基于点配准的精度验证及改进

1、本科毕业设计(论文)题目本科毕业设计(论文)FINAL PROJECT/THESIS OF UNDERGRADUATE(2016届)基于点配准的精度验证及改进Progress verification and improvement based on point registration学院工程科技学院专业医学影像技术学生姓名陆嘉磊学号1427059210指导教师王远军 副教授完成日期2016年5月基于点配准的精度验证及改进承诺书本人郑重承诺：所呈交的毕业论文“基于点配准的精度验证及改进”是在导师的指导下，严格按照学校和学院的有关规定由本人独立完成。文中所引用的观点和参考资料均已标注并加以注释

2、。论文研究过程中不存在抄袭他人研究成果和伪造相关数据等行为。如若出现任何侵犯他人知识产权等问题，本人愿意承担相关法律责任。承诺人(签名)：_日期： 年 月 日摘 要所谓图像配准就是将不同条件下获取的两幅或多幅图像进行首先进行叠加，然后进行匹配，目的是消除图像之间的差距。首先对两幅或以上的图像根据图像的某方面特征进行提取得到具有这些特征的点，我们把所有具有这种特征的点称为特征点；再通过进行相似性度量找到其他图像上匹配的特征点对；然后通过对图像需求的分析并匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准。而特征提取算法是配准技术中的关键，一种快速而准确的特征提取算法可以为特征

3、匹配的成功进行提供了保障。因此，找到一种合适的的图像特征提取方法，对于匹配精度至关重要。在医学图像方面，医学图像配准是指对于医学图像寻求一种空间变换,使它和另一幅医学图像上的对应点取得空间上的一致。这种一致是指图像上的同一解剖点在两张需要匹配图像上有相同空间位置。配准的结果需使两幅图像上所有解剖点或至少是所有有诊断意义的点及手术感兴趣点都达到匹配。对于配准方法精度的验证对于图像配准来说是必不可少的一个部分。图像配准方法基本可以分为三种：基于灰度的图像配准方法、基于变换域的图像配准方法和基于特征的图像配准方法。本文就是针对这些配准方法的的精度验证及改进的介绍。关键词：医学图像 图像配准 精度验证

4、 方法改进ABSTRACTThe image registration is overlying two or more images under different conditions. At first, feature points are extracted from the features of two or more images . Then, the feature points are extracted. The feature points of the other image matching are found by the similarity measure,

5、 and the image space transformation parameters are obtained by analyzing the requirement of the image and matching the feature points. Finally, the image registration is performed by the transformation parameters. Feature extraction is the key to the registration technology, and the feature extracti

6、on is the guarantee for the successful feature matching. Therefore, it is very important to find a feature extraction method with good stability and accuracy. It has been widely used in the field of target detection, model reconstruction, motion estimation, feature matching, tumor detection,lesion l

7、ocation, angiography, geological prospecting, aviation reconnaissance and so on.In medical imaging, medical image registration is to find a series of space transformation of medical image , which consistent with the corresponding point on the other medical images to achieve the same domain. This agr

8、eement is that the same anatomical points on the human body have the same spatial location on the two matched images. The results of the registration should make all of the two images, or at least all of the point which have diagnostic significance and interested are to achieve the matching.Verifica

9、tion of the accuracy of the registration method is an essential part of image registration. The method of image registration can be divided into three types: image registration method based on gray level,image registration method based on transform domain and feature based image registration method.

10、 This paper is introduce to verify the accuracy of these methods and the improvement.KEY WORDS: Medical image Image registration Accuracy verification Method improvement 目 录承诺书摘 要ABSTRACT第1章 绪论11.1 研究意义11.2 发展过程1第2章 基于点配准的方法52.1 配准的概念52.2 特征点62.3 主要参数72.3.1 图像的特征点提取72.3.2 多模态图像72.3.3 精度影响因素82.4 特征点配

11、准的实现方法9第3章 配准程序113.1 配准原理113.2 试验环境123.3 程序实现13第4章 实验与结论174.1 配准精度验证174.2 实验结论19参考文献21致 谢23附 录251基于点配准的精度验证及改进第1章 绪论1.1 研究意义 图像是人类观察世界的重要手段之一，这是由于图像所具有直观、生动、信息量大等特点，它成为人类获取信息，感知世界，进而改造世界的一种重要手段。最早的数字图像配准技术诞生于八十年代，随着现代科技的迅猛发展，图像的保存方式有传统的胶片、底片发展到现在的数字化保存方式，图像技术的发展迅速而且应用广泛。随着信息化的发展，图像配准技术在当今的越来越多方面上被使用

