1、本科畢業設計(論文)題目本科畢業設計(論文)FINAL PROJECT/THESIS OF UNDERGRADUATE(2016屆)基于點配準的精度驗證及改進Progress verification and improvement based on point registration學院工程科技學院專業醫學影像技術學生姓名陸嘉磊學號1427059210指導教師王遠軍 副教授完成日期2016年5月基于點配準的精度驗證及改進承諾書本人鄭重承諾：所呈交的畢業論文“基于點配準的精度驗證及改進”是在導師的指導下，嚴格按照學校和學院的有關規定由本人獨立完成。文中所引用的觀點和參考資料均已標注并加以注釋

2、。論文研究過程中不存在抄襲他人研究成果和偽造相關數據等行為。如若出現任何侵犯他人知識產權等問題，本人愿意承擔相關法律責任。承諾人(簽名)：_日期： 年 月 日摘 要所謂圖像配準就是將不同條件下獲取的兩幅或多幅圖像進行首先進行疊加，然后進行匹配，目的是消除圖像之間的差距。首先對兩幅或以上的圖像根據圖像的某方面特征進行提取得到具有這些特征的點，我們把所有具有這種特征的點稱為特征點；再通過進行相似性度量找到其他圖像上匹配的特征點對；然后通過對圖像需求的分析并匹配的特征點對得到圖像空間坐標變換參數；最后由坐標變換參數進行圖像配準。而特征提取算法是配準技術中的關鍵，一種快速而準確的特征提取算法可以為特征

3、匹配的成功進行提供了保障。因此，找到一種合適的的圖像特征提取方法，對于匹配精度至關重要。在醫學圖像方面，醫學圖像配準是指對于醫學圖像尋求一種空間變換,使它和另一幅醫學圖像上的對應點取得空間上的一致。這種一致是指圖像上的同一解剖點在兩張需要匹配圖像上有相同空間位置。配準的結果需使兩幅圖像上所有解剖點或至少是所有有診斷意義的點及手術感興趣點都達到匹配。對于配準方法精度的驗證對于圖像配準來說是必不可少的一個部分。圖像配準方法基本可以分為三種：基于灰度的圖像配準方法、基于變換域的圖像配準方法和基于特征的圖像配準方法。本文就是針對這些配準方法的的精度驗證及改進的介紹。關鍵詞：醫學圖像 圖像配準 精度驗證

4、 方法改進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 錄承諾書摘 要ABSTRACT第1章 緒論11.1 研究意義11.2 發展過程1第2章 基于點配準的方法52.1 配準的概念52.2 特征點62.3 主要參數72.3.1 圖像的特征點提取72.3.2 多模態圖像72.3.3 精度影響因素82.4 特征點配

11、準的實現方法9第3章 配準程序113.1 配準原理113.2 試驗環境123.3 程序實現13第4章 實驗與結論174.1 配準精度驗證174.2 實驗結論19參考文獻21致 謝23附 錄251基于點配準的精度驗證及改進第1章 緒論1.1 研究意義 圖像是人類觀察世界的重要手段之一，這是由于圖像所具有直觀、生動、信息量大等特點，它成為人類獲取信息，感知世界，進而改造世界的一種重要手段。最早的數字圖像配準技術誕生于八十年代，隨著現代科技的迅猛發展，圖像的保存方式有傳統的膠片、底片發展到現在的數字化保存方式，圖像技術的發展迅速而且應用廣泛。隨著信息化的發展，圖像配準技術在當今的越來越多方面上被使用

12、到，例如在醫學的臨床診斷上可以用來做診斷依據，在遙感領域可以進行地圖上的測距，在地圖繪制上可以用來做定位。并且在我們日常生活中圖像配準技術也體現出自己的應用價值，例如我們經常使用的相機中的拼接功能就用到配準技術，跟老式相機的光學配準相比，在操作、成本、精度、處理條件等方面的優勢都是比后者領先很多的。雖然現今已有部分圖像配準算法滿足了使用的要求，但由于采集圖像的方法和配準算法的多變性態和多樣性，要在一些實用場合使用，圖像配準技術仍要進行更深入的研究。 近年來，一些大型的國際醫療方面的技術公司都已經為此的專門成立了圖像配準方面的小組。不僅如此許多科技公司和一些學生都對該技術的發展也相當關注，關于圖

