。图像配准与融合技术为医学图像的综合利用提供了很好的技术手段。
根据医学图像所提供的信息，可将医学图像分为两大类：解剖结构图像（CT、MRI、X线图像等）和功能图像（SPECT，PET等）。这两类图像各有其优缺点：解剖图像以较高的分辨率提供了脏器的解剖形态信息，但无法反映脏器的功能情况。功能图像分辨率较差，但它提供的脏器功能代谢信息是解剖图像所不能替代的，这些信息是对疾病特别是肿瘤进行早期诊断的重要依据。
目前医学影像学的一个明显的发展趋势是利用信息融合技术，将多种医学图像结合起来，充分利用不同医学图像的特点，在一幅图像上同时表达来自人体的多方面信息，使人体内部的结构、功能等多方面的状况通过影像反映出来，从而更加直观地提供人体解剖、生理及病理等信息。
二、医学图像配准与融合的关系
医学图像配准和融合有着密切的关系，特别是对多模态图像而言，配准和融合是密不可分的。待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，若事先不对融合图像进行空间上的对准，那么融合后的图像豪无意义。因此，图像配准是图像融合的先决条件，必须先进行配准变换，才能实现准确地融合。
三、医学图像配准和融合在临床中的应用
医学图像配准和融合具有很重要的临床应用价值。对使用各种不同或相同的成像手段所获得的医学图像进行配准和融合不仅可以用于医疗诊断，还可用于外科手术计划的制定、放射治疗计划的制定、病理变化的跟踪和治疗效果的评价等各个方面。
1、在外科手术中的应用
了解病变与周围组织的关系对制定手术方案，决定手术是否成功至关重要。如对脑肿瘤患者，一般是采用外科手术切除肿瘤。患者的生存时间和生活质量与病灶（如肿瘤、血肿等）的切除程度密切相关。如果对病灶过度切除，会造成对病灶周围重要功能区域的损害，而这种损害是不可逆转的，严重影响患者的生活质量；反之如果对病灶切除不够，残余病灶会严重影响患者的生存时间。最大程度地切除病灶，同时使主要的脑功能区域（如视觉、语言和感知运动皮层等）得以保留是神经外科手术的目标。为此，在手术前，一般要利用CT或MRI获取患者的脑肿瘤结构信息，利用PET或fMRI获取患者脑肿瘤周围的脑功能信息，通过对结构成像和功能成像的配准、融合，对脑肿瘤及其周围的功能区进行精确定位，在此基础上制定出外科手术计划，是对患者进行精确手术的基础。
2、在放射治疗中的应用
大约70%的病人在肿瘤的治疗过程中接受放疗。放疗的目的就是最大限度的把放射能量集中在靶位上，从而使周围的正常组织的损害达到最小。放射治疗中，应用CT和MR图像的配准和融合来制定放疗计划和进行评估，用CT图像精确计算放射剂量，用MR图像描述肿瘤的结构。用PET和SPECT图像对肿瘤的代谢、免疫及其他生理方面进行识别和特性化处理，整合的图像可用于改进放射治疗计划或立体定向活检或手术。此外，放射治疗后扫描的MRI图像中，坏死组织往往表现为亮区，很容易与癌症复发混淆。把MRI图像与PET或SPECT图像进行配准，可区分坏死组织（没有代谢）与肿瘤复发（通常表现为高代谢）。
3、在癫痫病治疗中的应用
原发癫痫病灶的准确定位一直是困扰影像界的一大难题，许多学者利用配准和融合技术对此做出了富有成效的探索。例如：Pelizzari等人对癫痫病人的MRI、PET图像融合处理后，可观察到病人的脑外伤、炎症、硬化症等的变化，
还可看到手术及麻醉前后的区别；Lewis 等研究表明，在发作期和发作期间，对癫痫患者分别进行SPECT 检查，将两者的图像相减，再分别与MRI 图像融合，可使功能损伤的解剖学标记更准确，以SPECT 所示的局部脑血流对大脑新皮质的癫痫病灶进行准确定位，从而为手术提供重要依据。
第二节 医学图像配准技术
一、医学图像配准的概念
对几幅不同的图像作定量分析，首先要解决这几幅图像的严格对齐问题，这就是我们所说的图像配准（image registration ）。
医学图像配准是指对于一幅医学图像寻求一种（或一系列）空间变换，使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置（位置一致，角度一致、大小一致）。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。
图8-1 是配准示意图。同一个人从不同角度、不同位置拍摄的两张照片，由于拍摄条件不同，每张照片只反映某些方面的特征。要将这两张照片一起分析，就要将其中的一张人像做移动和旋转，使它与另一幅对齐。这一对齐过程就是配准过程。保持不动的叫做参考图像，做变换的称作浮动图像。将配准后的图像进行融合就可以得到反映人的全貌的融合图像。
二、医学图像配准方法的分类
到目前为止，医学图像配准方法的分类始终没有一个统一的说法。目前比较参考图像 融合
浮动图像 空间变换 配准 图8-1 图像配准示意图
流行的是1993年Van den Elsen等人对医学图像配准进行的分类，归纳了七种分类标准。
（一）按图像维数分类
按图像维数分为2D/2D，2D/3D，以及3D/3D配准。2D/2D配准通常指两个断层面间的配准；2D/3D配准通常指空间图像和投影图像（或者是单独的一个层面）间的直接配准；3D/3D配准指2幅三维空间图像间的配准。
（二）根据医学图像的模态分类
根据医学图像的模态分为单模态医学图像配准和多模态医学图像配准。单模态图像配准是指待配准的两幅图像是用同一种成像设备获取的。一般应用在生长监控、减影成像等。多模态图像配准是指待配准的两幅图像来源于不同的成像设备，主要应用于神经外科的诊断、手术定位及放疗计划设计等。比如将MRI、CT、DSA等解剖图像与SPECT、PET和EEG等功能信息相互结合，对癫痫进行手术定位。另外，由于MR适于肿瘤组织的轮廓描述而通过CT又可精确计算剂量，因此，在放疗中常需要将二者进行配准。多模态图像配准是医学图像配准的重点研究课题。
（三）根据变换性质分类
根据变换的性质可分为刚性变换、仿射变换、投影变换和曲线变换四种。刚性变换只包括平移和旋转；仿射变换将平行线变换为平行线；投影变换将直线映射为直线；曲线变换则将直线映射为曲线。
（四）根据用户交互性的多少分类
根据用户参与的程度，分为自动配准、半自动配准和交互配准。自动配准是用户只需提供相应的算法和图像数据；半自动配准是用户需初始化算法或指导算法(如拒绝或接受配准假设)；交互配准是用户在软件的帮助下进行配准。
（五）根据配准所基于的图像特征分类
根据配准所基于的图像特征分为基于外部特征和基于内部特征两大类。外部特征的图像配准是指在研究对象上设置一些标志点（这些标记点可以是立体定位框架、在颅骨上固定螺栓和在表皮加上可显像的标记），使这些标记点能在不同的影像模式中显示，然后再用自动、半自动或交互式的方法用标记将图像配准。基于内部特征的配准方法主要包括三个方面：基于标记的配准方法、基于分割的
配准方法、基于像素特性的配准。基于标记的配准方法分为解剖知识的标记（如：利用人体特殊的解剖结构，一般由人工直接描述）和基于几何知识的标记（如：运用数学知识得到大量的点、线、面的曲率、角落特征等）；基于分割的配准指通过图像分割获得一些配准标志；基于像素特性的配准方法是把图像内部的灰度信息值作为配准的依据。又可分为两种。一是把图像灰度信息简约成具有一定的尺度和方向的集合（如力矩主轴法）二是在配准过程中始终使用整幅图像的灰度信息（如：互相关法、最大互信息法）。
（六）根据配准过程中变换参数确定的方式分类
根据配准过程中变换参数确定的方式可以分为两种：一是通过直接计算公式得到变换参数的配准，二是通过在参数空间中寻求某个函数的最优解得到变换参数的配准。前者完全限制在基于特征信息(例如小数目的特征点集、二维曲线、三维表面)的配准应用中。在后者中，所有的配准都变成一个能量函数的极值求解问题。
（七）根据主体分类
根据主体可分为：（1）同一患者(Intrasubject)的配准。是指将来自同一个病人的待配准图像，用于任何种类的诊断中；(2)不同患者(Intersubject) 的配准。指待配准图像来自不同病人，主要用在三维头部图像(MR、CT)的配准中，既可以基于分割也可以基于灰度。变换方式多为非线性的曲线变换，有时也采用刚性变换。(3) 患者与图谱的(Atlas)图像配准。是指待配准图像一幅来自病人，一幅来自图谱；主要用于收集某些特定结构、大小和形状的统计信息。目前典型的数字化医学图谱是法国Talairach和Tournoux制作的Talairach-Tournoux图谱（T T Atlas）。图谱和实际图像配准后，能更直观和方便地应用图谱中的信息。