12、到，例如在医学的临床诊断上可以用来做诊断依据，在遥感领域可以进行地图上的测距，在地图绘制上可以用来做定位。并且在我们日常生活中图像配准技术也体现出自己的应用价值，例如我们经常使用的相机中的拼接功能就用到配准技术，跟老式相机的光学配准相比，在操作、成本、精度、处理条件等方面的优势都是比后者领先很多的。虽然现今已有部分图像配准算法满足了使用的要求，但由于采集图像的方法和配准算法的多变性态和多样性，要在一些实用场合使用，图像配准技术仍要进行更深入的研究。 近年来，一些大型的国际医疗方面的技术公司都已经为此的专门成立了图像配准方面的小组。不仅如此许多科技公司和一些学生都对该技术的发展也相当关注，关于图

13、像配准方面发表的论文数量逐年呈现上升趋势，这些都说明了图像配准技术的研究在理论和实践方而都具有相当高的研究的价值。 其中医学图像配准的发展在这几年来尤其迅速，从20 世纪以来，各种医学影像成像设备迅速地崛起，目前主要的医学影像成像设备有：X射线、超声、数字减影血管造影、计算机断层成像、电光子发射断层成像、磁共振成像、正电子发射型计算机断层显像、脑电图和脑磁。根据医学图像所提供的信息内容，可将这些图像分为解剖结构图像和组织功能图像两大类。这些图像各有各的特点，CT对骨组织有极高的分辨率，MR 对软组织的成像效果好1，PET 能提供人体的功能信息。临床诊断中，医生往往需要结合不同模态的成像，了解各

14、种图像的综合信息才能做出准确地诊断并制定治疗方案。 图像配准是指将同一场景的不同图像“对齐”或进行广义的匹配，以消除存在的几何畸变。对同一对象使用一种或多种的采集设备，在不同情况下取得的两幅或多附的图像一般都会存在差异。同一场景的多次成像的差别可以表现在:、位置的不同、分辨率的不同、非线性变形、尺度的不同等等。由多种成像设备或条件下产生的图像会有不同的灰度、不同的分辨率等等差异。这里图像配准的主要目的是消除几何上的差异。他作为医学图像融合的关键步骤，已经成为研究医学图像处理领域的研究热点。1.2 发展过程 在过去的20年里，从最初的图像配准的方法到现在的配准方法有了很大进展，在最初布朗以“A

15、survey of image registration”一文概述了传统图像配准的内容分。后齐托娃于"Image registration methods: a survey"一文又指导了之后图像配准领域的相关发展方向。 图像配准方法主要有包含四个过程，既特征检测、特征匹配、变换模型估计与图像重采样和变换。图像配准方法依靠图像处理的空间域区分的准则，可以分为:时域与频域方法。 在基于特征的图像配准方法中，李辉等人使用基于轮廓的提取方法。同时弗朗西斯科等人则通过提取典型海岸线轮廓达到了有配准多种设备的遥感图像的目的2。 近20年来也出现了许多评价图像配准性能的评价准则。但由于

16、需要配准的多幅图像基本上都是在不同条件下获取的，所以没有绝对的配准问题，既不存在什么最好的方法，只有相对的最优配准。在此意义上，最优配准与配准的目的有关。 基于图像特征的配准算法。它根据图像中某些具有特征的点集作为配准对象，这种配准算法过程分为两步:特征提取和特征匹配。第一步，从图像中具有特征的点、线、区域等提取为特征的集合。第二步，在图像中所提取的对应的特征点集中利用某种算法将它们的的特征对应关系确定出来。现代所使用的配准算法不但可以自动识别相应像点，而且还可以由计算机自动识别目标的性质与相互关系，其有极高的可靠性和精度。 这种基于理解和解释的图像配准广泛的涉及到诸如计算机视觉、人工智能、模