13、像配準方面發表的論文數量逐年呈現上升趨勢，這些都說明了圖像配準技術的研究在理論和實踐方而都具有相當高的研究的價值。 其中醫學圖像配準的發展在這幾年來尤其迅速，從20 世紀以來，各種醫學影像成像設備迅速地崛起，目前主要的醫學影像成像設備有：X射線、超聲、數字減影血管造影、計算機斷層成像、電光子發射斷層成像、磁共振成像、正電子發射型計算機斷層顯像、腦電圖和腦磁。根據醫學圖像所提供的信息內容，可將這些圖像分為解剖結構圖像和組織功能圖像兩大類。這些圖像各有各的特點，CT對骨組織有極高的分辨率，MR 對軟組織的成像效果好1，PET 能提供人體的功能信息。臨床診斷中，醫生往往需要結合不同模態的成像，了解各

14、種圖像的綜合信息才能做出準確地診斷并制定治療方案。 圖像配準是指將同一場景的不同圖像“對齊”或進行廣義的匹配，以消除存在的幾何畸變。對同一對象使用一種或多種的采集設備，在不同情況下取得的兩幅或多附的圖像一般都會存在差異。同一場景的多次成像的差別可以表現在:、位置的不同、分辨率的不同、非線性變形、尺度的不同等等。由多種成像設備或條件下產生的圖像會有不同的灰度、不同的分辨率等等差異。這里圖像配準的主要目的是消除幾何上的差異。他作為醫學圖像融合的關鍵步驟，已經成為研究醫學圖像處理領域的研究熱點。1.2 發展過程 在過去的20年里，從最初的圖像配準的方法到現在的配準方法有了很大進展，在最初布朗以“A

15、survey of image registration”一文概述了傳統圖像配準的內容分。后齊托娃于"Image registration methods: a survey"一文又指導了之后圖像配準領域的相關發展方向。 圖像配準方法主要有包含四個過程，既特征檢測、特征匹配、變換模型估計與圖像重采樣和變換。圖像配準方法依靠圖像處理的空間域區分的準則，可以分為:時域與頻域方法。 在基于特征的圖像配準方法中，李輝等人使用基于輪廓的提取方法。同時弗朗西斯科等人則通過提取典型海岸線輪廓達到了有配準多種設備的遙感圖像的目的2。 近20年來也出現了許多評價圖像配準性能的評價準則。但由于

16、需要配準的多幅圖像基本上都是在不同條件下獲取的，所以沒有絕對的配準問題，既不存在什么最好的方法，只有相對的最優配準。在此意義上，最優配準與配準的目的有關。 基于圖像特征的配準算法。它根據圖像中某些具有特征的點集作為配準對象，這種配準算法過程分為兩步:特征提取和特征匹配。第一步，從圖像中具有特征的點、線、區域等提取為特征的集合。第二步，在圖像中所提取的對應的特征點集中利用某種算法將它們的的特征對應關系確定出來。現代所使用的配準算法不但可以自動識別相應像點，而且還可以由計算機自動識別目標的性質與相互關系，其有極高的可靠性和精度。 這種基于理解和解釋的圖像配準廣泛的涉及到諸如計算機視覺、人工智能、模

17、式識別、遙感測距等許多領域。這種圖像配準技術的發展不僅依賴于這些領域中理論上的突破，而且需要依靠高速度并行處理計算機的研制。 通過對各類圖像配準方法的研究分析，我們可以看到要使用哪種圖像配準方法很大程度上是取決于于圖像本身的。也就是說，通過組合不同的圖像配準方法可以適用于各種圖像配準問題，而對不同類型的圖像也是各不相同的。因此，目前的圖像配準方法研究的兩個重要的目標:一是提高圖像配準算法的有效性、準確性和快速性:另一方面也力求能擴展其應用領域，例外，對于算法的評價也是多方面的，如算法運行速度速度、自動化程度、配準結果的準確性等。遺憾的現在仍沒有一種方法能夠在各個方而都達到理想目標，這讓得我們需

