相似性和相异性的度量 相似性和相异性是重要的概念，因为它们被许多数据挖掘技术所使用，如聚类、最近邻分类和异常检测等。在许多情况下，一旦计算出相似性或相异性，就不再需要原始数据了。这种方法可以看作将数据变换到相似性（相异性）空间，然后进行分析。 首先，我们讨论基本要素--相似性和相异性的高层定义，并讨论它们之间的联系。为方便起见，我们使用术语邻近度（proximity）表示相似性或相异性。由于两个对象之间的邻近度是两个对象对应属性之间的邻近度的函数，因此我们首先介绍如何度量仅包含一个简单属性的对象之间的邻近度，然后考虑具有多个属性的对象的邻近度度量。这包括相关和欧几里得距离度量，以及Jaccard和余弦相似性度量。前二者适用于时间序列这样的稠密数据或二维点，后二者适用于像文档这样的稀疏数据。接下来，我们考虑与邻近度度量相关的若干重要问题。本节最后简略讨论如何选择正确的邻近度度量。 1)基础 1. 定义 两个对象之间的相似度（similarity）的非正式定义是这两个对象相似程度的数值度量。因而，两个对象越相似，它们的相似度就越高。通常，相似度是非负的，并常常在0（不相似）和1（完全相似）之间取值。 两个对象之间的相异度（dissimilarity）是这两个对象差异程度的数值度量。对象越类似，它们的相异度就越低。通常，术语距离（distance）用作相异度的同义词，正如我们将介绍的，距离常常用来表示特定类型的相异度。有时，相异度在区间[0, 1]中取值，但是相异度在0和之间取值也很常见。 2. 变换 通常使用变换把相似度转换成相异度或相反，或者把邻近度变换到一个特定区间，如[0, 1]。例如，我们可能有相似度，其值域从1到10，但是我们打算使用的特定算法或软件包只能处理相异度，或只能处理[0, 1]区间的相似度。之所以在这里讨论这些问题，是因为在稍后讨论邻近度时，我们将使用这种变换。此外，这些问题相对独立于特定的邻近度度量。 通常，邻近度度量（特别是相似度）被定义为或变换到区间[0, 1]中的值。这样做的动机是使用一种适当的尺度，由邻近度的值表明两个对象之间的相似（或相异）程度。这种变换通常是比较直截了当的。例如，如果对象之间的相似度在1（一点也不相似）和10（完全相似）之间变化，则我们可以使用如下变换将它变换到[0, 1]区间：s' = (s-1)/9，其中s和s'分别是相似度的原值和新值。一般来说，相似度到[0, 1]区间的变换由如下表达式给出：s'=(s-min_s) / (max_s - min_s)，其中max_s和min_s分别是相似度的最大
图像配准定义为：对从不同传感器、不同时相、不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程[2]。图像配准需要分析各分量图像上的几何畸变，然后采用一种几何变换将图像归化到统一的坐标系统中。在配准过程中，通常取其中的一幅图像作为配准的标准，称之为参考图像；另一幅图像作为配准图像。 图1-1 图像配准的基本流程 图1-2 图像配准方法分类
根据配准使用的特征，图像配准的方法大致可分为三类： (1)基于图像灰度的配准算法。首先从参考图像中提取目标区作为配准的模板，然后用该模板在待配准图像中滑动，通过相似性度量(如相关系数法、差的平方和法、差的绝对值法、协方差法)来寻找最佳匹配点。 (2)基于图像特征的配准算法。该算法是以图像中某些显著特征(点、线、区域)为配准基元，算法过程分为两步：特征提取和特征匹配。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应匹配关系，从而实现两幅图像之间逐像素的配准。 (3)基于对图像的理解和解释的配准算法。这种配准算法不仅能自动识别相应像点，而且还可以由计算机自动识别各种目标的性质和相互关系，具有极高的可靠性和精度。这种基于理解和解释的图像配准涉及到诸如计算机视觉、模式识别、人工智能等许多领域。不仅依赖于这些领域中理论上的突破，而且有待于高速度并行处理计算机的研制。 从自动化角度来看，可以将配准过程分为自动、半自动和手动配准。 存在问题：如何提高图像的配准速度将是大范围遥感图像自动配准问题的要点；选取何种自动配准方案以保证图像的配准精度将是大范围遥感图像自动配准问题的另一要点。 2(,)[1((, f x y g f h x y 其中，h表示二维空间坐标变换。g表示灰度或辐射变换，描述因传感器类型的不同以及成像时气候等环境的影响所带来的图像灰度的变换。配准问题的实质就是要找到最优的空域变换h和灰度变换g，使得上述的等式成立，从而找到配准变换的参数 特征空间的选择通常要考虑以下几个因素：相似性；空间分布；唯一性。 在自动图像配准中对特征的理解可以分为两类。(1)基于灰度的方法：基于灰度的方法将重点放在特征匹配上，在其过程中并没有真正提取特征。一般所说的模板匹配法就是这种方法的代表。这种方法实际上将图像的灰度分布直接作为特征而构成匹配的基础。(2)基于特征的方法：基于特征的方法需要在图像中提取显著的特征：区域(森林、湖泊、农田等)、线(区域的边界、道路等)和点(区域的角
《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