17、式识别、遥感测距等许多领域。这种图像配准技术的发展不仅依赖于这些领域中理论上的突破，而且需要依靠高速度并行处理计算机的研制。 通过对各类图像配准方法的研究分析，我们可以看到要使用哪种图像配准方法很大程度上是取决于于图像本身的。也就是说，通过组合不同的图像配准方法可以适用于各种图像配准问题，而对不同类型的图像也是各不相同的。因此，目前的图像配准方法研究的两个重要的目标:一是提高图像配准算法的有效性、准确性和快速性:另一方面也力求能扩展其应用领域，例外，对于算法的评价也是多方面的，如算法运行速度速度、自动化程度、配准结果的准确性等。遗憾的现在仍没有一种方法能够在各个方而都达到理想目标，这让得我们需

18、要在准确度、速度、人工干预等方面进行权衡，使配准后的图像质量达到要求。 现代数字图像配准技术多年来的发展的过程中还存在着一些问题: （1）算法复杂度:现在多数的配准算法计算复杂度比较高,限制了其发展。基于快速傅里叶变换等方法为了保证其算法的准确性都不可避免的增加了其复杂程度。我们当前的目标就是在保证精度的情况下，尽可能的减少算法的复杂程度。 （2）配准精度:配准精度一直是图像配准技术的一大难关，现在有许多的算法精度已经可以达到亚像素级，但是要进一步达到1/10, 1/100像素级就比较困难了，再加上处理过程中会发生的一些变化，更进一步的增加了它的难度。 （3）鲁棒性:所获得的图像不可避免的会有

19、噪声的存在。而图像中的噪声会使特征点的提取难度增加，我们应当尽量的避免角点错误的情况发生。因此，配准算法的鲁棒性也是我们需要攻克的难关。尽管已经有许多的学者对以上问题都提出各自的解决方案，但是直到目前为止，用一种算法来同时满足以上三点基本是不可能的，因而这些领域也成为未来数字图像配准技术的重点研究方向。在研究过程中我们需要关注好这三方面的问题，以便开发出适合现实应用的最合理的算法3。17第2章 基于点配准的方法2.1 配准的概念图像配准可以理解为寻求一种对应关系使一幅图像到另一幅图像的对应点空间中的排列保持一致。 假设用A和B来分别表示源图像和目标图像，A(x, y)和 B (x, y)分别表

20、示源图像和目标图像在点(x, y)处的灰度值，那么图像间的映射关系可以表示为： B (x, y) = g (A ( f ( x, y ) ) ) （2-1）其中， f 表示的是二维空间下的坐标变换；g是个一维函数，代表了成像设备因成像条件不同所对应的灰度变化。 图1.1 图像配准的过程 基于特征的图像配准大致可以分为三大类 （1）根据图像的像素值进行直接配准：充分利用图像的所有信息来高精度地区分不同对象，这种配准方式的特点是处理的信息量很大，计算复杂度高。缺陷是对图像之间的细微变化比较敏感，微小变化可以导致图像灰度值的细微变化这样对配准结果会产生较大的影响，最后导致配准失败。对于这类算法抗噪声

21、，抗干扰的能力比较差，仅适用于具有相同外界条件两幅图像之间的配准.。 （2）利用图像的物理形状特征进行配准：这种配准方法是利用图像的边缘，线条，角点等进行配准，由于不是对整个图像进行相关性计算，像素点得到明显的减少，相应的适应度也得到提高。这类算法受外界细微因素的影响变换不大，所依赖的是所提取出的特征。所以选取易于识别的特征就成为该类方法的关键，然后利用某种相似度测量来寻找两幅图像中相匹配的特征点集。 （3）使用高级特征算法进行配准：基于约束的树搜索，可以利用深度优先搜索策略，依靠解释树寻找局部一致的配准。基于多尺度特征配准，则是对图像信息引入多种级别的图象，可遵循先轮廓后细节，先宏观后微观，