三、医学图像配准的基本过程
医学图像配准一般由以下三个步骤组成：
（1）根据待配准图像（浮动图像）I
2与参考图像（基准图像）I
1
，提取出图
像的特征信息组成特征空间；
（2）根据提取出的特征空间确定出一种空间变换(T)，使待配准图像I
2
经
过该变换后与参考图像I
1能够达到所定义的相似性测度，即I
1
=T（I
2
）；
（3） 在确定变换的过程中，还需采取一定的搜索策略也就是优化措施以使 相似性测度更快更好地达到最优值。
当然，配准过程并不绝对按上述步骤进行，比如一些自动配准方法，一般不包括特征提取步骤。此外，（2）和（3）的过程在实际计算过程中是彼此交叉进行的。
图8-2给出了医学图像配准的流程图：
图8-2 医学图像配准流程图
第三节 医学图像配准的理论基础
一、图像配准原理
由图8-2，可以看出：对于在不同时间或/和不同条件下获取的两幅图像)(X A 和)(X B 的配准，就是要定义一个相似性测度并寻找一个空间变换关系，使得经过该空间变换后两幅图像间的相似性达到最大（或者差异性最小）。即使图像A 上的每一个点在图像B 上都有唯一的点与之对应，并且这两点应对应同一解剖位置。用公式表示如下：
)))((),(()(X T B X A S T S （8.1）
式中，S 是相似性测度，配准的过程可归结为寻求最佳空间变换的过程。 N
Y
待配准图像I 2
几何变换T
变换后的图像I *=T (I 2)
相似性测度评价 T 最优？
最优T 更新T
初始变换T
参考图像I 1
)(m ax arg ?T S T
= （8.2） 由于空间变换包含多个参数，是一个多参数最优化问题，所以一般由迭代过程实现：
T T T ?+=' （8.3）
增量T ?可以用计算梯度的方法计算：
dT
T dS T )(λ=? （8.4）
二、空间变换
图像A 和B 的配准就是寻找一种映射关系T ：X A →X B ，使得X A 上的每一点在X B 上都有唯一的点与之对应。这种映射关系表现为一组连续的空间变换，如整幅图像应用相同的空间变换，则称之为全局变换（global transformation ），否则，称之为局部变换（local transformation ）。根据图像变换形式的不同，有线性变换（linear transformation ）和非线性变换(non linear transformation ，也称作弯曲变换（curved transformation ）)两种。线性变换包括刚体变换(rigid body transformation )，仿射变换(affine transformation )和投影变换(projective transformation )。如图8-3所示。
图8-3图像配准的基本变换 (一） 刚体变换
所谓刚体，是指物体内部任意两点间的距离保持不变。刚体变换使得一幅图像中任意两点间的距离在变换前后保持不变。例如人体的头部由坚硬的颅骨支
撑，在处理时通常忽略头部皮肤的微小变形，将整个人脑看作是一个刚体。两幅图像之间的刚体变换可由一个刚体模型描述：
T sRU V += （8.5）
其中，s 是比例变换因子。',,）（z y x t t t T =是图像之间沿x ，y ，z 方向上的平移量。R 是3×3的旋转矩阵，满足约束条件：
I RR R R t t ==，1)det(=R (8.6)
相对笛卡尔坐标系的三个坐标轴，R 有三种不同的形式：
????? ??-=x x x x x R θθθθcos sin 0sin cos 00
01 （8.7） ????? ?
?-=y y y y y R θθθθcos 0sin 010sin 0cos （8.8） ????
? ??-=1000cos sin 0sin cos z z z z z R θθθθ （8.9） 其中x θ，y θ，z θ分别表示围绕X ，Y ，Z 坐标轴的旋转角度。
（二）仿射变换
当式（8.6）的约束条件不满足时，方程式（8.5）描述的是仿射变换。它将直线映射为直线，并保持平行性。在笛卡儿坐标系下，二维仿射变换的旋转矩阵R ／表示为：
????
? ??=100'232221131211m m m m m m R （8.10）
三维仿射变换的旋转矩阵R ／表示为：
??????
? ??=1000'3433
32312423222114131211m m m m m m m m m m m m R （8.11） 仿射变换的具体表现可以是各个方向尺度变换系数一致的均匀尺度变换或变换系数不一致的非均匀尺度变换及剪切变换等。均匀尺度变换多用于使用透镜
系统的照相图像，在这种情况下，物体的图像和该物体与成像的光学仪器间的距离有直接的关系，一般的仿射变换可用于校正CT 台架倾斜引起的剪切或MR 梯度线圈不完善产生的畸变。
(三) 投影变换
与仿射变换相似，投影变换将直线映射为直线，但不保持平行性质。投影变换主要用于二维投影图像与三维体积图像的配准。二维投影变换按照下式将图像),(11y x A 映射至图像),(22y x B ：
33132131131121112a y a x a a y a x a x ++++= （8.12）
33132131231221212a y a x a a y a x a y ++++= （8.13） 其中的变换参数ij a 是依赖于图像本身的常数。
另外一种类似的变换方式称为透视变换。透视变换是投影变换的子集。某些医疗成像设备，如内窥镜、显微镜等，获取的图像都是通过将三维物体投影到二维平面，由此产生的几何变换称为透视变换。
（四） 非线性变换
非线性变换是把直线变换为曲线。它反映的是图像中组织或器官的严重变形或位移。典型的非线性变换是多项式函数，如二次、三次函数及薄板样条函数。有时也使用指数函数。非线性变换多用于使解剖图谱变形来拟合图像数据或对有全局性形变的胸、腹部脏器图像的配准。
1. 二阶多项式变换 基于二阶多项式变换的公式如下：
20908210706052104103102101002z a yz a y a xz a xy a x a z a y a x a a x +++++++++=
21918211716152114113112111102z a yz a y a xz a xy a x a z a y a x a a y +++++++++= （8.14）
22928212726252124123122121202z a yz a y a xz a xy a x a z a y a x a a z +++++++++=
这里涉及30个变换参数
2. 薄板样条变换 薄板样条函数变换可以表示为仿射变换与径向基函数的线性组合：
|)(|)(1X P U W B AX X f i
n
i i -++=∑= （8.15） 其中，X 是坐标向量，A 与B 定义一个仿射变换，U 是径向基函数，在二维图像配准中
22log )(r r r U = （8.16）
22y x r += （8.17）
对三维图像配准
||)(r r U = （8.18）
222z y x r ++= （8.19）
三、参数的优化搜索
配准的几何变换参数根据求解方式可分成两类，一是根据获得的数据用联立方程组直接计算得到的，二是根据参数空间的能量函数最优化搜索得到。前者完全限制在基于特征信息的配准应用中。在后者中，所有的配准都变成一个能量函数的极值求解问题。因此图像配准问题本质上是多参数优化问题，所以优化算法的选择至关重要。
常用的优化算法有:Powell 法、梯度下降法、遗传算法、模拟退火法、下山单纯形法、Levenberg -Marquadrt 法等。下面简要介绍最为常用的搜索方法:Powell 法、梯度下降法和遗传算法。
(一) Powell 法
Powell 法是一种传统的确定性优化方法，又称为方向加速法，由M .J .D .Powell 于1964年首先提出。基本含义是:对于n 维极值问题，首先沿着n 个坐标方向求极小，经多n 次之后得到n 个共轭方向，然后沿n 个共轭方向求极小，经过多次迭代后便可求得极小值。
原理如下：
对于某一问题，将其归结为求取某一目标函数)(Y J J =的极小值。其中Y 为一个向量：T n y y y Y ],,[21 =。
设置一个满秩的步长矩阵：
?????