机器人技术、计算机技术、图像处理技术与临床外科手 术相结合，产生了一个崭新的研究领域——计算机集成外科手术系统(Computer Integrated Surgical systems and ，。它旨在利用等图像信息并结合立technology CIS)CT/MRI 体定位系统对人体解剖结构进行术前显示、术前计划和术中定位，在外科手术中利用医用机器人和计算机进行干预。外科手术也逐渐从医院外科医生的单独工作，转移到包括工程技术人员和康复人员在内的一个工程系统，由他们组成的医疗小组共同制定手术计划、实施临床手术以及安排手术后的康复。其中医学图像几何配准是这个系统的关键技术，它 完成两个不同空间中对应于同一医学解剖特征的两点间的映射。医生能够利用配准的有用信息进行手术计划，引导手术进行。几何配准主要由个部分组成：术前模型的建立，术3中数据的获取和配准计算。如图所示。 1 图几何配准模块 1 基于的配准算法 1 ICP 配准算法最初由 ICP (Iterative Closest Point Algorithm)和Besl Mckey [1] 提出，这是一种基于轮廓特征的点配准方法。对同一解剖结构，提取医学图像的轮廓，得到术前模型},..,2,1,0,{k i x X i ==的一组点集和术中的一组点 集},..,2,1,0,{n i u U i ==U X 。其中和不必具有相同 n k ≥U i u X 数量的元素令。对集合中的一个点，集合, i u 中与的距离最短的点被称为最近点。图像几何配准就 是通过两个坐标系之间的旋转和平移，使得来自医学图像上 的同源点间距离最小。假设每对点 ),..,,(21im i i i u u u u =和 ),..,,(21im i i i x x x x =都是三m 维点＝，为了使它们配准起来，就要找到最优的旋转( 3)矩阵和平移向量，满足目标表达式 R T [2] ()2 ,min ∑ +?T Ru x i i T R 其中，是×的旋转矩阵；是×的平移矩阵。R 33 T 31为了解决这个问题，采用叠代最近点的方法：Y X Y ?X U 获得点集，，由中对距离最近的点(1) 组成； 应用四元数法(2)[3] ，得到旋转矩阵和配准(quaternions)R 向量； T 将和作用于集合； (3)R T U 决定均方差值是否小于预先估计的临界值，如不是(4)则返回到继续进行。 (1)术前建模及数据获取 2 术前模型的建立 2.1 在计算机集成外科手术系统中，全膝置换手术占很大比例，本文以股骨为例建立三维几何模型。首先采用扫描CT 得到股骨内、外结构的截面二维几何信息。然后在Pro/软件中读取这些信息，进行二维断层图像的三维 Engineer CT 重建[4] ，得到的股骨硬组织三维模型如图所示。 2基于算法的医学图像几何配准技术 ICP 李 斌1，吴 松2，王成焘1 （上海交通大学机械与动力工程学院，上海；上海交通大学研究生院，上海） 1. 200030 2. 200030摘 要：几何配准是医学图像领域研究的重要内容，医学图像几何配准的目标就是建立术前和术中两组点的变换关系。该文利用股骨为模型，讨论了基于轮廓特征的医学图像几何配准算法，从技术上实现了术前建模和术中取点，并编制相应的算法程序。ICP ICP 关键词：几何配准；医学图像；算法 ICP Technique for Medical Image Geometrical Registration Based on ICP Algorithm LI Bin 1，WU Song 2，WANG Chengtao 1 ； (1.College of Mechanical Engineering, Shanghai Jiaotong Univ.,Shanghai 200030 2. Graduate School,Shanghai Jiaotong Univ., Shanghai 200030)【】Abstract Geometrical registration is an important research field in medical image. The goal of medical image registration is to establish a common reference frame between pre-surgical and intra-surgical 3-D data sets. This paper presents an ICP(iterative closest point ) algorithm based on contour ，：，feature. According to the example of femur model it realizes three parts of geometrical registration establishing pre-operative model selecting intra ，-operative data sets and programming ICP algorithm. 【】Key words ；；Geometrical registration Medical image ICP algorithm 第卷 第期2914№ Vol.29 14计 算 机 工 程Computer Engineering 年月 20038 August 2003 ?多媒体技术及应用? 中图分类号： TP391 文章编号：———10003428(2003)14 015103 文献标识码：A
