搜索
医学图像处理MedicalImageProcessing学习，学习，再学习，有事没事，去书店看看书，关于管理，金融，营销，人际交往，未来趋势等这些，你能获得很多。这个社会竞争太激烈了，你不学习，就会被淘汰。中国2008底，有一百多万大学生找不到工作。竞争这么激烈，所以，一定要认识一点，大学毕业了，不是学习结束了，而是学习刚刚开始。—《赢在中国》主要内容：1图像配准概述；2基于特征的图像配准方法；3基于模板的图像配准方法；4MATLAB图像配准；第九章图像配准*主要内容：1图像配准概述；2基于特征的图像配准方法；3基于模板的图像配准方法；4MATLAB图像配准；第九章图像配准*图像配准概述─图像配准的定义问题的提出：临床上需要对同一个病人进行多种模式（CT、MRI、PET）或者同一模式的多次成像，并同时从几幅图像获取信息，进行综合分析；前提条件：解决两幅或多幅图像对应成像空间位置的严格对齐问题，即确定同一对象在不同图像中的对应点：图像配准概述─图像配准的定义图像配准（ImageRegistration）：对一幅图像寻求一种（或一系列）空间变换，使它与另一幅图像上的对应点达到空间上的一致。这种一致是指对象上所有点（或至少所有感兴趣点）在两张已配准图像上有着相同的空间位置。各种图像配准的文献都会出现“配准、匹配、几何校正”三个词，它们的含义比较相似。图像配准概述─图像配准的定义图像配准举例：对图B寻求一种空间变换，使它与图A上的对应点达到空间上的一致。图B经空间变换后得到图C，在图A和图C中相同对象有着相同的空间位置。称图A和图C为已配准的图像，可以进行进一步的综合分析。图A图B图C图像配准概述─医学图像配准的类型同一对象（患者）的图像配准：不同对象间的图像配准：将被试的图像与典型正常人相同部位的图像或标准图谱进行对比，以确定被试者是否正常。如有异常，还要与一些疾病的典型图像对比，确定患者是否属于同类。备像来源于不同的成像设多模：待配准的两幅图准；、胸腹腔脏器的图像配图像序列的配准；、；、电镜图像序列的配准加权图像间的配准；、不同单模4fMRI32MR1图像配准概述─图像配准的常用方法基于特征的图像配准方法：先提取图像显著特征，如灰度变化明显的点、线等特征，通过特征集的映射建立两幅图像之间的空间变换关系。原则上该方法可用于配准任何模式的图像；最常用的是特征点法；基于模板的图像配准方法：在一幅图像中选取一个子图像窗口作为模板，大小通常为5×5或7×7，然后让该模板在另一幅图像中移动，通过计算相关函数来找到模板在搜索图中的坐标位置。该方法主要用于单模图象配准，特别是用于对改变较小的图像序列进行配准；主要内容：1图像配准概述；2基于特征的图像配准方法；3基于模板的图像配准方法；4MATLAB图像配准；第九章图像配准*基于特征的图像配准方法─步骤一般来说特征匹配算法可分为四步：特征提取：从两幅图像中提取灰度变化明显的点、线等特征形成特征集；特征空间映射：建立两幅图像特征集之间的空间多项式变换关系；非特征像素之间的映射：利用上述多项式变换关系对于非特征像素点进行空间变换，从而实现两幅图像之间逐像素的空间映射；灰度插值：由于空间映射得到的坐标值不一定为整数，因此需要进行灰度插值来确定这些坐标上的灰度值；基于特征的图像配准方法─空间映射设f(x’,y’)是待与图像G(x,y)配准的图像；g(x,y)是根据G大小生成一幅和G的坐标一致的空白图像；设两幅图像相同点对应的坐标之间的变换关系用下式描述：则可以从一幅图像的像素坐标算出另一幅图像对应像素的坐标。因此存在两种空间映射方法：前向映射和后向映射；),(),(21yxhyyxhx基于特征的图像配准方法─空间映射前向映射：由推出，逐点计算出f中每个像素对应于g中的坐标，然后利用灰度插值方法将f中每个像素的灰度值分配到它的4个最邻近像素上；f(x’,y’)g(x,y)),(),(21yxhyyxhx),(),(2111yxhyyxhx基于特征的图像配准方法─空间映射前向映射的缺陷：f中的一些点可能落在g图像的坐标之外；f中的多个点映射到g中的坐标可能有同样的最邻近像素，导致g中一个像素的灰度值被计算多次；f(x’,y’)g(x,y)基于特征的图像配准方法─空间映射后向映射：由，逐点计算出g中每个像素对应于f中的坐标，然后利用灰度插值方法计算出g中每个像素的灰度值；后向映射比前向映射更实用，在这种映射方式中，输出g的每一个像素灰度值都一次性由f中4相邻像素的线性插值决定。),(),(21yxhyyxhxf(x’,y’)g(x,y)基于特征的图像配准方法─空间映射常见的空间映射关系基于特征的图像配准方法─空间映射刚体变换：对象内部任意两点间的距离保持不变；刚体变换可以分解为旋转和平移：cossin),(sincos),(21yxyxhyyxyxhx旋转变换：yxtyyxhytxyxhx),(),(21平移变换：yxttyxyxcossinsincos1表示为矩阵：基于特征的图像配准方法─空间映射仿射变换：仿射变换将直线映射为直线，并保持平行性；仿射变换在刚体变换的基础上增加了尺度变换和错切变换：yxysyxhyxsyxhx),(),(21尺度变换：bxyyxhycyxyxhx),(),(21错切变换：001yxsbcsyxyx表示为矩阵：基于特征的图像配准方法─空间映射举例：假设你有2张拍摄时间相隔100年的峡谷壁的数字图像，并且你希望通过相减的处理来判断由于风化作用而产生的地貌变化。你发现一块岩石原来位于(303，467)，而现在位于(316，440)；一个树桩原来位于(298，277)，而现在位于(311，200)。