???????=????????????=n nn n n n n D D D d d d d d d d d d D 212122221
112110 （8.20） 其中，],,[21in i i i d d d D =。
对于某一初始值T n y y y Y Y ],,[002010 ==，Powell 算法的迭代过程如下：
（1） 首先在1D 方向上搜索，即求1α，使)(110D Y J J α+=为极小，并令
1101D Y Y α+=
（2） 依次求2α，使)(221D Y J J α+=为极小，并令2212D Y Y α+=，如此下去
（3） 最后求n α，使)(1n n n D Y J J α+=-为极小，并令n n n n D Y Y α+=-1
（4） 令1+=i i D D ，
1,,2,1-=n i ，)(0Y Y D n n -=λ在新的n D 方向上在搜索一次，即求α使)(n n D Y J J α+=为极小，并令新的0Y 为n n D Y Y α+=0。
至此，完成了第一轮n +1次的搜索。接下去进行下一轮的搜索，直至性能指标满意或满足某种停止条件为止。该法不需要对目标函数进行求导计算，具有直接法的优点，且具有二次收敛性，收敛速度快、精度高、可靠性好，被公认是目前解无约束最优化问题十分有效的直接法。
(二) 梯度下降法
该算法在求最小化过程中直接利用梯度信息，沿着起始点梯度方向的反方向，求出最小值点，然后移动到最小值点，再重复上面的过程，直到前后点的函数值的差小于给定的误差值，则结束迭代过程。
梯度下降法不是一个好算法，梯度方向并非直接指向优化的最终方向，优化过程中前后两步之间方向相互垂直，步长很小，需要多次迭代才能达到最优结果。实际上，当目标函数F 的一阶导数连续时，梯度算法效果比较好。
（三）遗传算法
遗传算法（Genetic Algorithm ）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是由美国Michigan 大学J .Holland 教授于1975年首先提出来的。
在求解优化问题时，遗传算法将优化问题当作一个生存环境，问题的一个解
当作生存环境中的一个个体，以目标函数值或其变化形式来评价个体对环境的适应能力，模拟由一定数量个体所组成的群体的进化过程，优胜劣汰，最终获得最好的个体，即问题的最优解。它呈现出的是一种通用算法框架，该框架不依赖于问题的种类，因而具有较强的鲁棒性，特别是对于一些大型复杂非线性系统，表现出比其它传统优化方法更加独特和优越的性能。其隐含并行性和全局搜索特性，保证算法能够在大区域中作快速搜索，有较大把握寻找到全局最优解。
目前国内外研究中，最受关注的是Powell 法，因为Powell 法与遗传算法都是无需求导数的直接优化法，因此可以适用于搜索中的任何空间限制。遗传算法中的杂交和变异操作可以避免使算法陷入局部最优，从而有很强的优化能力，但是速度较慢，而Powell 法的优化速度较快，但容易陷入局部最优。遗传算法中实现了并行计算。若以增加时间为代价来找到更多的命中参数，则遗传算法较为理想，尤其是在有能量约束时。对于参数相对较少的配准来说，一般还是选择Powell 算法，以减少配准所需的时间。
在实际应用中，经常使用附加的多分辨率和多尺度方法加速收敛，降低需要求解的变换参数树木、避免局部最小值，并且多种优化算法混合使用，即开始时使用粗略的快速算法，然后使用精确的慢速算法。
四、插值方法
在图像配准中，空间坐标变换后得到的像素坐标位置可能不在整数像素上，因此需要用灰度插值的方法对像素值进行估计。常用的插值方法有:最近邻插值（NN ，Nearest Neighbor ）法、双线性插值（BI ，Bilinear Interpolation ）法和部分体积分布 (PV ，Partial Volumn Distribution ) 法等。
（一）最近邻插值（NN ）
该方法是一种简单的插值算法，也称为零阶插值。设需要插值的点为n ，在二维图像中，临近该点的落在坐标网格上的像素点分别为n 1，n 2，n 3，n 4。最近
邻法直接计算n 和邻近四个点之间的距离，并将与该点距离最小的点的灰度值赋给n ，如图8-4所示。
计算公式如下:
),()(v f n f = )),((m in arg i n n n d v i
= （8.21）
这种方法简单快捷，但当邻近点之间的像素灰度差别很大时，会产生较大的误差。
（二）双线性插值（BI ）
双线性插值法又称为一阶插值算法。它是使用线性插值来求像素灰度的一种方法。具体计算方法为先沿着一个坐标轴方向使用线性插值方法求出两点的插值灰度，然后沿另一个坐标轴，利用这两个点对目标点进行线性插值来求灰度。计算方法如图8-5所示:
计算公式为：
)()(i i
i n f n f ∑=ω （8.22）
上式中)(i n f 为它们的灰度值，i ω为各相邻点的权重，与它们到n 的距离成
反比，表达式如下：
????????-=?=-?=-?-=dy
dx dy dx dy dx dy dx )1()1()1()1(4321ωωωω （8.23） 其中：dx ，dy 分别是n 与1n 之间沿x ，y 方向的距离。
双线性插值方法由于考虑到直接邻近点对待插值点的灰度的影响，因此一般能得到令人满意的插值效果。但这种方法具有低通滤波性质，使高频分量受到损失。此外，由插值所得到的灰度值是经过数字计算出来的，一般不会是整数值，而且也有可能产生原始图像中所没有的灰度值，因此可能会改变图像中的灰度分布，特别是当图像中有很多需要进行插值的像素点时。
图8-4 最近邻插值示意图 n ),(111v u n ),(444v u n ),(333v u n ),(222v u n
（三）部分体积插值法（PV ）
部分体积分布法是F .Maes 等人提出来的，是对双线性插值方法的一个改进。主要是为了克服双线性插值方法在图像中会产生新的灰度值而引起图像灰度分布发生变化的缺点，以便得到比较光滑的目标函数，有利于优化搜索。
PV 是根据线性插值的权重分配原则，将每对像素对联合直方图的贡献分散到联合直方图中与之相邻的各个像素对上，这样联合直方图上各个像素对的频度值以小数增加，因此不会出现新的灰度值而破坏目标函数值分布的光滑性。PV 方法具体的计算公式为:
i i i v f u f h v f u f h ω+=))(),(())(),(( （8.24）
i ω为权重，其取值同BI 法。
实际上，PV 方法只是用灰度统计来代替插值，这反应了医学图像配准问题与其它医学图像处理问题中的不同之处。特别地，对基于灰度的配准方法来说，需要进行统计的是图像中的灰度信息而不是每点的灰度值，这意味着在处理的过程中不一定要得到每点的灰度值，因此可以采用PV 方法来得到分布较好的目标函数。
五、相似性测度
配准过程在得到几何变换后，进一步的工作就是要找到一种合适、最优的描述量，用以表征相似或者差异，称这种描述量为相似性测度。下面介绍几种常用的相似性测度。
（一）灰度均方差
设)(x f R 和)(x f T
分别表示参考图像和浮动图像中的数据，两幅图像像素值的均方差可以表示为: 图8-5线性插值和部分体积插值示意图 1W 3W 2W
4W 1n 3n 2n 4n n
x d x f Q x f V F T R V
x 2)))(()((||||1?-=∈ （8.25） 其中，V 表示参与计算的图像区域，||||V 表示参与计算的像素总量，)(f Q 表示对图像数据的变换。
灰度均方差作为相似性测度适用于单模医学图像的配准问题，它的优点是易于理解且优化过程相对简单。
（二） 归一化互相关
归一化互相关公式如下: ∑∑∑∈∈∈----=T j i T j i flo flo ref ref T j i flo flo ref ref I j i I I j i I I j i I I j i I R ),(),(2
),()
),(()),(()
),()(),(( （8.26） 其中: ref I 和flo I 分别是参考图和浮动图在T j i ∈),(区域内的像素灰度平均值，R 为相关系数。
（三） 互信息
相似测度形式多样，在基于全图像信息的图像配准中，以互信息量作为相似测度的方法以其计算复杂度低、鲁棒性好等特性逐渐成为当前研究的热点。本章下一节将对基于互信息量的图像配准方法做详细的介绍。
第四节 医学图像配准的主要方法
医学图像配准的方法有很多种，目前主要的配准方法大体上可以分为两类:基于特征的配准方法和基于灰度的配准方法。下面重点介绍这两种常用的图像配准方法。
一、基于特征的配准方法
基于特征的配准方法首先要对待配准图像进行预处理，也就是特征提取的过程，然后利用提取到的特征完成两幅图像特征之间的匹配。由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法。常用到的图像特征有:点、直线段、边缘、轮廓、闭合区域、特征结构以及统计特征如矩不变量、重心等等。
（一）基于点特征的配准
点特征是图像配准中最为常用的图像特征之一，分为外部特征点与内部特征
点两种。