18、要在準確度、速度、人工干預等方面進行權衡，使配準后的圖像質量達到要求。 現代數字圖像配準技術多年來的發展的過程中還存在著一些問題: （1）算法復雜度:現在多數的配準算法計算復雜度比較高,限制了其發展。基于快速傅里葉變換等方法為了保證其算法的準確性都不可避免的增加了其復雜程度。我們當前的目標就是在保證精度的情況下，盡可能的減少算法的復雜程度。 （2）配準精度:配準精度一直是圖像配準技術的一大難關，現在有許多的算法精度已經可以達到亞像素級，但是要進一步達到1/10, 1/100像素級就比較困難了，再加上處理過程中會發生的一些變化，更進一步的增加了它的難度。 （3）魯棒性:所獲得的圖像不可避免的會有

19、噪聲的存在。而圖像中的噪聲會使特征點的提取難度增加，我們應當盡量的避免角點錯誤的情況發生。因此，配準算法的魯棒性也是我們需要攻克的難關。盡管已經有許多的學者對以上問題都提出各自的解決方案，但是直到目前為止，用一種算法來同時滿足以上三點基本是不可能的，因而這些領域也成為未來數字圖像配準技術的重點研究方向。在研究過程中我們需要關注好這三方面的問題，以便開發出適合現實應用的最合理的算法3。17第2章 基于點配準的方法2.1 配準的概念圖像配準可以理解為尋求一種對應關系使一幅圖像到另一幅圖像的對應點空間中的排列保持一致。 假設用A和B來分別表示源圖像和目標圖像，A(x, y)和 B (x, y)分別表

20、示源圖像和目標圖像在點(x, y)處的灰度值，那么圖像間的映射關系可以表示為： B (x, y) = g (A ( f ( x, y ) ) ) （2-1）其中， f 表示的是二維空間下的坐標變換；g是個一維函數，代表了成像設備因成像條件不同所對應的灰度變化。 圖1.1 圖像配準的過程 基于特征的圖像配準大致可以分為三大類 （1）根據圖像的像素值進行直接配準：充分利用圖像的所有信息來高精度地區分不同對象，這種配準方式的特點是處理的信息量很大，計算復雜度高。缺陷是對圖像之間的細微變化比較敏感，微小變化可以導致圖像灰度值的細微變化這樣對配準結果會產生較大的影響，最后導致配準失敗。對于這類算法抗噪聲

21、，抗干擾的能力比較差，僅適用于具有相同外界條件兩幅圖像之間的配準.。 （2）利用圖像的物理形狀特征進行配準：這種配準方法是利用圖像的邊緣，線條，角點等進行配準，由于不是對整個圖像進行相關性計算，像素點得到明顯的減少，相應的適應度也得到提高。這類算法受外界細微因素的影響變換不大，所依賴的是所提取出的特征。所以選取易于識別的特征就成為該類方法的關鍵，然后利用某種相似度測量來尋找兩幅圖像中相匹配的特征點集。 （3）使用高級特征算法進行配準：基于約束的樹搜索，可以利用深度優先搜索策略，依靠解釋樹尋找局部一致的配準。基于多尺度特征配準，則是對圖像信息引入多種級別的圖象，可遵循先輪廓后細節，先宏觀后微觀，

22、先易于辨認的部分后較為模糊的部分的人類視覺配準規律，能夠提高圖像配準的可靠性7。這一方面的研究還有待于進一步的研究發展3。在圖像配準中的常見變換方式：剛體變換：第一幅圖像中兩點之間的距離映射到第二幅圖像后仍然不變，可分為平移、旋轉和反轉。仿射變換：過變換后的第一幅圖像上的直線映射到第二副圖像上仍為直線，并且保持相對平衡關系，這樣的變換稱為仿射變換。該變換使得直線間的平行關系不變，但由于引入了縮放參數，直線的長度和角度會有所改變。投影變換：一幅圖像上的直線映射到另一幅圖像上還是直線，但不再保持原來的平衡關系，則稱這樣的變換稱為投影變換。投影變換可用高維空間上的線性或矩陣來表示。投影變換包含了平移