1 相似度文献总结 相似度有两种基本类别： （1）客观相似度，即对象之间的相似度是对象的多维特征之间的某种函数关系，比如对象之间的欧氏距离；（2）主观相似度，即相似度是人对研究对象的认知关系，换句话说，相似度是主观认知的结果，它取决于人及其所处的环境，主观相似度符合人眼视觉需求，带有一定的模糊性[13]。 1.1 客观相似度 客观相似度可分为距离测度、相似测度、匹配测度。它们都是衡量两对象客观上的相近程度。客观相似度满足下面的公理，假设对象 A 与B 的相似度判别为(,)A B δ，有: (1) 自相似度是一个常量：所有对象的自相似度是一个常数，通常为 1，即 (,)(,)1A A B B δδ== (2) 极大性：所有对象的自相似度均大于它与其他对象间的相似度，即 (,)(,)(,)(,)A B A A A B B B δδδδ≤≤和。 (3) 对称性：两个对象间的相似度是对称的，即(,)(,)A B B A δδ=。 (4) 唯一性：(,)1A B δ=，当且仅当A B =。 1.1.1 距离测度 这类测度以两个矢量矢端的距离为基础，因此距离测度值是两矢量各相应分量之差的函数。设{}{}'' 1212,,,,,,,n n x x x x y y y y == 表示两个矢量，计算二者之间距离测度的具体方式有多种，最常用的有： 1.1.1.1 欧氏距离：Euclidean Distance-based Similarity 最初用于计算欧几里德空间中两个点的距离，假设 x ，y 是 n 维空间的两个点，它们之间的欧几里德距离是： 1/221(,)()n i i i d x y x y x y =??=-=-????∑（1.1）
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
一、填空与选择填空（本题答案写在此试卷上，30分） 1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择 和模式分类。 2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。 3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。 （1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法 4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。 （1）距离测度（2）模糊测度（3）相似测度（4）匹配测度 5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。 （1）（2） (3) (4) 6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。 （1）二维空间（2）一维空间（3）N-1维空间 7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。 （1）感知器算法（2）H-K算法（3）积累位势函数法 8、下列四元组中满足文法定义的有（1）（2）（4）。 （1）({A, B}, {0, 1}, {A→01, A→ 0A1 , A→ 1A0 , B→BA , B→ 0}, A) （2）({A}, {0, 1}, {A→0, A→ 0A}, A) （3）({S}, {a, b}, {S → 00S, S → 11S, S → 00, S → 11}, S) （4）({A}, {0, 1}, {A→01, A→ 0A1, A→ 1A0}, A) 9、影响层次聚类算法结果的主要因素有（计算模式距离的测度、（聚类准则、类间距离门限、预定的 类别数目））。 10、欧式距离具有（ 1、2 ）；马式距离具有（1、2、3、4 ）。 （1）平移不变性（2）旋转不变性（3）尺度缩放不变性（4）不受量纲影响的特性 11、线性判别函数的正负和数值大小的几何意义是（正（负）表示样本点位于判别界面法向量指向的 正（负）半空间中；绝对值正比于样本点到判别界面的距离。）。 12、感知器算法1。 （1）只适用于线性可分的情况；（2）线性可分、不可分都适用。