外部特征点是成像时固定在患者身体上的标记物，不同成像时灌入不同的显影物质使得标记物在所有图像模态中均能清楚可视和精确检测。这种方法所求参数可用联立方程组直接计算得到，但标记物的固定对人体是侵入性的。这种方法的配准变换被限制为刚性变换，临床上常使用的基于立体框架的配准方法精度最高，它是用螺丝旋入头骨将其固定在患者的外颅表面，可作为其他配准算法评估的金标准，这种方法主要应用在神经外科手术的定位和导航(精度lmm之内)。目前已出现了多种对患者友好的非侵入性标记物，或是为个体定制的泡沫面具，或是用定位栓将特制的面具固定在患者头颅上，或是用特制的牙套，或是使用个体定制的鼻部支撑物和两耳的插件形成一种头部固定架，这些方法的配准误差均不超过2mm。
内部特征点是一些有限的可明显识别的点集，标记点可以是解剖点(一般由用户识别出)，也可以是几何点(包括边缘点、角点、灰度的极值点、曲率的极值点、两个线性结构的交点或某一封闭区域的质心等)。这种方法主要求解刚体或仿射变换，如果标记点数目足够多，也能用来更复杂的非刚体变换。识别出来的标志点集与原始图像信息量相比是稀疏的，这样参数优化相对比较快。
在基于点特征的图像配准方法中，Besl等首先将ICP策略引入到图像配准算法中，通过迭代过程使两点集间距离不断减小，最终实现3D点特征的配准Chui 等提出一种更为通用的配准框架TPS-RPM ( Thin Plate Splines-Robust Point Matching)，能够确定特征点的对应关系并弹性地配准点特征。在国内，张煜等提出了一种通过离散轮廓半自动地提取特征点的方法，然后采用平滑的薄板样条函数对特征点进行插值，该方法能够有效地减弱特征点对应位置误差对配准结果产生的影响。张二虎等将互信息相似性测度引入到点配准算法中，首先建立起两特征点集间匹配对应关系的联合概率分布匹配矩阵，通过最大化熵和互信息最大化建立一个包含匹配矩阵和空间变换参数的能量函数，最后采用退火算法获得最优解。
（二）基于直线特征的配准
线段是图像中另一个易于提取的特征。Hough变换是提取图像中直线的有效方法。Hough变换可以将原始图像中给定形状的曲线或直线变换到变换域空间
的一个点位置。它使得原始图像中给定形状的曲线或直线上所有的点都集中到变换域上的某一个点位置从而形成峰值。这样，原图像中的直线或曲线的检测问题就变成寻找变换空间中的峰点问题。正确地建立两幅图像中分别提取的直线段的对应关系依然是该方法的重点和难点。综合考虑直线段的斜率和端点的位置关系，可以构造一个这些信息指标的直方图，并通过寻找直方图的聚集束达到直线段的匹配。
（三）基于轮廓与曲线特征的配准
近年来，随着图像分割、边缘检测等技术的发展，基于边缘、轮廓的图像配准方法逐渐成为配准领域的研究热点。分割和边缘检测技术是这类方法的基础，目前已报道的有很多图像分割方法可以用来做图像配准需要的边缘轮廓和区域的检测，比如Canny边缘提取算子，拉普拉斯-高斯算子(LoG)，动态阈值技术，区域增长等。在特征提取的基础上，很多学者针对轮廓、边缘等进行了配准研究。Govindu等采用轮廓上点的切线斜率来表示物体轮廓，通过比较轮廓边缘的分布确定变换参数。Davatzikos等提出了一种二阶段大脑图像配准算法，在第一阶段使用活动轮廓算法建立一一影射，第二阶段采用弹性变换函数确定轮廓的最佳变换。李登高等提出了一种对部分重叠的图像进行快速配准的方法，该方法是基于轮廓特征的随机匹配算法。通过提取轮廓上的“关键点”作为特征点，随机选择若干特征点对得到候选变换，随后的投票阶段对其变换参数进行检验和求精。赵训坡等提出一种基于证据积累的图像曲线粗匹配方法，比较有效地解决了将图像中提取的一条曲线(较短)与一条参考曲线(较长)相匹配的问题。
（四）基于面特征的配准
基于面的配准方法中最典型的算法是由Pelizzari和Chen提出的“头帽法”（Head-Hat Method）。即从一幅图像中提取一个表面模型称为“头”(Head)，从另外一幅图像轮廓上提取的点集称为“帽子”(Hat)。用刚体变换或选择性的仿射变换将“帽子”的点集变换到“头”上，然后采用优化算法使得“帽子”的各点到“头”表面的均方根距离最小。头帽法最初用于头部的SPECT和CT(或MRI)配准，参考特征是头部的皮肤表面；然后用于头部的SPECT图像之间的配准，参考特征是头颅骨表面和大脑表面。优化算法目前一般用Powell法。均方距离是六个待求刚体变换参数的函数，其最小时可得刚体变换参数。许多学者对
该算法作了重要改进，例如用多分辨金字塔技术克服局部极值问题；用距离变换拟合两幅图像的边缘点(Edge Points )，斜面匹配技术(Chamfering Method )可有效地计算距离变换。
另外比较常用的配准方法还有迭代最近点算法(ICP )。迭代最近点（ICP ）配准算法]由Besl 和Mckay 提出的，它将一般的非线性最小化问题归结为基于点的迭代配准问题。迭代最近点算法(ICP )中必须先采样出图像结构上的特征点，然后用迭代的方法不断求出一幅图中相对于另一幅图中所有采样点的最近点，直到两个点集的均方差低于设定阈值，这时可得到匹配变换参数。
除了采用分割的方法提取两幅图像中脑外表面轮廓特征外，还有用多尺度算子提取脑内部几何特征，然后采用相关方法在多尺度空间结合外表面特征和内部特征进行自动配准的方法。也有采用平面变形轮廓和样条插值提取手术前CT 图像的表面轮廓点集，通过最小化从二维轮廓到三维表面的投影线的能量而达到与手术中所获得的脊椎点集配准的目的。
（五）实用算法举例
下面给大家介绍一种基于特征点的刚体变换配准算法。
设在待配准的两幅图像上选择的特征点集分别为：
i i i i i i i b a b a y y Y ,),,(|{==为直角坐标值}，N i 2,1,0= (N 为点的个数) ),,(|{i i i i i b a x x X == N i 2,1,0= 。
由于i X 和i Y 上的点是一一对应的，所以它们点的个数是相同的。设刚性变换F 为待求的最佳变换，F 可以表示为一个旋转变换R 和一个平移变换T 的组合。R 和T 可以表示为:
???? ??-=θθθθcos sin sin cos R ，???
? ??=y x T T T （8.27） 可得下式：
i i i x F y ε+=)(，N i ,2,1,0= （8.28）
其中i ε为误差矢量项。于是求取最佳变换F 可表示为最小化下面的均方误差： 20||)(||1min min i N i i F F x F y
N E -=∑= （8.29）
我们称上式为代价函数。为了求得F 变换中的刚性变换，传统的方法是应用迭代法，这种方法的时间开销比较大，并且需要较多的配准点。为此我们选用基于奇异值分解(SVD )的最小二乘算法。此算法只需较少的配准点就能快速计算出旋转变换矩阵并同时算出平移矢量。
将最小化均方误差该为对下式最小化： 20||)(||1T x R y
N i N i i --∑= （8.30）
算法过程如下：
① 计算i x 和i y 的坐标中心点 ∑==N i i x N X 01， ∑==N i i y
N Y 01 （8.31）
② 计算每个特征点相对与中心点的位移 X x x i i -='， Y y y i i -=' （8.32）
③ 计算矩阵H ：
T N i i
i y x H ∑==0'')( （8.33）
④ 求H 的奇异值分解：
T V U H ∧= （8.34）
其中,'I V V U U T ==),,(321λλλdiag =∧，且0321≥≥≥λλλ
⑤ 求R ：
T U VU Vdiag R ))det(,1,1(= （8.35）
⑥ 求T ： X R Y t -= （8.36）
二、基于灰度的配准方法
基于灰度的配准方法是目前研究得较多的一种方法，它直接利用图像的灰度信息进行配准，从而避免了因分割带来的误差，因而具有精度较高、稳健性强、不需要预处理而能实现自动配准的特点。
基于灰度的配准有两类主要的方法，一类是通过图像灰度直接计算出代表性的比例和方向等要素；另一类是配准过程中使用全部的灰度信息。第一种方法以力矩和主轴法为代表，第二种方法一般称为体素相似性。
（一） 力矩和主轴法
力矩和主轴法是指先用经典力学物体质量分布的原理计算出两幅图像的质心和主轴，再通过平移和旋转变换使两幅图像达到配准。利用此方法，图像可以模型化为椭圆形区域的点分布。这样的分布可以用这些点的位置的一阶和二阶矩描述。该方法对数据的缺失较敏感，要求整个物体必须完整地出现在两幅图像中。从整体上来说，配准精度较差，所以目前它更多地用来进行粗配准，使两幅图像初步对齐，以减少后续主要配准方法的搜索步骤。
矩和主轴法的一个应用是将多个三维图像合成到标准脑的坐标系下，从而得到统计学平均意义上的脑模型，我们以这个例子重点讲述矩和主轴法的配准过程。
首先使用阈值法和数学形态学等方法逐个层面地进行处理，半自动地得到脑的二值化模板，并通过基于形状的插值方法得到三维脑二值化模板B 。然后按照下面的步骤将各个脑配准：
① 定义模板B ：
???=不在脑结构内
如果在脑结构内如果),,(0),,(1),,(z y x z y x z y x B （8.37） ② 计算模板中心，用),,(g g g z y x 表示： ∑∑=z y x z y x g z y x B z y x xB x ,,,,),,()
,,( ∑∑=z y x z y x g z y x B z y x yB y ,,,,),,()
,,( （8.38） ∑∑=z y x z y x g z y x B z y x zB z ,,,,),,()
,,(
③ 计算旋转角度：