23、、旋轉、縮放。是剛體變換和仿射變換的綜合也可以說剛性變換和仿射變換是投影變換的特殊情況。非線性變換：非線性變換主要指的是在一幅圖像里是直線，到另一幅直線里變換為曲線。2.2 特征點點配準中所說的點是圖像中的特征點，又稱興趣點、顯著點、關鍵點等。它既是一個點的位置標識，同時也說明它的局部鄰域具有一定的模式特征或相同的特性。在定義上可以將特征點分為兩類：狹義特征點和廣義特征點。狹義特征點的位置本身具有常規的屬性意義，比如角點、交叉點等等。而廣義特征點是基于區域定義的，它本身的位置不具備特征意義，只代表滿足一定特征條件的特征區域的位置。它可以是某特征區域的任一相對位置。這種特征可以不是物理意義上的特

24、征，只要滿足一定的數學描述就可以，因而有時是抽象的。因此，從本質上說，廣義特征點可以認為是一個抽象的特征區域，它的屬性就是特征區域具備的屬性。稱其為點，是將其抽象為一個位置概念4。狹義特征點通常用在計算機視覺、模式識別和圖像配準的問題上，而廣義特征點則大多是針對圖像配準的。不管是基于狹義特征點還是基于廣義特征點，它們的方法是相同的，都要經過特征點檢測，特征匹配（包括特征描述），根據匹配點對計算圖像變換關系，最后進行圖像變換和融合。特征點的選取需要滿足一定的條件：較高的重復度：重復度是指在不同條件下獲得的同一目標或者場景的兩幅圖像共有的空間中，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，說明重復度越高。獨特性：在圖像配準過程中需要做到使特征點比較容易識別，所以這些特征點都要具備獨特性。局部性：為了防止由于圖像獲取方式不同導致的圖像失真，所以圖像的特征應該是局部的，而不能遍布整個圖像。準確性：檢測到的特征點應該在位置、尺度等方面具有很高的準確性。效率：特征檢測的效率應該足夠高，提高運算速度 這樣才能適用于一些實時的應用中。 2.3 主要參數2.3.1 圖像的特征點提取 圖像的特征點提取過程就是把原始圖像的數據變換成特征向量的步驟，基于圖像特征點的主要優勢是：（1） 圖像中提取的的特征點數量要比圖像的像素點數量少很多，這樣就可以有效的提高在匹配過程中的速度。（2）特征點是個

26、局部的特征，它的匹配度量值對位置的變化比較敏感，因此可以大大提高匹配的精確程度。（3）特征點的提取過程中可以減少噪聲的影響，對灰度、圖像形變和遮擋等有較好的適應能力，提高圖像質量。（4）基于特征點的圖像配準方法大大改善了基于灰度配準方法的缺陷，因此在圖像配準領域得到很廣泛的應用10。2.3.2 多模態圖像隨著醫學影像技術的快速發展，近幾年不斷涌現出了各種各樣不同的醫學成像設備，現在想要診斷一種疾病可能需要使用到許多類型的成像設備，于是這就產生出了一種全新的多模態圖像的定義。單模態圖像配準是指浮動的兩幅圖像是獲取于同一成像設備。常使用于于不同磁共振加權圖像間的配準。多模態圖像配準是指需要配準的兩

27、幅圖像取得自不同種類的成像設備5。多種模式的醫學圖像為醫生和研究人員提供了豐富、直觀、互補的人體信息，成為診斷各種疾病的重要手段。由于不同模式的設備對人體中各組織都有不同的靈敏度和分辨率，因此有各自的適用范圍和局限性。醫生為了獲得病人多方面的信息常常需要將同一病人的多種成像模式的圖片綜合起來進行分析，如在CT上觀察骨組織，在MR上觀察軟組織;利用PET、SPECT獲得功能信息，再綜合CT、MR的解剖信息分析。這就是圖像融合，這種把各種成像模式的圖像信息融合成一種新的影像模式的圖像融合技術，將同一或不同研究對象獲得的相同模態或不同模態的圖像在空間位齊，加工利用多元信息，使不同形式的信息互相補充，