图像配准的方法 迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准 研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围 的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位 系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其 所采用的算法称之为图像相关等等。 图像配准的方式可以概括为相对配准和绝对配准两种：相对配准是指选择 多图像中的一张图像作为参考图像，将其它的相关图像与之配准，其坐标系统 是任意的。绝对配准是指先定义一个控制网格，所有的图像相对于这个网格来 进行配准，也就是分别完成各分量图像的几何校正来实现坐标系的统一。本文 主要研究大幅面多图像的相对配准，因此如何确定多图像之间的配准函数映射 关系是图像配准的关键。通常通过一个适当的多项式来拟合两图像之间的平移、旋转和仿射变换，由此将图像配准函数映射关系转化为如何确定多项式的系数，最终转化为如何确定配准控制点(RCP)。目前，根据如何确定RCP的方法和图像配准中利用的图像信息区别可将图像配准方法分为三个主要类别：基于灰度信 息法、变换域法和基于特征法[25]，其中基于特征法又可以根据所用的特征属 性的不同而细分为若干类别。以下将根据这一分类原则来讨论目前已经报道的 各种图像配准方法和原理。 1基于灰度信息的图像配准方法 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而 是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是 实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变 换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多 基于灰度信息的图像配准方法，大致可以分为三类：互相关法(也称模板匹配法)、序贯相似度检测匹配法、交互信息法。 (1)互相关法
图像匹配的主要方法分析 在我国的图像处理中，有很多的关键技术正在不断的发展和创新之中。这些相关技术的发展在很大程度上推动了我国图像处理事业的发展。作为图像处理过程中的关键技术，图像匹配技术正在受到越来越多的关注。文章针对图像匹配的主要方法进行详细的论述，希望通过文章的阐述和分析能够为我国的图像匹配技术的发展和创新贡献微薄力量，同时也为我国图像处理技术的发展贡献力量。 标签：图像处理；图像匹配；特征匹配；方法 在我国的图像处理技术中，图像的匹配技术不仅仅是其中的重要组成部分，同时还是很多图像技术的发展创新的技术基础。例如图像技术中的立体视觉技术；图像技术中的运动分析技术以及图像技术中的数据融合技术等。通过上述内容可以看出，在我国的图像技术中，图像匹配技术具有非常广泛的应用。随着我国的相关技术不断的创新和发展，对于图像匹配技术的要求也是越来越高。这样就要求我国的图像匹配技术有更深层次的研究和发展。我国现阶段的研究主要是针对图像匹配过程中的匹配算法进行研究，希望借助研究能够更加有效的提升在实际的工作应用中的图像质量，同时也能够在很大程度上提升图像处理的图像分别率。文章的主要陈述点是通过图像匹配技术的具体方法进行优点和缺点的分析，通过分析优点和缺点来论述我国图像处理技术中的图像匹配技术的发展方向以及改进措施。近些年出现了很多的图像匹配方法，针对现阶段的新方法以及新的研究思路我们在实际的应用过程中要有一个非常清醒的选择。文章针对这一问题主要有三个内容的阐述。第一个是图像匹配技术的算法融合；第二个是图像匹配技术中的局部特征算法；最后一个是图像匹配技术中的模型匹配具体算法。 1 现阶段在世界范围内较为经典的图像匹配技术的算法 关于现阶段在世界范围内的较为经典的图像匹配技术的算法的阐述，文章主要从两个方面进行分析。第一个方面是ABS图像匹配算法。第二个方面是归一化相互关图像匹配算法。下面进行详细的论述和分析。 （1）算法一：ABS图像匹配算法。ABS图像匹配算法最主要的原理就是要使用模板的图像以及相应的匹配图像的搜索用窗口之间的转换差别来显示两者之间的关联性。图像匹配的大小在数值上等同于模板图像的窗口滑动顺序。窗口的每一次滑动都会引起模板图像的匹配计算。现阶段ABS的算法主要有三个，如下： 在选择上述三种计算方法的过程中要根据实际情况社情相应的阀值，否则会出现很高的失误率。上述的三种算法使用范围较狭窄。只使用与等待匹配的图像在模板影像的计算。 （2）算法二：归一化相互关图像匹配算法。归一化相互关的图像匹配算法在现阶段是较为经典的算法。通常专业的称法为NC算法。此计算方法主要是采
图像配准算法阅读笔记 一．图像配准的基本概念 图像配准主要包括四个方面：特征空间、搜索空间、相似性度量和搜索策略。 1.1特征空间 特征空间指参考图像与浮动图像中可用于配准的特征。特征空间包括：图像的灰度值、点、边缘、曲线、曲面、不变矩等。 1.2搜索空间 搜索空间指在配准过程中对图像进行变换的范围及变换方式。 变换范围分为三类：全局的、局部的和位移场的。全局变换是指整幅图像的空间变换都可以用相同变换参数表示。局部变换是指在图像的不同区域可以有不同的变换参数，（通常在区域的关键点位置上进行参数变换，其他位置进行插值处理）。位移场变换是指对图像中的每一像素点独立地进行参数变换，通常使用一个连续函数来实现优化和约束。 变换方式分为两种形式：线性变换和非线性变换。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)。非线性变换一般使用多项式函数，如二次，三次函数及薄板样条函数，指数函数等表示。 1.3相似性度量 相似性度量是衡量每次变换结果优劣的准则，用来对变换结果进行评估，为搜索策略提供下一步动作提供依据。通常配准算法的抗干扰能力是由特征提取与相似性度量共同决定的。 常用的相似性度量有：互信息、归一化互信息、联合熵、相关性、欧式距离、梯度互相关等。 1.4搜索策略 搜索策略指在搜索空间中找到最优配准参数的方法。 常用的搜索策略有：黄金分割法、Brent法、抛物线法、三次插值法、Powell法、遗传算法、蚁群算法、牛顿法、梯度下降法等。其他降低计算量的算法包括先粗配，后精配。