谈医学影像的融合(一) 科技的进步带动了现代医学的发展，计算机技术的广泛应用，又进一步推动了影像医学向前迈进。各类检查仪器的性能不断地提高，功能不断地完善，并且随着图像存档和传输系统(PACS)的应用，更建立了图像信息存储及传输的新的模式。而医学影像的融合，作为图像后处理技术的完善和更新，将会成为影像学领域新的研究热点，同时也将是医学影像学新的发展方向。所谓医学影像的融合，就是影像信息的融合，是信息融合技术在医学影像学领域的应用；即利用计算机技术，将各种影像学检查所得到的图像信息进行数字化综合处理，将多源数据协同应用，进行空间配准后，产生一种全新的信息影像，以获得研究对象的一致性描述，同时融合了各种检查的优势，从而达到计算机辅助诊断的目的〔1，2〕。本文将从医学影像融合的必要性、可行性、关键技术、临床价值及应用前景5个方面进行探讨。 1医学影像融合的必要性 1.1影像的融合是技术更新的需要随着计算机技术在医学影像学中的广泛应用，新技术逐渐替代了传统技术，图像存档和PACS的应用及远程医疗的实施，标志着在图像信息的存储及传输等技术上已经建立了新的模式。而图像后处理技术也必须同步发展，在原有的基础上不断地提高和创新，才能更好更全面地发挥影像学的优势。影像的融合将会是后处理技术的全面更新。 1.2影像的融合弥补了单项检查成像的不足目前，影像学检查手段从B超、传统X线到DSA、CR、CT、MRI、PET、SPECT等，可谓丰富多彩，各项检查都有自身的特点和优势，但在成像中又都存在着缺陷，有一定的局限性。例如：CT检查的分辨率很高，但对于密度非常接近的组织的分辨有困难，同时容易产生骨性伪影，特别是颅后窝的检查，影响诊断的准确性；MRI检查虽然对软组织有超强的显示能力，但却对骨质病变及钙化病灶显示差；如果能将同一部位的两种成像融合在一起，将会全面地反映正常的组织结构和异常改变，从而弥补了其中任何一种单项检查成像的不足。 1.3影像的融合是临床的需要影像诊断最终服务于临床治疗；先进的检查手段，清晰的图像，有助于提高诊断的准确性，而融合了各种检查优势的全新的影像将会使诊断更加明确，能够更好地辅助临床诊治疾病。 2医学影像融合的可行性 2.1影像学各项检查存在着共性和互补性为影像的融合奠定了基础尽管每项检查都有不同的检查方式、成像原理及成像特征，但它们具有共同的形态学基础，都是通过影像来反映正常组织器官的形态、结构和生理功能，以及病变的解剖、病理和代谢的改变。而且，各项检查自身的缺陷和成像中的不足，都能够在其他检查中得到弥补和完善。例如：传统X线、CT 检查可以弥补对骨质成像的不足；MRI检查可以弥补对软组织和脊髓成像的不足；PET、SPECT 检查则可以弥补功能测定的不足。 2.2医学影像的数字化技术的应用为影像的融合提供了方法和手段现在，数字化技术已充分应用于影像的采集、存储、后处理、传输、再现等重要的技术环节。在首要环节即影像的采集中，应用了多种技术手段，包括：(1)同步采集数字信息，实时处理；(2)同步采集模拟信号，经模数转换装置转换成数字信号；(3)通过影像扫描仪和数码相机等手段，对某些传统检查如普通X线的胶片进行数字转换等；将所采集的普通影像转换成数字影像，并以数据文件的形式进行存储、传输，为进一步实施影像融合提供了先决条件。 3医学影像融合的关键技术 信息融合在医学图像研究上的作用一般是通过协同效应来描述的，影像融合的实施就是实现医学图像的协同；图像数据转换、图像数据相关、图像数据库和图像数据理解是融合的关键技术。(1)图像数据转换是对来自不同采集设备的图像信息的格式转换、三维方位调整、尺度变换等，以确保多源图像的像/体素表达同样大小的实际空间区域，确保多源图像对组织
图像配准操作(Image Registration)是在不同条件下得到的并且位于不同坐标系下的同一场景(或物体)的二幅或者多幅图像进行对准叠加的过程由于成像条件不同,同一场景(物体)的多幅图像会在分辨率、成像模式、灰度属性、位置(平移和旋转)、比例尺度、非线性变形及曝光时间等方面存在很多差异,图像配准就是要克服这些困难,最终将这些图像在几何位置上进行配准,以便能够综合利用多幅图像中的信息满足一定的应用需求。概括来说,图像配准问题就是将位于不同坐标系下同一场景的二幅或多幅图像,寻找一种特定的最优几何变换,将两幅或多幅图像变换到同一坐标系的过程 背景、意义 背景 图像配准最早在美国70年代飞行器辅助导航系统、武器投射系统的末端制导以及寻地等应用研究中提出。经过20年的研究成功地用于中程导弹及战斧式巡航导弹上弹着点误差半径不超过十几米。80年代后很多领域都有大量配准技术的应用，如遥感领域、模式识别、自动导航、医学诊断、计算机视觉等。各个领域的配准技术都是对各自具体的应用背景结合实际情况量身订制的技术。但是不同领域的配准技术之间在理论方法上又具有很大的相似性。 目前国内外研究图像配准技术比较多的应用领域有:红外图像处理、遥感图像处理、数字地图定位和医学图像处理等领域。 70年代P.E.Anuta 提出用FFT (Fast Fourier Transform快速傅里叶变换)进行图像配准；D.I.Barnea和H.F.Silverman SSDA（Sequential Similarty Detection Algorithm 序贯相似性检测算法）进行图像配准该算法的优点是图像配准的处理速度相对其它算法来说得到了提高；W.Pratt 在数字图像处理中详细阐述了各种用于图像配准的相似度量函数；后来A.Roche等将相关相似度函数扩展并应用得到多模态图像配准当中（缺陷：不能处理较复杂的多模态图像间的配准、利用其计算的相似性的峰会较平坦、显著性较低、计算复杂度较高）P.E.Anuta 等提出了改进的基于边界信息计算的相关相似度量,有效地提高了该相似度量相对于光照变化的鲁棒性；P.Viola and W.M.Wells III,等在1997较早地将信息论中的交互信息用于图像的配准操作Thevenaz
《数字医学图像》报告 内容：图像配准专题 专业： 2012级信息管理与信息系统班级：信管一班 小组成员： 20120701020 韩望欣 20120701008 毕卓帅 20120701005 胡庆 指导老师：彭瑜 完成日期： 2015 年 10月 25日
图像配准专题 简介：图像配准是对取自不同时间，不同传感器或不同视角的同一场景的两幅图像或者多幅图像匹配的过程。图像配准广泛用于多模态图像分析，是医学图像处理的一个重要分支，也是遥感图像处理，目标识别，图像重建，机器人视觉等领域中的关键技术之一，也是图像融合中要预处理的问题，待融合图像之间往往存在偏移、旋转、比例等空间变换关系，图像配准就是将这些图像变换到同一坐标系下，以供融合使用。 一：图像配准方法国内外进展情况 图像配准最早在美国七十年代的飞行器辅助导航系统、武器投射系统的末端制导以及寻地等应用研究中提出,并得到军方的大力支持与赞助。经过长达二十多年的研究,最终成功地用于中程导弹及战斧式巡航导弹上,使其弹着点平均圆误差半径不超过十几米,从而大大提高了导弹的命中率。八十年代后,在很多领域都有大量配准技术的应用,如遥感领域,模式识别,自动导航,医学诊断,计算机视觉等。各个领域的配准技术都是对各自具体的应用背景结合实际情况量身订制的技术。但是不同领域的配准技术之间在理论方法上又具有很大的相似性,从而使得在某领域的配准技术很容易移植到其它相关领域。目前国内外研究图像配准技术比较多的应用领域有红外图像处理、遥感图像处理、数字地图定位和医学图像处理等领域。 二、图像配准在医学领域的应用 20世纪以来随着计算机技术的不断发展,医学成像技术得到了快速的发展。尖端的新型医疗影像设备层出不穷,如计算机线摄影、数字减影等等,这些已经成为现代医学诊断必不可少的医学数字成像手段。由于这些医学数字成像设备有不同的灵敏度和分辨率,它们有各自的使用范围和局限性。多种模式图像的结合能充分利用图像自身的特点并做到信息互补。近几十年以来,图像配准在医学上的应用日益受到医学界和工程界的重视,己在世界范围广泛展开,在相关文献中己经提出了很多种医学图像配准的方法,这些研究成果广泛地运用到医学领域中。图像配准在医学中的应用领域主要有以下几方面: ?组织切片图像的处理与显微结构三维重建 ?疾病诊断及其发展和消退的过程检测 ?神经外科手术可视化、神经外科手术一计划及术前评估 ?感觉运动和认知过程的神经功能解剖学研究 ?神经解剖变异性的形态测量分析学 ?放射治疗和立体定向放射外科治疗计划 三、图像配准的定义 对于二维图像配准可定义为两幅图像在空间和灰度上的映射，如果给定尺寸的二维矩阵F 1和F2代表两幅图像F1（X，Y）和F2（X，Y）分别表示相应位置（X，Y）上的灰度值。则图像间的映射可表示为：F （X，Y）=G（F （H（X，Y））），式中H表示一个二维空间坐标变换，即（X’，Y’）=H（X，Y），且G是一维灰度变换。 四、图像配准方法的分类 1、维数 主要是根据待配准图像的空间维数及时间维数来划分的。图像仅含空间维数或者是图像的时间序列中带有空间数，其配准可根据图像的空间维数分2D/2D，2D/3D，3D/3D，4D/4D