22、先易于辨认的部分后较为模糊的部分的人类视觉配准规律，能够提高图像配准的可靠性7。这一方面的研究还有待于进一步的研究发展3。在图像配准中的常见变换方式：刚体变换：第一幅图像中两点之间的距离映射到第二幅图像后仍然不变，可分为平移、旋转和反转。仿射变换：过变换后的第一幅图像上的直线映射到第二副图像上仍为直线，并且保持相对平衡关系，这样的变换称为仿射变换。该变换使得直线间的平行关系不变，但由于引入了缩放参数，直线的长度和角度会有所改变。投影变换：一幅图像上的直线映射到另一幅图像上还是直线，但不再保持原来的平衡关系，则称这样的变换称为投影变换。投影变换可用高维空间上的线性或矩阵来表示。投影变换包含了平移

23、、旋转、缩放。是刚体变换和仿射变换的综合也可以说刚性变换和仿射变换是投影变换的特殊情况。非线性变换：非线性变换主要指的是在一幅图像里是直线，到另一幅直线里变换为曲线。2.2 特征点点配准中所说的点是图像中的特征点，又称兴趣点、显著点、关键点等。它既是一个点的位置标识，同时也说明它的局部邻域具有一定的模式特征或相同的特性。在定义上可以将特征点分为两类：狭义特征点和广义特征点。狭义特征点的位置本身具有常规的属性意义，比如角点、交叉点等等。而广义特征点是基于区域定义的，它本身的位置不具备特征意义，只代表满足一定特征条件的特征区域的位置。它可以是某特征区域的任一相对位置。这种特征可以不是物理意义上的特

24、征，只要满足一定的数学描述就可以，因而有时是抽象的。因此，从本质上说，广义特征点可以认为是一个抽象的特征区域，它的属性就是特征区域具备的属性。称其为点，是将其抽象为一个位置概念4。狭义特征点通常用在计算机视觉、模式识别和图像配准的问题上，而广义特征点则大多是针对图像配准的。不管是基于狭义特征点还是基于广义特征点，它们的方法是相同的，都要经过特征点检测，特征匹配（包括特征描述），根据匹配点对计算图像变换关系，最后进行图像变换和融合。特征点的选取需要满足一定的条件：较高的重复度：重复度是指在不同条件下获得的同一目标或者场景的两幅图像共有的空间中，在其中都有具有相同的特征的元素，具有相同的特征的元素

25、越多，说明重复度越高。独特性：在图像配准过程中需要做到使特征点比较容易识别，所以这些特征点都要具备独特性。局部性：为了防止由于图像获取方式不同导致的图像失真，所以图像的特征应该是局部的，而不能遍布整个图像。准确性：检测到的特征点应该在位置、尺度等方面具有很高的准确性。效率：特征检测的效率应该足够高，提高运算速度 这样才能适用于一些实时的应用中。 2.3 主要参数2.3.1 图像的特征点提取 图像的特征点提取过程就是把原始图像的数据变换成特征向量的步骤，基于图像特征点的主要优势是：（1） 图像中提取的的特征点数量要比图像的像素点数量少很多，这样就可以有效的提高在匹配过程中的速度。（2）特征点是个

26、局部的特征，它的匹配度量值对位置的变化比较敏感，因此可以大大提高匹配的精确程度。（3）特征点的提取过程中可以减少噪声的影响，对灰度、图像形变和遮挡等有较好的适应能力，提高图像质量。（4）基于特征点的图像配准方法大大改善了基于灰度配准方法的缺陷，因此在图像配准领域得到很广泛的应用10。2.3.2 多模态图像随着医学影像技术的快速发展，近几年不断涌现出了各种各样不同的医学成像设备，现在想要诊断一种疾病可能需要使用到许多类型的成像设备，于是这就产生出了一种全新的多模态图像的定义。单模态图像配准是指浮动的两幅图像是获取于同一成像设备。常使用于于不同磁共振加权图像间的配准。多模态图像配准是指需要配准的两

27、幅图像取得自不同种类的成像设备5。多种模式的医学图像为医生和研究人员提供了丰富、直观、互补的人体信息，成为诊断各种疾病的重要手段。由于不同模式的设备对人体中各组织都有不同的灵敏度和分辨率，因此有各自的适用范围和局限性。医生为了获得病人多方面的信息常常需要将同一病人的多种成像模式的图片综合起来进行分析，如在CT上观察骨组织，在MR上观察软组织;利用PET、SPECT获得功能信息，再综合CT、MR的解剖信息分析。这就是图像融合，这种把各种成像模式的图像信息融合成一种新的影像模式的图像融合技术，将同一或不同研究对象获得的相同模态或不同模态的图像在空间位齐，加工利用多元信息，使不同形式的信息互相补充，