function [TR, TT] = icp(model,data,max_iter,min_iter,fitting,thres,init_flag,tes_flag,refpn t) % ICP Iterative Closest Point Algorithm. Takes use of % Delaunay tesselation of points in model. % % Ordinary usage: % % [R, T] = icp(model,data) % % ICP fit points in data to the points in model. % Fit with respect to minimize the sum of square % errors with the closest model points and data points. % % INPUT: % % model - matrix with model points, [Pm_1 Pm_2 ... Pm_nmod] % data - matrix with data points, [Pd_1 Pd_2 ... Pd_ndat] % % OUTPUT: % % R - rotation matrix and % T - translation vector accordingly so % % newdata = R*data + T . % % newdata are transformed data points to fit model % % % Special usage: % % icp(model) or icp(model,tes_flag) % % ICP creates a Delaunay tessellation of points in % model and save it as global variable Tes. ICP also % saves two global variables ir and jc for tes_flag=1 (default) or % Tesind and Tesver for tes_flag=2, which % makes it easy to find in the tesselation. To use the global variables % in icp, put tes_flag to 0. % % % Other usage: % % [R, T] = icp(model,data,max_iter,min_iter,... % fitting,thres,init_flag,tes_flag) % % INPUT: % % max_iter - maximum number of iterations. Default=104 % % min_iter - minimum number of iterations. Default=4 % % fitting - =2 Fit with respect to minimize the sum of square errors. (default) % alt. =[2,w], where w is a weight vector corresponding to data. % w is a vector of same length as data.
第２５卷 第９期 ２０１７年９月 光学精密工程 Optics and Precision Engineering Vol ．２５ No ．９ Sep ．２０１７ 收稿日期：２０１７-０３-０６；修订日期：２０１７-０５-２８． 基金项目：国家自然科学基金资助项目（No ．８１６７１８４８，No ．８１３７１６３５）；山东省重点研发计划资助项目（No ： ２０１６GGX １０１０１７）文章编号 １００４-９２４X （２０１７）０９-２４６９-１４ 基于图像特征和光流场的非刚性图像配准 纪慧中，贾大宇，董恩清*，薛 鹏，唐振超 （山东大学（威海）机电与信息工程学院，山东威海２６４２００） 摘要：考虑传统非刚性图像配准方法无法同时满足配准精度和配准时间要求，综合图像的特征和灰度信息，提出了几种改进的非刚性图像配准方法：基于圆形描述子特征的非刚性配准方法（Circle Descriptor Feature ，CDF ），基于动态驱动力Demons 的非刚性配准方法（Dynamic Driving Force Demons ，DDFD ），和基于图像特征和光流场的非刚性配准方法。