多聚焦图像融合方法综述 摘要：本文概括了多聚焦图像融合的一些基本概念和相关知识。然后从空域和频域两方面将多聚焦图像融合方法分为两大块，并对这两块所包含的方法进行了简单介绍并对其中小波变换化法进行了详细地阐述。最后提出了一些图像融合方法的评价方法。 关键词：多聚焦图像融合；空域；频域；小波变换法；评价方法 1、引言 按数据融合的处理体系，数据融合可分为：信号级融合、像素级融合、特征级融合和符号级融合。图像融合是数据融合的一个重要分支，是20世纪70年代后期提出的概念。该技术综合了传感器、图像处理、信号处理、计算机和人工智能等现代高新技术。它在遥感图像处理、目标识别、医学、现代航天航空、机器人视觉等方面具有广阔的应用前景。 Pohl和Genderen将图像融合定义为：“图像融合是通过一种特定的方法将两幅或多幅图像合成一幅新图像”，其主要思想是采用一定的方法，把工作于不同波长范围、具有不同成像机理的各种成像传感器对同一场景成像的多幅图像信息合成一幅新的图像。 作为图像融合研究重要内容之一的多聚焦图像融合，是指把用同一个成像设备对某一场景通过改变焦距而得到的两幅或多幅图像中清晰的部分组合成一幅新的图像，便于人们观察或计算机处理。图像融合的方法大体可以分为像素级、特征级、决策级3中，其中，像素级的图像融合精度较高，能够提供其他融合方法所不具备的细节信息，多聚焦融合采用了像素级融合方法，它主要分为空域和频域两大块，即： （1）在空域中，主要是基于图像清晰部分的提取，有梯度差分法，分块法等，其优点是速度快、方法简单，不过融合精确度相对较低，边缘吃力粗糙； （2）在频域中，具有代表性的是分辨方法，其中有拉普拉斯金字塔算法、小波变换法等，多分辨率融合精度比较高，对位置信息的把握较好，不过算法比较复杂，处理速度比较慢。 2、空域中的图像融合 把图像f(x,y)看成一个二维函数，对其进行处理，它包含的算法有逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法等。 2.1 逻辑滤波器法 最直观的融合方法是两个像素的值进行逻辑运算,如:两个像素的值均大于特定的门限值,
多模图像配准融合
浅析多模态医学图像的配准与融合技术 来源：本站原创作者：朱俊林发布时间：2009-06-07 1 医学图像的配准技术简介 医学图像的配准技术是90年代才发展起来的医学图像处理一个重要分支,并且日益受到了医学界和工程界的重视。医学图像的配准是指对于一幅医学图像寻求一种或者是一系列的空间变换,使两幅图像的对应点达到空间位置和解剖结构的一致，这种一致是指人体上的同一解剖点在两张匹配的图像上有相同的空间位置。简单地说医学图像配准就是解决两幅图像的严格对齐问题。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的解剖点及手术感兴趣的点都达到匹配。 医学图像的配准按图像来源分为：单模态(mono-modality)与多模态配准(multi-modality)。单模态配准是指对来自同一成像设备的不同时刻或不同角度的图像进行配准。但在实际临床应用中，单一模态的图像往往不能提供医生所需要的足够信息，通常需要将不同模态的图像融合在一起得到更丰富的信息量，从而作出准确的诊断，制订出合适的治疗方案。所谓多模态配准，是将来自不同形式的医学图像进行空间上的对准，将对应的相同解剖位置标记出来以实现图像融合和进一步后期处理。多模态图像之间的配准使用最频繁,主要应用在诊断方面,可分为解剖—解剖的配准和解剖—功能的配准两大类,前者将显示组织形态学不同方面的两幅图像混合,后者将组织的新陈代谢与它相对于解剖结构的空间位置联系起来。目前，主要的研究工作重点是进行CT、MRI以及PET、fMRI等图像的配准。 2 医学图像融合技术简介 医学图像的融合是指将两幅(或两幅以上)来自不同成像设备或不同时刻获取的已配准图像，采用某种算法，把各个图像的优点或互补性有机结合起来，获得信息量更为丰富的新图像的技术。医学诊断往往要综合许多不同信息进行，传统的方法是，临床医生利用灯箱分别观看这些胶片，综合对比，得到结果。如果能够把这些互补信息以某种方式综合在一起作为一个整体作为医学诊断的依据，使得临床医生只要在一张综合图像上就能看到不同原始图像的信息，那么就能提供全方位的信息细节。 3 医学图像配准及融合的关系及意义 医学图像的配准和融合有着非常密切的关系，特别是对于多模态图像而言，配准和融合是密不可分的。配准是融合的前提，也是决定图像融合技术发展的关键技术，若事先不对待融合图像进行空间上的对准，那么融合后的图像也是毫无意义的。融合是配准的目的，通过来自不同影像设备的图像融合，可以得到更多的信息，提高影像数据的利用率。在多模态医学图像信息融合中，是要把相对应的组织结构融合在一起，而待融合的图像往往来自不同的成像设备，它们的成像方位、角度和分辨率等因素都是不同的，所以这些图像中相应组织的位置、大小等都是有差异的，必须先进行配准处理，才能实现准确地融合。
医学图像配准技术 A Survey of Medical Image Registration 张剑戈综述，潘家普审校 （上海第二医科大学生物医学工程教研室，上海 200025） 利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。 图像配准算法 可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。 基于特征的配准算法 这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士 1. 外部特征 在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于1.5mm，角度误差小于3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。 2. 内部特征 从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。Hill DL[4]用11个形态点对脑部配准，误差<1mm，方差为1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重(weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。 表面匹配算法也利用了内部特征[8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使2D/3D图像配准简化为2D曲线和3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法[9]，从头部的3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。 3. 在非刚体配准中的应用 进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是3D轮廓线，使待配准图像
图像融合的研究背景和研究意义 1概述 2 图像融合的研究背景和研究意义 3图像融合的层次 像素级图像融合 特征级图像融合 决策级图像融合 4 彩色图像融合的意义 1概述 随着现代信息技术的发展，图像的获取己从最初单一可见光传感器发展到现在的雷达、高光谱、多光谱红外等多种不同传感器，相应获取的图像数据量也急剧增加。由于成像原理不同和技术条件的限制，任何一个单一图像数据都不能全面反应目标对象的特性，具有一定的应用范围和局限性。而图像融合技术是将多种不同特性的图像数据结合起来，相互取长补短便可以发挥各自的优势，弥补各自的不足，有可能更全面的反映目标特性，提供更强的信息解译能力和可靠的分析结果。图像融合不仅扩大了各图像数据源的应用范围，而且提高了分析精度、应用效果和使用价值，成为信息领域的一个重要的方向。图像配准是图像融合的重要前提和基础，其误差的大小直接影响图像融合结果的有效性。 作为数据融合技术的一个重要分支，图像融合所具有的改善图像质量、提高几何配准精度、生成三维立体效果、实现实时或准实时动态监测、克服目标提取与识别中图像数据的不完整性等优点，使得图像融合在遥感观测、智能控制、无损检测、智能机器人、医学影像(2D和3D)、制造业等领域得到广泛的应用，成为当前重要的信息处理技术，迅速发展的军事、医学、自然资源勘探、环境和土地、海洋资源利用管理、地形地貌分析、生物学等领域的应用需求更有力地刺激了图像融合技术的发展。 2 图像融合的研究背景和研究意义 Pohl和Genderen对图像融合做了如下定义：图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像。它的主要思想是采用一定的算法，把