28、最終目的是并將不同圖像中的有用信息集成到一幅圖像中，以便改善單一成像系統所形成的圖像質量，以獲取對同一場景的更為精確、更為客觀、更為全面、更為可靠的圖像描述6。 隨著現代科技的迅速發展和新型傳感器的不斷涌現，人們獲取圖像數據的能力不斷提高。由于不同物理特性的傳感器所產生的圖像不斷增多，同一地區往往可以獲得大量不同尺度、不同光譜、不同時相的多源圖像數據信息。在利用多源圖像信息進行數據融合、目標變化檢測、目標識別等多源協同處理工作之前，必須進行多源圖像配準工作，配準精度的高低直接影響到后續應用效果的好壞。所以，如何對圖像進行高精度的配準一直是圖像處理領域的熱點與重點。2.3.3 精度影響因素 精度

29、評價：測度（metric），它是一個用于衡量配準質量的評價指標。在圖像進行配準的過程中，優化器會根據測度值來判斷配準過程是否達到預期要求，如果在浮動圖像移動或變化的過程中，測度值變大，說明偏離預期目標，配準則會往相反方向進行，否則，就會繼續按照當前的步長進行搜索。因此測度是配準算法的體現標準，決定著配準的質量。 精度提升方法：（1） 優化器（optimizier）：在配準的過程之中，優化器根據得到的測度值和設定的初始優化參數來調整配準過程7。（2）互信息度量：互信息度量多用于多模圖像配準，將圖像中的像素看作是某個連續隨機變量的采樣，利用這些離散采樣估值計算出單個圖像的概率密度和兩幅圖像的聯合概

30、率密度，再求出圖像的互信息。兩幅圖像的配準程度越高，那他們之間的相關性就越大，互信息值也越大。隨著現代科技的迅速發展和新型傳感器的不斷涌現，人們獲取圖像數據的能力不斷提高8。設兩個隨機變量（X,Y）的聯合分布為P(X,Y)，邊際分布分別為P(X).P(Y)，互信息I(X,Y)是聯合分布P(X,Y)與乘積分布P(X)P(Y)的相對熵，即 （2-2）圖2.1 H(X),H(Y)I(X,Y)（3）迭代：迭代是重復反饋過程的活動，其目的通常是為了逼近所需目標或結果。每一次對過程的重復稱為一次“迭代”，而每一次迭代得到的結果會作為下一次迭代的初始值。迭代算法是用計算機解決問題的一種基本方法。它利用計算機

31、運算速度快、適合做重復性操作的特點，讓計算機對一組指令（或一定步驟）進行重復執行，在每次執行這組指令（或這些步驟）時，都從變量的原值推出它的一個新值9。（4）坐標變換與插值：將輸入圖像做對應的參數變換，使它與參考圖像處于同一個坐標系下。由于圖像變換后的坐標點不一定是整數，因此，需要考慮一定的插值處理操作。常用的插值方法包括：最近鄰插值、雙線性插值、雙三次插值、B樣條插值、高斯插值。（5）配準的特征點選擇：原理上圖像配準的對象是圖像中的點，而這些點被稱作是特征點，它經過某種法則的幾何變換與另一幅圖像上的特征點達到空間上的一致。所以說特征點的選擇很大程度上影響了圖像配準的質量。對于特征點的選擇應該

32、具有相同的特征，同時特征點要分布均勻，不能過度集中。同時特征點的數量要適中，如果數量太多，這會使計算速度大幅下降，太少則會導致精度下降。2.4 特征點配準的實現方法 迭代最近點算法的原理是基于最小二乘法最優化的匹配算法。在執行的時候進行反復的“確定所選取的對應點集并計算最有的剛體變換”的步驟，進行空間匹配，直到滿足所預期設定的收斂條件10。 特征點配準的原理是：三維空間中存在兩組含有n個坐標點的點集，分別為：L和R。三維空間點集L中各點經過三維空間變換后與點集R中點一一對應。步驟為： 1）根據點集L中的坐標，在空間中搜索相應就近點點集R； 2）計算兩個點集的位置坐標，并進行點集中心化生成參考點

33、集； 3）使參考點集中對應點到點集L距離最小； 4）計算在這個過程中的旋轉和平移矩陣及參數； 5）由點集L計算變化后的點集L。通過計算L與L距離的平方和，以兩次L與L距離平方和差絕對值作為迭代判斷閥值； 6）如果距離到達閥值，則算法就停止迭代，反之重復進行1至6步，直到滿足收斂條件條件后停止迭代。本文使用的是迭代最近點（Iterative Closest Point, ICP）算法，是基于特征點的算法。該算法通過不斷迭代使點集距離最近，反復此過程直到點集空間位置達到了一致，點集的空間變換參數就是在空間中圖像特征點集的變化參數。迭代最近點算法可以讓特征點集之間的空間距離迅速到達基本一致的位置，但