CDF 方法通过提取图像的特征点，采用圆形描述子代替传统方法的正方形描述子来保证图像的旋转不变性，提高配准 速度；DDFD 方法通过引入驱动力系数动态改变驱动力，有效地解决了传统方法配准时间和配准精度低的问题；基于图像特征和光流场的非刚性配准方法则首先提取浮动图像和参考图像的特征点，然后利用提取的特征点进行粗配准（特征级配准），再采用基于光流场的方法进行精细配准（像素级配准），最终实现配准精度和配准时间的兼顾。对checkboard 测试图像、自然图像、脑部M R 图像、肝部CT 图像进行了实验测试，结果表明，本文方法在配准时间、配准精度及对大形变图像的适应性方面均优于传统尺度不变特征转换（SIFT ）、加速鲁棒特征（SURF ）、Demons 、Active Demons 和全变差正则项-L １范数项（T V -L １）等方法。 关 键 词：图像配准；非刚性配准；特征提取；光流场模型；圆形描述子 中图分类号：T P ３９１．４ 文献标识码：A doi ：１０．３７８８／OPE ．２０１７２５０９．２４６９Non -rigid registrations based on image characteristics and optical flows JI Hui -zhong ，JIA Da -y u ，DONG En -q ing *，XU E Peng ，T ANG Zhen -chao （School o f Mechanical ，Electrical &In f ormation En g ineering ， Shandon g Universit y ，W eihai ２６４２００，China ） *Corres p onding author ，E -mail ：en q dong ＠sdu ．edu ．cn Abstract ：As the non -rigid image registration methods can not meet the requirements of registration accuracy and registration time simultaneously ，three kinds of improved non -rigid registration methods are proposed based on image characteristics and image gray ．T hese non -rigid registration methods were based on the Circle Descripto increases Feature （CDF ），Dynamic Driving Force Demons （DDFD ）and image characteristics and optical flow ，respectively ．In CDF method ，feature points were extracted from the images ，and the circle descriptor is used in the method instead of square descriptor in classical methods ，by w hich the rotation invariance was maintained and the speed of the registration was increased ．In DDFD method ，the driving force was changed by introducing the driving force coefficient ，so that the registration time and registration accuracy were improved effectively ．In registration methods based on image characteristics and optical flow ，the feature points were extracted 万方数据
杭州电子科技大学 毕业设计（论文）文献综述 毕业设计题目SIFT特征研究及应用 文献综述题目图像配准算法综述学院生命信息及仪器工程学院 专业电子信息技术及仪器 姓名 班级 学号 指导教师
图像配准算法综述 一．前言 图像配准是指找出场景中同一物体表面的结构点在不同图像上的投影像素点之间的对应关系，是图像信息处理领域中一项非常重要的技术，同时也是其它一些图像分析技术，如立体视觉、运动分析、数据融合等的基础。 目前图像配准广泛应用于虚拟现实、视频压缩、图像复原、图像数据库检索等技术中。图像配准的研究是计算机视觉中最困难也是最重要的任务之一。不同的图像配准方法总是对应于某种适用的图像变换模型，其核心问题是提高配准的速度、精度和算法的稳健度。 随着科学技术的发展现在约40%的机器视觉应用中都会使用图像匹配技术，所涉及的领域有：工业检测，导弹的地形匹配，光学和雷达的图像跟踪，交通管理，工业流水线的自动监控、工业仪表的自动监控，医疗诊断，资源分析，气象预报，文字识别以及图像检索等。 图像匹配研究按其处理步骤可以分为样本采集、样本预处理、样本分割、样本的特征提取等，并且与计算机视觉、多维信号处理和数值计算方法等紧密结合。