28、最终目的是并将不同图像中的有用信息集成到一幅图像中，以便改善单一成像系统所形成的图像质量，以获取对同一场景的更为精确、更为客观、更为全面、更为可靠的图像描述6。 随着现代科技的迅速发展和新型传感器的不断涌现，人们获取图像数据的能力不断提高。由于不同物理特性的传感器所产生的图像不断增多，同一地区往往可以获得大量不同尺度、不同光谱、不同时相的多源图像数据信息。在利用多源图像信息进行数据融合、目标变化检测、目标识别等多源协同处理工作之前，必须进行多源图像配准工作，配准精度的高低直接影响到后续应用效果的好坏。所以，如何对图像进行高精度的配准一直是图像处理领域的热点与重点。2.3.3 精度影响因素 精度

29、评价：测度（metric），它是一个用于衡量配准质量的评价指标。在图像进行配准的过程中，优化器会根据测度值来判断配准过程是否达到预期要求，如果在浮动图像移动或变化的过程中，测度值变大，说明偏离预期目标，配准则会往相反方向进行，否则，就会继续按照当前的步长进行搜索。因此测度是配准算法的体现标准，决定着配准的质量。 精度提升方法：（1） 优化器（optimizier）：在配准的过程之中，优化器根据得到的测度值和设定的初始优化参数来调整配准过程7。（2）互信息度量：互信息度量多用于多模图像配准，将图像中的像素看作是某个连续随机变量的采样，利用这些离散采样估值计算出单个图像的概率密度和两幅图像的联合概

30、率密度，再求出图像的互信息。两幅图像的配准程度越高，那他们之间的相关性就越大，互信息值也越大。随着现代科技的迅速发展和新型传感器的不断涌现，人们获取图像数据的能力不断提高8。设两个随机变量（X,Y）的联合分布为P(X,Y)，边际分布分别为P(X).P(Y)，互信息I(X,Y)是联合分布P(X,Y)与乘积分布P(X)P(Y)的相对熵，即 （2-2）图2.1 H(X),H(Y)I(X,Y)（3）迭代：迭代是重复反馈过程的活动，其目的通常是为了逼近所需目标或结果。每一次对过程的重复称为一次“迭代”，而每一次迭代得到的结果会作为下一次迭代的初始值。迭代算法是用计算机解决问题的一种基本方法。它利用计算机

31、运算速度快、适合做重复性操作的特点，让计算机对一组指令（或一定步骤）进行重复执行，在每次执行这组指令（或这些步骤）时，都从变量的原值推出它的一个新值9。（4）坐标变换与插值：将输入图像做对应的参数变换，使它与参考图像处于同一个坐标系下。由于图像变换后的坐标点不一定是整数，因此，需要考虑一定的插值处理操作。常用的插值方法包括：最近邻插值、双线性插值、双三次插值、B样条插值、高斯插值。（5）配准的特征点选择：原理上图像配准的对象是图像中的点，而这些点被称作是特征点，它经过某种法则的几何变换与另一幅图像上的特征点达到空间上的一致。所以说特征点的选择很大程度上影响了图像配准的质量。对于特征点的选择应该

32、具有相同的特征，同时特征点要分布均匀，不能过度集中。同时特征点的数量要适中，如果数量太多，这会使计算速度大幅下降，太少则会导致精度下降。2.4 特征点配准的实现方法 迭代最近点算法的原理是基于最小二乘法最优化的匹配算法。在执行的时候进行反复的“确定所选取的对应点集并计算最有的刚体变换”的步骤，进行空间匹配，直到满足所预期设定的收敛条件10。 特征点配准的原理是：三维空间中存在两组含有n个坐标点的点集，分别为：L和R。三维空间点集L中各点经过三维空间变换后与点集R中点一一对应。步骤为： 1）根据点集L中的坐标，在空间中搜索相应就近点点集R； 2）计算两个点集的位置坐标，并进行点集中心化生成参考点