34、是仍不可避免會有一些差距，但是這種差距會收斂到某個值便不再變化。為了提高配準的精度，本文選擇用ICP 算法進行初配準使圖像基本配準。在此基礎上使用多模態互信息法優化最近函數，這種方法取得了滿意的效果，對于空間位置差異不大的醫學圖像穩定性很強。第3章 配準程序3.1 配準原理 本文使用的是迭代最近點匹配方式，由于它是選取圖像中的特征點，所以點的選取相比于傳統基于邊緣和圖像灰度提取的配準方法，它的計算量要更小，配準速度要更快，所以迭代最近點匹配在醫學圖像配準方面應用的更加廣泛。尤其是在對多模圖像進行配準時，圖像解剖特征點會出現很大的差異，導致在選取標志點時會出現多點或者漏點的情況，出現誤差。我們使

35、用互信息的的方式分析所選取的特征點消除誤差，最后使用優化器對初配準的圖像進行優化并多次迭代，縮小誤差，最終實現快速準確的圖像配準。迭代最近點匹配算法有以下優點：1）可以獲得非常精確的配準效果；2）算法配準速度可以大大提高；3）可以處理三維點集、參數曲面等多種形式表達的曲面，也就是說該算法對曲 面表示方法獨立： 4）不必對待處理的點集進行分割和特征提取； 5）在較好的初值情況下，可以得到很好的算法收斂性。 迭代最近點法的原理是：把圖像中的具有特征性的點組成一個點集，并把點集根據某種法則對數據進行配準，并假設這些匹配點與對應點一一對應，并由這種法則得到他們的變化規律。再使用所得到的變化規律對原始數

36、據進行變換，確定新的對應關系，之后不斷重復以上步驟，直到超過某個閥值，算法結束11。空間中兩個點， （3-1）他們的歐式距離表示為： （3-2）點云匹配問題的目的是找到P和Q變化的矩陣R和T，對于 ，利用最小二乘法求解最優解使： （3-3）最小時的R和T。先對平移向量T進行初始的估算，具體方法是分別得到點集P和Q的中心： （3-4）    （3-5） 分別將點集P和Q平移至中心點處： （3-6） 則上述最優化目標函數可以轉化為： （3-7）在初始匹配之后，所點集P中所有點做平移變化，在比較點集合P和Q的匹配度，（或迭代次數）作為算法終止的條件。具體為對點集P中每個

37、點，找Q中離他最近的點作為對應點。在某一步利用前一步得到的，求使下述函數最小的： （3-8）這里，   （3-9）3.2 試驗環境這個實驗需要在MATLAB平臺中實現，它是集數值計算，符號運算及圖形處理等強大功能于一體的科學計算語言。作為強大的科學計算平臺，它幾乎能夠滿足所有的計算需求。MATLAB軟件具有很強的開放性和適用性。在保持內核不變的情況下，MATLAB可以針對不同的應用學科推出相應的工具箱。目前，MATLAB已經把工具箱延伸到了科學研究和工程應用的諸多領域，諸如數據采集、概率統計、信號處理、圖像處理和物理仿真等，都在工具箱家族中有自己的一席之地。在實驗中我們主要用到MAT

38、LAB提供圖象處理工具箱。 MATLAB全稱是Matrix Laboratory（矩陣實驗室），一開始它是一種專門 用于矩陣數值計算的軟件，從這一點上也可以看出，它在矩陣運算上有自己獨特的特點。實際上MATLAB中的絕大多數的運算都是通過矩陣這一形式進行的。這一特點也就決定了MATLAB在處理數字圖像上的獨特優勢。理論上講，圖像是一種二維的連續函數，然而在計算機上對圖像進行數字處理的時候，首先必須對其在空間和亮度上進行數字化，這就是圖像的采樣和量化的過程。二維圖像進行均勻采樣，就可以得到一幅離散化成M×N樣本的數字圖像，該數字圖像是一個整數陣 列，因而用矩陣來描述該數字圖像是最直觀最