问：两幅图像有没有(a)尺寸缩放(b)旋转(c)平移？若有，有多少？若要将两幅图进行相减处理，写出第二幅图像所要做的几何变换。假定两幅图像除了尺寸上的均匀缩放、旋转和平移外没有其他几何扭曲。基于特征的图像配准方法─空间映射解：由题意有g(x1,y1)=(303，467)，g(x2,y2)=(298，277)；f(x′1,y′1)=(316，440)，f(x′2,y′2)=(311，200)；270280290300310320330340350150200250300350400450500基于特征的图像配准方法─空间映射解：原题转化为求解变换矩阵：解得：yxtsctcsyxyx1yxtsctcs112004403113162774672983039978.1197918.00043.08959.500043.07918.0T基于特征的图像配准方法─空间映射通常在h1(x,y)和h2(x,y)未知的情况下，可用求对应特征点集(至少3对)的仿射变换矩阵的方法来估计h1(x,y)和h2(x,y)；在更复杂的情况下(如图像的空间变换是非线性的)，h1(x,y)和h2(x,y)可用多项式来近似：其中，式中N为多项式的次数，aij和bij为各项待定系数。10101010NiNjjiijNiNjjiijyxbyyxax基于特征的图像配准方法─灰度插值经过空间变换得到的坐标值通常不为整数，这些坐标值上的灰度值没有定义，必须通过对其邻近像素的灰度值插值来得到：常用插值方法有：最近邻像素插值、双线性插值、三次立方插值；基于特征的图像配准方法─灰度插值最近邻像素插值：在待求像素的四邻点中，将距离这点最近的邻点灰度赋给待求像素。该方法最简单，但校正后的图像有明显锯齿状，即存在灰度不连续性。f(x’,y’)g(x,y)基于特征的图像配准方法─灰度插值双线性插值：双线性插值法是对最近邻法的一种改进，即根据待求像素的四个邻近点的灰度值，分别在x和y方向上进行两次插值。最后形成的插值函数为一双曲抛物面方程：计算比最近邻点法复杂，但没有灰度不连续性的缺点，结果较令人满意。基于特征的图像配准方法─灰度插值双线性插值算法：首先，在x方向上作线性插值：(,0)(0,0)(1,0)(0,0)fxfxff基于特征的图像配准方法─灰度插值双线性插值算法：首先，在x方向上作线性插值：(,1)(0,1)(1,1)(0,1)fxfxff基于特征的图像配准方法─灰度插值双线性插值算法：然后，在y方向上作线性插值：(,)(,0)(,1)(,0)fxyfxyfxfx基于特征的图像配准方法─灰度插值双线性插值算法：最后，得到双线性插值公式：(,)(1,0)(0,0)(0,1)(0,0)(1,1)(0,0)(0,1)(1,0)(0,0)fxyffxffyffffxyf基于特征的图像配准方法─灰度插值最近邻像素插值和双线性插值比较：OriginalNearestNeighbourBilinear基于特征的图像配准方法─灰度插值举例：假设f(109，775)=113，f(109，776)=109，f(110，775)=105，f(110，776)=103，试分别用最近邻像素插值法和双线性插值法求f(109.27，775.44)，写出双线性插值变换方程f(x，y)=ax+by+cxy+d，求出各参数的值；答案：最近邻像素插值：f(109.27，775.44)＝113双线性插值：f(109.27，775.44)＝109f(x,y)=-8(x-109)-4(y-775)+2(x-109)(y-775)+113主要内容：1图像配准概述；2基于特征的图像配准方法；3基于模板的图像配准方法；4MATLAB图像配准；第九章图像配准*基于模板的图像配准方法─模板匹配模板匹配法：在一幅图像中选取一个窗口作模板T，然后将模板在另一幅图像中平移，通过相关函数的计算来找到它在搜索图中的坐标位置。模板覆盖下的那块搜索图叫做子图Si,j，(i,j)为子图的中心点在S中的坐标；模板匹配法采用使图像间相似性最大化的原理实现图像间的配准。用以下测度来衡量T和Si,j的相似程度：MmMnMmMnjiMmMnjinmTnmSnmTnmSP112112,11,)],([)],([),(),(基于模板的图像配准方法─模板匹配P值介于0和1之间。根据经验取某个阈值P0，如果PP0，则匹配成功；PP0，则匹配失败；为了加快搜索速度，可以使用金字塔图像。对图像进行一次采样率为1/n的重采样，即把图像的每n×n个像素变为一个像素，这样就得到一幅长、宽都为原来1/n的图像，把它作为金字塔的第二层。再对第二层用同样方法进行一次采样率为1/n的重采样，又得到第三层（顶层）。原始影像作为金字塔影像的底层。基于模板的图像配准方法─模板匹配金字塔图像匹配步骤：第一步：顶层的匹配，得到一个平移初始值。第二步：根据平移初始值乘以n得到第二层平移量初始值，在它m×m个像元的邻域内进行模板匹配。第三步：根据第二层匹配值乘以n得到第三层平移量初始值，再进行一次模板匹配。如果图像尺寸不是特别大，可以只用两层金字塔。基于模板的图像配准方法─模板匹配相关测度举例：主要内容：1图像配准概述；2基于特征的图像配准方法；3基于模板的图像配准方法；4MATLAB图像配准；第九章图像配准*MATLAB图像配准─图像的空间变换创建空间变换结构maketform()语法：tform=maketform(type,parameters)说明：第一个输入变量type可以取’affine’、’projective’等，用于