33、集； 3）使参考点集中对应点到点集L距离最小； 4）计算在这个过程中的旋转和平移矩阵及参数； 5）由点集L计算变化后的点集L。通过计算L与L距离的平方和，以两次L与L距离平方和差绝对值作为迭代判断阀值； 6）如果距离到达阀值，则算法就停止迭代，反之重复进行1至6步，直到满足收敛条件条件后停止迭代。本文使用的是迭代最近点（Iterative Closest Point, ICP）算法，是基于特征点的算法。该算法通过不断迭代使点集距离最近，反复此过程直到点集空间位置达到了一致，点集的空间变换参数就是在空间中图像特征点集的变化参数。迭代最近点算法可以让特征点集之间的空间距离迅速到达基本一致的位置，但

34、是仍不可避免会有一些差距，但是这种差距会收敛到某个值便不再变化。为了提高配准的精度，本文选择用ICP 算法进行初配准使图像基本配准。在此基础上使用多模态互信息法优化最近函数，这种方法取得了满意的效果，对于空间位置差异不大的医学图像稳定性很强。第3章 配准程序3.1 配准原理 本文使用的是迭代最近点匹配方式，由于它是选取图像中的特征点，所以点的选取相比于传统基于边缘和图像灰度提取的配准方法，它的计算量要更小，配准速度要更快，所以迭代最近点匹配在医学图像配准方面应用的更加广泛。尤其是在对多模图像进行配准时，图像解剖特征点会出现很大的差异，导致在选取标志点时会出现多点或者漏点的情况，出现误差。我们使

35、用互信息的的方式分析所选取的特征点消除误差，最后使用优化器对初配准的图像进行优化并多次迭代，缩小误差，最终实现快速准确的图像配准。迭代最近点匹配算法有以下优点：1）可以获得非常精确的配准效果；2）算法配准速度可以大大提高；3）可以处理三维点集、参数曲面等多种形式表达的曲面，也就是说该算法对曲 面表示方法独立： 4）不必对待处理的点集进行分割和特征提取； 5）在较好的初值情况下，可以得到很好的算法收敛性。 迭代最近点法的原理是：把图像中的具有特征性的点组成一个点集，并把点集根据某种法则对数据进行配准，并假设这些匹配点与对应点一一对应，并由这种法则得到他们的变化规律。再使用所得到的变化规律对原始数

36、据进行变换，确定新的对应关系，之后不断重复以上步骤，直到超过某个阀值，算法结束11。空间中两个点， （3-1）他们的欧式距离表示为： （3-2）点云匹配问题的目的是找到P和Q变化的矩阵R和T，对于 ，利用最小二乘法求解最优解使： （3-3）最小时的R和T。先对平移向量T进行初始的估算，具体方法是分别得到点集P和Q的中心： （3-4）    （3-5） 分别将点集P和Q平移至中心点处： （3-6） 则上述最优化目标函数可以转化为： （3-7）在初始匹配之后，所点集P中所有点做平移变化，在比较点集合P和Q的匹配度，（或迭代次数）作为算法终止的条件。具体为对点集P中每个

37、点，找Q中离他最近的点作为对应点。在某一步利用前一步得到的，求使下述函数最小的： （3-8）这里，   （3-9）3.2 试验环境这个实验需要在MATLAB平台中实现，它是集数值计算，符号运算及图形处理等强大功能于一体的科学计算语言。作为强大的科学计算平台，它几乎能够满足所有的计算需求。MATLAB软件具有很强的开放性和适用性。在保持内核不变的情况下，MATLAB可以针对不同的应用学科推出相应的工具箱。目前，MATLAB已经把工具箱延伸到了科学研究和工程应用的诸多领域，诸如数据采集、概率统计、信号处理、图像处理和物理仿真等，都在工具箱家族中有自己的一席之地。在实验中我们主要用到MAT

38、LAB提供图象处理工具箱。 MATLAB全称是Matrix Laboratory（矩阵实验室），一开始它是一种专门 用于矩阵数值计算的软件，从这一点上也可以看出，它在矩阵运算上有自己独特的特点。实际上MATLAB中的绝大多数的运算都是通过矩阵这一形式进行的。这一特点也就决定了MATLAB在处理数字图像上的独特优势。理论上讲，图像是一种二维的连续函数，然而在计算机上对图像进行数字处理的时候，首先必须对其在空间和亮度上进行数字化，这就是图像的采样和量化的过程。二维图像进行均匀采样，就可以得到一幅离散化成M×N样本的数字图像，该数字图像是一个整数阵 列，因而用矩阵来描述该数字图像是最直观最