医学图像融合技术及使用 1医学图像融合技术 1.1图像融合的内涵图像融合是指将多源图像传感器所采集到的关于同一目标的图像经过一定的图像处理,提取各自的有用信息,最后综合 成同一图像以供观察或进一步处理。从信息论的角度讲,融合后的图像将比组成它的各个子图像具有更优越的性能,综合整体信息大于各部分信息之和,也就是说,融合的结果应该比任何一个输入信息源包含更多 的有用信息,即1+1>2,这就是图像信息的融合2。 1.2医学图像融合的分类一个完整的医学图像融合系统应该是各种成像设备、处理设备与融合软件的总和。因为融合图像的应用目的不同,决定了医学图像融合具有各种各样的形式。根据被融合图像成像方式 不同,可分为同类方式融合和交互方式融合。同类方式融合(也称单模 融合,mono2mo2dality)是指相同成像方式的图像融合,如SPECT图像间融合,MR图像间融合等;交互方式融合(也成多模融合,multi2mo2dality)是指不同成像方式的图像融合,如SPECT与MR图像融合,PET与CT图像融合等。按融合对象不同,可分为单样本时间融合、单样本空间融合以及模板融合。单样本时间融合：跟踪某一病人在一段时间内对同一脏 器所做的同种检查图像实行融合,可用于对比以跟踪病情发展和确定该检查对该疾病的特异性;单样本空间融合：将某个病人在同一时间内(临床上将一周左右的时间视为同时)对同一脏器所做几种检查的图像 实行融合,有助于综合利用多种信息,对病情做出更确切的诊断;模板融合：是将病人的检查图像与电子图谱或模板图像实行融合,有助于研究某些疾病的诊断标准。另外,还能够将图像融合分为短期图像融合(如 跟踪肿瘤的发展情况时在1~3个月内做的检查图像实行融合)与长期图像融合(如治疗效果评估时实行的治疗后2~3年的图像与治疗后当时的图像实行融合)。综上所述,依据不同的分类原则,医学图像融合有多种方式,在实际应用中,临床医师还能够根据各种不同的诊断与治疗目的 持续设计出更多的融合方式。
信息论大作业 基于互信息的图像配准 班级：金融101 学号：2009302311 姓名：魏泉
1. 引言 随着医学、计算机技术及生物工程技术的发展，医学影像学为临床诊断提供了多种模态的医学图像，不同的医学图像提供了相关脏器的不同信息：CT(Computed Tomography ，电子计算机X 射线断层扫描)和MRI(Magneticresona nce ima ging ，核磁共振成像)以较高的空间分辨率提供了脏器的解剖结构信息。在实际临床应用中，单一模态的图像往往不能提供医生所需要的足够的信息，通常需要将不同模态的图像融合在一起，得到更丰富的信息，以便了解病变组织或器官的综合信息，从而做出准确的诊断或制订出合适的治疗方案。而图像配准是图像融合的重要前提，图像配准是指对一幅图像进行一定的几何变换而映射到另一幅图像中，使得两幅图像中的相关点达到空间上的一致。图像配准主要有两大类方法，基于灰度的方法和基于特征的方法。基于灰度的配准方法直接利用图像的灰度数据进行配准，从而避免了因分割而带来的误差，因而具有精度较高、鲁棒性强、不需要预处理而能实现自动配准的特点。在基于灰度的配准方法中，基于互信息的方法包括互信息和归一化互信息方法，它们已经被广泛使用并具有最高的精度。本文使用的是基于互信息的配准方法。 2. 图像配准技术 2.1图像配准技术的数学定义 数字图像可以用一个二维矩阵来表示，如果用 ),(1 y x I 、),(2y x I 分别表示待配准图像和参考图像在点(x,y)处的灰度值，那么图 像I 1、I 2的配准关系可表示为： ))),(((),(12 y x f g y x I I = （1） 其中f 代表二维的空间几何变换函数；g 表示一维的灰度变换函数。 配准的主要任务是寻找最佳的空间变换关系f 与灰度变换关系g ，使两幅图像实现最佳对准。其中，空间几何变换是灰度变换的前提，是实现精准配准的关键环节。 2.2几何变换 空间变换主要解决图像平面上像素的重新定位问题，式(1)中的空间几何变换函数f 可用空间变换模型进行描述，常用的空间变换模型有刚体变换、仿射变换、投影变换和非线性变换。刚体变换使得一幅图像中任意两点间的距离变换到另一幅图像中后仍然保持不变；仿射变换使得一幅图像中的直线经过变换后仍保持直线，并且平行线仍保持平行；投影变换是从三维图像到二维平面的投影；非线性变换把一条直线变换为一条曲线，一般用代数多项式来表示。仿射变换是最常用的一种空间变换形式,可以实现图像的平移、旋转、按比例缩放等操作，我们在实验中使用的是此变换模型。仿射变换可以用矩阵形式表示： 1[x 1y 1]=0[x 0y 1]T =0[x 0y 1]111221 2231 32 001t t t t t t ?? ? ? ???
医学图像融合技术及运用 1医学图像融合技术 图像融合的内涵图像融合是指将多源图像传感器所采集到的关于同一目标的图像经过一定的图像处理,提取各自的有用信息,最后综合成同一图像以供观察或进一步处理。从信息论的角度讲,融合后的图像将比组成它的各个子图像具有更优越的性能,综合整体信息大于各部分信息之和,也就是说,融合的结果应该比任何一个输入信息源包含更多的有用信息,即1+1>2,这就是图像信息的融合[2]。 医学图像融合的分类一个完整的医学图像融合系统应该是各种成像设备、处理设备与融合软件的总和。由于融合图像的应用目的不同,决定了医学图像融合具有各种各样的形式。根据被融合图像成像方式不同,可分为同类方式融合和交互方式融合。同类方式融合是指相同成像方式的图像融合,如SPECT图像间融合,MR图像间融合等;交互方
式融合是指不同成像方式的图像融合,如SPECT与MR图像融合,PET与CT图像融合等。按融合对象不同,可分为单样本时间融合、单样本空间融合以及模板融合。单样本时间融合:跟踪某一病人在一段时间内对同一脏器所做的同种检查图像进行融合,可用于对比以跟踪病情发展和确定该检查对该疾病 的特异性;单样本空间融合:将某个病人在 同一时间内对同一脏器所做几种检查的图 像进行融合,有助于综合利用多种信息,对 病情做出更确切的诊断;模板融合:是将病 人的检查图像与电子图谱或模板图像进行 融合,有助于研究某些疾病的诊断标准。另外,还可以将图像融合分为短期图像融合与长期图像融合。综上所述,依据不同的分类原则,医学图像融合有多种方式,在实际应 用中,临床医师还可以根据各种不同的诊断与治疗目的不断设计出更多的融合方式。 医学图像融合的主要技术方法与步骤 医学图像融合的过程是一个渐进的过程,不同的融合方法有各自具体的操作和处理,但是,不管应用何种技术方法,图像融合一般
ENVI下的图像融合方法 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ?HSV变换 ?Brovey变换 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ?Gram-Schmidt ?主成分（PC）变换 ?color normalized (CN)变换 ?Pan sharpening 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，；Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。 这四种方式操作基本类似，下面介绍参数相对较多的Gram-Schmidt操作过程。 （1）打开融合的两个文件。
科技的进步带动了现代医学的发展，计算机技术的广泛应用，又进一步推动了影像医学向前迈进。各类检查仪器的性能不断地提高，功能不断地完善，并且随着图像存档和传输系统(PACS)的应用，更建立了图像信息存储及传输的新的模式。而医学影像的融合，作为图像后处理技术的完善和更新，将会成为影像学领域新的研究热点，同时也将是医学影像学新的发展方向。所谓医学影像的融合，就是影像信息的融合，是信息融合技术在医学影像学领域的应用；即利用计算机技术，将各种影像学检查所得到的图像信息进行数字化综合处理，将多源数据协同应用，进行空间配准后，产生一种全新的信息影像，以获得研究对象的一致性描述，同时融合了各种检查的优势，从而达到计算机辅助诊断的目的［1，2］。本文将从医学影像融合的必要性、可行性、关键技术、临床价值及应用前景5个方面进行探讨。 1医学影像融合的必要性 1.1影像的融合是技术更新的需要随着计算机技术在医学影像学中的广泛应用，新技术逐渐替代了传统技术，图像存档和PACS的应用及远程医疗的实施，标志着在图像信息的存储及传输等技术上已经建立了新的模式。而图像后处理技术也必须同步发展，在原有的基础上不断地提高和创新，才能更好更全面地发挥影像学的优势。影像的融合将会是后处理技术的全面更新。 1.2影像的融合弥补了单项检查成像的不足目前，影像学检查手段从B超、传统X线到DSA、CR、CT、MRI、PET、SPECT等，可谓丰富多彩，各项检查都有自身的特点和优势，但在成像中又都存在着缺陷，有一定的局限性。例如：CT检查的分辨率很高，但对于密度非常接近的组织的分辨有困难，同时容易产生骨性伪影，特别是颅后窝的检查，影响诊断的准确性；MRI检查虽然对软组织有超强的显示能力，但却对骨质病变及钙化病灶显示差；如果能将同一部位的两种成像融合在一起，将会全面地反映正常的组织结构和异常改变，从而弥补了其中任何一种单项检查成像的不足。 1.3影像的融合是临床的需要影像诊断最终服务于临床治疗；先进的检查手段，清晰的图像，有助于提高诊断的准确性，而融合了各种检查优势的全新的影像将会使诊断更加明确，能够更好地辅助临床诊治疾病。2医学影像融合的可行性 2.1影像学各项检查存在着共性和互补性为影像的融合奠定了基础尽管每项检查都有不同的检查方式、成像原理及成像特征，但它们具有共同的形态学基础，都是通过影像来反映正常组织器官的形态、结构和生理功能，以及病变的解剖、病理和代谢的改变。而且，各项检查自身的缺陷和成像中的不足，都能够在其他检查中得到弥补和完善。例如：传统X线、CT检查可以弥补对骨质成像的不足；MRI检查可以弥补对软组织和脊髓成像的不足；PET、SPECT检查则可以弥补功能测定的不足。 2.2医学影像的数字化技术的应用为影像的融合提供了方法和手段现在，数字化技术已充分应用于影像的采集、存储、后处理、传输、再现等重要的技术环节。