它也是其它一些图像分析技术，如立休视觉、运动分析、数据融合等的基础。正因为其应用的广泛性，新的应用和新的要求逐步产生，使得匹配算法的研究逐步走向深入，出现了快速、稳定、鲁棒性好的匹配算法。因此，研究图像的匹配算法对于如何提高实际工程中的图像处理质量和识别精度具有非常重要的意义。 本文主要分析图像匹配常用方法的优点和不足之处，讨论了图像匹配中需要进一步研究和解决的问题。 二．图像配准算法的研究现状 图像配准是立体视觉、运动分析、数掘融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。国内外学者针对不同的图像配准应用问题进行了大量的研究工作，早在1992年英国剑桥大学的Lisa Gottesfeld Brown在文献[1]习中就总结了图像配准的主要理论及图像配准在各个领域的应用。当时他讨论的图像配准技术主要还是著眼于医学图像处理、遥感图像处理等传统应用领域。图像配准是图像镶嵌技术的核心问题。 微软研究院的Richard Szeliski在1996年SIGGRAPH上提出了基于运动模型的全景图拼接算法[7]。Szeliski采用了非线性优化的方法来最小化像素两幅图像的亮度差以确定变换参数。该方法使用了全部像素进行优化处理，所以配准精度较高，但是计算速度较慢，且稳健性不佳。 国内的赵向阳。杜立民在2004年提出了一种基于特征点匹配的图像自动拼接算法[2]，其中使用了Harris算法[3]提取角点并进行匹配。赵的算法采用了鲁棒变换估计技术，在一定程度上提高配准算法的稳健性，但是计算速度依然较慢，且无法配准重
[1] 工作。图像配准技术已经广泛的应用于计算机视觉、医学图像处理、遥感数据分析等领域。医学图像配准是医学图像处理和分析的前提和基本技术。精确的医学图像配准结果对医学影像分析和临床辅助诊断有着重要的意义。目前已经有大量的用于医学图像处理和分析的开发应用平台，其中ITK（Insight Segmentation and Registration Toolkit）主要提供了医学图像分割和配准等方面的功能[2]，VTK （Visualization Toolkit）则提供了可视化方面的功能[3,4]，用于观察结果以及进行交互显示。本文借助Qt和C++开发了基于ITK和VTK的医学图像配准软件，可用于基本的图像配准工作。 1 开发工具 ■1.1 ITK简介 ITK是六位开发者合作开发的，用于图像配准和分割的软件工具包。鉴于在开发过程中做出的杰出贡献，六位合作开发者受到美国国立卫生研究院的表彰。后来所开发的源代码被整理成为今天的ITK。ITK是开源的、面向对象的、具有大量算法的软件开发包，主要针对于医学图像领域的分割与配准问题。常用的算法包括阈值分割算法、区域生长法、基于分水岭的分割算法，以及快速匹配算法等。ITK还具有跨平台的特性，不仅支持Windows，还支持Unix和Linux 等多种平台。ITK将大量实用的图像处理算法封装起来，形成了丰富的算法库，屏蔽了程序开发的细节，简化了开发的过程，为医学图像处理领域的开发工作提供了宝贵的技术资料。但是ITK没有实现相应的图像可视化功能，因此需要与VTK结合进行应用程序的开发。本文的医学图像处理软件采用Qt开发，通过ITK进行图像配准算法上的操作，同时结合VTK实现了图像的可视化。 ■1.2 VTK简介 VTK是一个免费、开源的软件开发包，主要用于计算VTK以方便性和灵活性为主要开发原则，具有如下几个的特点：（1）具有强大的三维图形显示功能。VTK既支持基于体素的体绘制法，又保留了传统的面绘制发，从而能够在最大限度的改善可视化效果的同时，又充分利用了现有的图形库和图形加速硬件。（2）VTK的体系结构具有强大的流处理和高速缓存能力，在处理的数据非常大时，不会受内存资源限制的影响。（3）VTK能够很好的支持网络工具的应用和开发。（4）VTK具有设备无关性的特征，使得用其开发的代码具有良好的可移植性。（5）VTK中具有许多宏定义，这些宏极大的简化了编程工作，并且加强了一致的对象行为。（6）VTK具有更丰富的数据类型，具有多种数据类型的处理能力。（7）VTK具有跨平台的特性，既可以工作于Windows操作系统，又可以工作于Unix等其他操作系统，极大的方便了用户。 ■1.3 Qt简介 Qt是1991年开发的一个跨平台的、具有图形用户界面的、用于C++应用程序的开发框架。它既可以开发GUI （Graphical User Interface，图形用户界面）程序，也可以开发控制台工具、服务器等非GUI程序。Qt是面向对象的应用程序开发框架，采用组件编程，使用大量的宏定义，容易扩展。同时Qt具有跨平台、面向对象、提供大量API、支持2D/3D图形渲染，以及开发文档丰富等特性。Qt Creator是一个用于Qt开发的，轻量级跨平台集成开发环境。 2 图像配准的概念 图像配准是将不同时间、不同成像设备、不同条件下获取的两幅或者多幅图像进行匹配的一个优化过程，也就是将一幅图像上的像素点映射到另一幅图像上同源点的空间转换过程。图像配准的输入数据是两幅图像，其中一幅图像被定义为参考图像F（x，y），另一幅图像被定义为待配准图 46 | 电子制作 2019年09月