39、简便的了。而MATLAB的长处就是处理矩阵运算，因此用MATLAB处理数字图像非常的方便。MATLAB支持五种图像类型，即索引图像、灰度图像、二值图像、RGB图像和多帧图像阵列；支持BMP、GIF、HDF、JPEG、PCX、PNG、 TIFF、XWD、CUR、ICO等图像文件格式的读，写和显示。MATLAB对图像的处理功能主要集中在它的图像处理工具箱中。图像处理工具箱是由一系列支持图像处理操作的函数组成，可以进行诸如几何操作、线性滤波和滤波器设计、图像变换、图像分析与图像增强、二值图像操作以及形态学处理等图像处理操作。3.3 程序实现 图4.1 参考图像 图4.2 浮动图像 图4.3 经过简单

40、叠加的图像 图4.4 经过初配准的图像 图4.5 经过优化器的图像 图4.6 迭代算法迭代300次的图像 图4.7 迭代算法迭代800次的图像第4章 实验与结论4.1 配准精度验证 从上一章节的程序运行结果可以看出，这是两幅不同序列的磁共振加权图像，一开始图像经过简单叠加，叠加图像之间有着比较大的差异，经过一次初配准之后误差明显得到改善，而这些误差可以通过调节优化器的步长设置使之减小，之后引入迭代算法，随着程序的运行，每进过一次配准，图像之间的差距越来越小。为了能够对数据进行客观分析和研究，我们需要总结出一定的规律反映出这个规律，我使用处理前后的两幅图像的灰度值进行相减，所得到的图像灰度值越小

41、，这反映出图像之间的差别越小，具有一致性，图像配准精度越高。图4.8 初配准与简单叠加之间的差距图4.9 经过优化图像与初配准图像的差距图4.10 经过300次迭代图像与优化图像的差距图4.11 经过800次迭代图像与300次迭代的差距图4.12 经过1200次迭代图像与800次迭代的差距图4.13 经过1500次迭代图像与1200次迭代的差距图4.14 所得的灰度值变化曲线在上图中，图中的各个点表示不同图像的灰度值，可以看出随着程序逐步的运行，处理前后的两幅图像的灰度值进行相减，所得到的图像灰度值越小，这反映出图像之间的差别越小，配准精度越高，反之配准精度越低，而且从图中曲线的变化可以看到，

42、随着迭代次数的增加，曲线越平缓，变化程度越小，并且当迭代进行到一定程度时，灰度值基本不再变化，说明图像已经基本完成匹配，达到所预定的配准要求。4.2 实验结论以上实验证明我们使用的迭代最近点算法有效的解决了传统配准方法中计算量较大和计算繁琐的不足，并且提高了算法的配准精度，同时由于互信息配准方式的引入使得迭代最近点算法可以完成同一患者的多模医学图像配准。这将使其在今后现代科技的迅速发展和新型传感器的不断涌现的情况下，是医生更全面的了解病变组织的情况，进而制定出更加合理的治疗方案。随着医学成像设备的高速发展，多模图像的配准算法在未来一定会成为医学诊断的一种强而有效的手段。本文的迭代最近点算法只是

43、一个初步的方向，在具体使用方面仍然有许多问题有待进一步研究和改进。在未来的研究中，我们需要进一步提高迭代算法的性能，完成更加自动化和高速有效的图像配准软件。参考文献1 李元璐，基于ICP 算法的医学图像配准的研究，河北工业大学，20122 刘汉洲，图像配准技术研究 ，西安电子科技大学，2006年3 郭飞飞，基于特征点的图像配准方法及其应用，重庆大学，20104 杨占龙，基于特征点的图像配准与拼接技术研究，西安电子科技大学，2008年 5 王玉，多模态医学图像配准和融合技术研究，中北大学，2008年6 刘青芳，基于改进互信息的医学图像配准方法研究，山西大学，2010年 7 R Minhas,J