在首要环节即影像的采集中，应用了多种技术手段，包括：(1)同步采集数字信息，实时处理；(2)同步采集模拟信号，经模数转换装置转换成数字信号；(3)通过影像扫描仪和数码相机等手段，对某些传统检查如普通X线的胶片进行数字转换等；将所采集的普通影像转换成数字影像，并以数据文件的形式进行存储、传输，为进一步实施影像融合提供了先决条件。 [!--empirenews.page--] 3医学影像融合的关键技术信息融合在医学图像研究上的作用一般是通过协同效应来描述的，影像融合的实施就是实现医学图像的协同；图像数据转换、图像数据相关、图像数据库和图像数据理解是融合的关键技术。(1)图像数据转换是对来自不同采集设备的图像信息的格式转换、三维方位调整、尺度变换等，以确保多源图像的像/体素表达同样大小的实际空间区域，确保多源图像对组织脏器在空间描述上的一致性。它是影像融合的基本。(2)影像融合首先要实现相关图像的对位，也就是点到点的一一对应。而图像分辨率越高，图像细节越多，实现对位就越困难。因而，在进行高分辨率图像(如CT图像和MRI图像)的对位时，目前借助于外标记。(3)建立图像数据库用以完成典型病例、典型图像数据的存档和管理以及信息的提取。它是融合的数据支持。(4)数据理解在于综合处理和应用各种成像设备所得信息，以获得新的有助于临床诊断的信息［1］。图像融合的方法主要有4种：(1)界标配对：界标作为两种图像相对应的融合点且决定融合的
摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多
光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清
医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。 （1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。 （2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展
过程中。 （3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。 （4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分
像素级多尺度医学图像融合方法研究 医学图像融合是利用某种方法将多张不同模态的医学图像合成为一张图像 并最大限度地保留输入图像重要信息的过程,其目的是为医生提供更加准确的病灶信息,本文重点研究像素级多尺度医学图像融合方法。像素级多尺度医学图像融合方法主要包含三部分:图像分解与重构、图像融合规则和图像评价指标。 针对已有医学图像融合方法在图像分解与重构和图像融合规则两个方面的 问题,本文提出四种新的像素级多尺度医学图像融合方法。针对医学图像融合方法时间复杂度高和噪声问题,提出一种两尺度本征图像分解的MRI-PET融合方法。 该方法的主要特点在于快速的空域图像分解与重构。该方法首先利用视网膜皮层理论对MRI进行两尺度本征图像分解,并利用灰度世界理论对PET进行两尺度本征图像分解。 这种两尺度分解方法能够降低输入图像的噪声。在融合阶段,采用三种不同的方法:主元分析法、图像系数重要程度法和颜色空间变换法来得到融合图像。 实验结果表明,两尺度本征图像分解的融合方法能够恢复图像本身的信息, 从而减少图像的噪声。针对传统结构张量融合方法中图像亮度信息丢失和色彩失真的问题,提出一种三尺度结构张量的MRI-PET和MRI-SPECT融合方法。 该方法利用结构张量对图像进行空域上的分解与重构,首先利用结构张量对灰度图像MRI进行三尺度分解,然后利用彩色结构张量对伪彩色图像PET/SPECT 进行三尺度分解避免色彩失真。在融合阶段,利用绝对值最大方法来处理含有平滑信息的图像,利用空间频率法来处理含有细节、亮度信息的图像。 实验结果表明,三尺度结构张量的融合方法能够同时保留解剖医学图像MRI 和功能医学图像PET/SPECT的亮度信息。针对拉普拉斯金字塔融合方法中图像边
图像融合算法概述 摘要：详细介绍了像素级图像融合的原理,着重分析总结了目前常用的像素级图像融合的方法和质量评价标准,指出了像素级图像融合技术的最新进展,探讨了像素级图像融合技术的发展趋势。 关键词：图像融合; 多尺度变换; 评价标准 Abstract:This paper introduced the principles based on image fusion at pixel level in detail, analysed synthetically and summed up the present routine algorithm of image fusion at pixel level and evaluation criteria of its quality. It pointed out the recent development of image fusion at pixel level, and discussed the development tendency of technique of image fusion at pixel level. Key words:image fusion; multi-scale transform; evaluation criteria 1.引言： 图像融合是通过一个数学模型把来自不同传感器的多幅图像综合成一幅满足特定应用需求的图像的过程, 从而可以有效地把不同图像传感器的优点结合起来, 提高对图像信息分析和提取的能力[ 1] 。近年来, 图像融合技术广泛地应用于自动目标识别、计算机视觉、遥感、机器人、医学图像处理以及军事应用等领域。图像融合的主要目的是通过对多幅图像间冗余数据的处理来提高图像的可靠性; 通过对多幅图像间互补信息的处理来提高图像的清晰度。根据融合处理所处的阶段不同,图像融合通常可以划分为像素级、特征级和决策级。融合的层次不同, 所采用的算法、适用的范围也不相同。在融合的三个级别中, 像素级作为各级图像融合的基础, 尽可能多地保留了场景的原始信息, 提供其他融合层次所不能提供的丰富、精确、可靠的信息, 有利于图像的进一步分析、处理与理解, 进而提供最优的决策和识别性能. 2.图像融合算法概述 2.1 图像融合算法基本理论
1设计目的、意义 综合应用医学影象物理学、医学成像原理、医学图象处理、计算机编程、Matlab 语言等基础与专业知识，通过理论与实践相结合，掌握所学知识的综合应用方法，掌握图象融合的应用方法，培养和提高解决本专业实际工程问题的能力。 课程设计的主要目的： （1）培养学生文献检索的能力，特别是如何利用Internet检索需要的文献资料。（2）培养学生综合分析问题、发现问题和解决问题的能力。 （3）培养学生用maltab处理图像与数据的能力。 2 设计内容 2.1 设计要求： 要求设计出MRI与CT图像融合处理与分析程序。 (1) 处理对象：MRI与CT图像 (2) 内容：对给定图像做图像滤波、增强等预处理；选择相应配准算法进行两图像的配准；选择合理融合方法进行两图像的融合；确定评价参数，定量分析融合效果，采用Matlab编程，实现上述各过程。 (3) 结果：整理所设计资料，提交设计报告 2.2 设计内容： （1）了解医学MRI和CT图像成像原理，分析MRI和CT图像的特征，确定图像滤波、增强等预处理算法，并编程实现； （2）确定图像配准处理算法，并编程实现； （4）确定图像融合处理算法，并编程实现； （5）确定评价参数，定量分析融合效果。 2.3 实验原理 医学图像融合技术作为图像处理主要的技术已逐渐成为图像处理研究的热点,它的研究将会对未来医学影像技术进步带来深远的影响。 2.31 CT的成像基本原理
电脑断层扫描（Computed Tomography 简称(CT)）:它是用X射线照射人体，由于人体内不同的组织或器官拥有不同的密度与厚度，故其对X射线产生不同程度的衰减作用，从而形成不同组织或器官的灰阶影像对比分布图，进而以病灶的相对位置、形状和大小等改变来判断病情。CT由于有电脑的辅助运算，所以其所呈现的为断层切面且分辨率高的影像。 一般临床所提及的CT，指的是以X光为放射源所建立的断层图像，称为X光CT。事实上，任何足以造成影像，并以计算机建立断层图的系统，均可称之为CT。 CT是用X线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器（analog/digital converter）转为数字，输入计算机处理。图像形成的处理有如对选定层面分成若干个体积相同的长方体，称之为体素（voxel），见图1。扫描所得信息经计算而获得每个体素的X线衰减系数或吸收系数，再排列成矩阵，即数字矩阵（digital matrix），数字矩阵可存贮于磁盘或光盘中。经数字/模拟转换器（digital/analog converter）把数字矩阵中的每个数字转为由黑到白不等灰度的小方块，即象素（pixel），并按矩阵排列，即构成CT图像。所以，CT图像是重建图像。每个体素的X线吸收系数可以通过不同的数学方法算出。 图2.31 ct成像原理示意图 CT图像是由一定数目由黑到白不同灰度的象素按矩阵排列所构成。这些象素反映