44、Wu,Invariant Feature Set in Convex Hull for Fast Image. RegistrationC, IEEE International Conference on systems,Man and Cybernetics,2007,1557-1561.8 J.P.Lewis，Fast Template MatchingJ,Vision Interface,1995，120-123,9 倪国强，刘琼，多源图像配准技术分析与展望J，光电工程，2004（3）10 胡媛，三维人脸形体匹配与属性分类研究，上海交通大学，2011年11 Rafael C.Gonza

45、lez,Richard E.Woods,数字图像处理（MATLAB版）J,电子工业出版社，20131致 谢 本论文是在导师王远军老师的悉心指导下完成的，本文作者在此谨表示衷心的感谢。在本次论文设计过程中，王老师对该论文从选题，构思到最后定稿的各个环节给予细心指导与教导，使我得以最终完成毕业论文设计。在学习中，老师严谨的治学态度、丰富渊博的知识、敏锐的学术思维、精益求精的工作态度以及诲人不倦的师者风范是我终生学习的楷模。老师的高深精湛的造诣与严谨求实的治学精神，将永远激励着我。每一次和王老师的交谈，他的认真和仔细给了我深刻的印象，对于论文中存在的错误，他都会给我一一指出，然后告诉我应该如何修改从

46、毕业设计阶段给自己的指导从最初的定题到资料收集到写作、修改到论文定稿他给了我耐心的指导和无私的帮助。为了指导我们的毕业论文他放弃了自己的休息时间，他这种无私奉献的敬业精神令人钦佩在此我向他表示我诚挚的谢意。 回首既往自己一生最宝贵的时光能于这样的校园之中能在如此优秀的环境熏陶下度过实是荣幸之极。在这四年的时间里我在学习上和思想上都受益非浅。这除了自身努力外与各位老师、同学和朋友的关心、支持和鼓励是分不开的。他们在精神上和物质上的无私支持坚定了我追求人生理想的信念。父母的爱是天下最无私的最宽厚的爱。大恩无以言报惟有以永无止境的奋斗期待将来辉煌的事业让父母为之骄傲。我亦相信自己能达到目标。 所有帮

47、助和关心过我的人们，尽管与你们为我付出的一切相比，所有的语言都显得苍白无力，我仍要真诚地说声：谢谢你们!附 录fixed = dicomread('knee1.dcm'); % 读参考图像fixedmoving = dicomread('knee2.dcm'); % 读浮动图像movingfigure,imshow(fixed,'DisplayRange',)title('参考图像');figure,imshow(moving,'DisplayRange',) title('浮动图像');%disp

48、layrange是显示范围，如果赋值为空的话默认为图片灰度的最小值和最大值，你赋值多少就显示多少范围figure, imshowpair(moving, fixed, 'falsecolor'); %进行2幅图像简单叠加，imshowpair(浮动图像, 参考图像, 'method');%'method'可分为falsecolor伪彩色、blend混合透明、diff 灰度亮度图像、monotage蒙太奇title('简单叠加');optimizer, metric = imregconfig('multimodal'

49、;);%参数modality指定浮动图像, 参考图像之间的关系，有两种选择monomodal, 'multimodal'两种，分别质量两幅图像是单一模态还是多模态，根据需要自己选择。%单模态图像配准是指浮动的两幅图像是用同一成像设备获取的。主要应用于不同MRI加权像间的配准，电镜图像序列的配准等。多模态图像配准是指浮动的两幅图像来自不同的成像设备。如CT,MRI的图像配准。%返回的参数optimizer是用于优化度量准则的优化算法，这里有registration.optimizer.RegularStepGradientDescent 或者 registration.optim

50、izer.OnePlusOneEvolutionary两种可供选择。输出参数metric提供了均方误差（registration.metric.MeanSquares）和互信息（registration.metric.MattesMutualInformation）两种供选择11。movingRegisteredDefault = imregister(moving, fixed, 'affine', optimizer, metric);figure, imshowpair(movingRegisteredDefault, fixed);title('初配准');optimizer.InitialRadius = optimizer.InitialRadius/3.5;%optimizer.InitialRadius改变优化器的步长，达到理想效果movingRegisteredAdjustedInitialRadius = imregister(moving, fixed, 'affine', optimizer, metric);%imregister函数根据取得的optimizer,metric参数对2D,3D参考图像做变换目的是2幅图像对齐，imregister(浮动图像, 参考图像, 'met