39、簡便的了。而MATLAB的長處就是處理矩陣運算，因此用MATLAB處理數字圖像非常的方便。MATLAB支持五種圖像類型，即索引圖像、灰度圖像、二值圖像、RGB圖像和多幀圖像陣列；支持BMP、GIF、HDF、JPEG、PCX、PNG、 TIFF、XWD、CUR、ICO等圖像文件格式的讀，寫和顯示。MATLAB對圖像的處理功能主要集中在它的圖像處理工具箱中。圖像處理工具箱是由一系列支持圖像處理操作的函數組成，可以進行諸如幾何操作、線性濾波和濾波器設計、圖像變換、圖像分析與圖像增強、二值圖像操作以及形態學處理等圖像處理操作。3.3 程序實現 圖4.1 參考圖像 圖4.2 浮動圖像 圖4.3 經過簡單

40、疊加的圖像 圖4.4 經過初配準的圖像 圖4.5 經過優化器的圖像 圖4.6 迭代算法迭代300次的圖像 圖4.7 迭代算法迭代800次的圖像第4章 實驗與結論4.1 配準精度驗證 從上一章節的程序運行結果可以看出，這是兩幅不同序列的磁共振加權圖像，一開始圖像經過簡單疊加，疊加圖像之間有著比較大的差異，經過一次初配準之后誤差明顯得到改善，而這些誤差可以通過調節優化器的步長設置使之減小，之后引入迭代算法，隨著程序的運行，每進過一次配準，圖像之間的差距越來越小。為了能夠對數據進行客觀分析和研究，我們需要總結出一定的規律反映出這個規律，我使用處理前后的兩幅圖像的灰度值進行相減，所得到的圖像灰度值越小

41、，這反映出圖像之間的差別越小，具有一致性，圖像配準精度越高。圖4.8 初配準與簡單疊加之間的差距圖4.9 經過優化圖像與初配準圖像的差距圖4.10 經過300次迭代圖像與優化圖像的差距圖4.11 經過800次迭代圖像與300次迭代的差距圖4.12 經過1200次迭代圖像與800次迭代的差距圖4.13 經過1500次迭代圖像與1200次迭代的差距圖4.14 所得的灰度值變化曲線在上圖中，圖中的各個點表示不同圖像的灰度值，可以看出隨著程序逐步的運行，處理前后的兩幅圖像的灰度值進行相減，所得到的圖像灰度值越小，這反映出圖像之間的差別越小，配準精度越高，反之配準精度越低，而且從圖中曲線的變化可以看到，

42、隨著迭代次數的增加，曲線越平緩，變化程度越小，并且當迭代進行到一定程度時，灰度值基本不再變化，說明圖像已經基本完成匹配，達到所預定的配準要求。4.2 實驗結論以上實驗證明我們使用的迭代最近點算法有效的解決了傳統配準方法中計算量較大和計算繁瑣的不足，并且提高了算法的配準精度，同時由于互信息配準方式的引入使得迭代最近點算法可以完成同一患者的多模醫學圖像配準。這將使其在今后現代科技的迅速發展和新型傳感器的不斷涌現的情況下，是醫生更全面的了解病變組織的情況，進而制定出更加合理的治療方案。隨著醫學成像設備的高速發展，多模圖像的配準算法在未來一定會成為醫學診斷的一種強而有效的手段。本文的迭代最近點算法只是

43、一個初步的方向，在具體使用方面仍然有許多問題有待進一步研究和改進。在未來的研究中，我們需要進一步提高迭代算法的性能，完成更加自動化和高速有效的圖像配準軟件。參考文獻1 李元璐，基于ICP 算法的醫學圖像配準的研究，河北工業大學，20122 劉漢洲，圖像配準技術研究 ，西安電子科技大學，2006年3 郭飛飛，基于特征點的圖像配準方法及其應用，重慶大學，20104 楊占龍，基于特征點的圖像配準與拼接技術研究，西安電子科技大學，2008年 5 王玉，多模態醫學圖像配準和融合技術研究，中北大學，2008年6 劉青芳，基于改進互信息的醫學圖像配準方法研究，山西大學，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 倪國強，劉瓊，多源圖像配準技術分析與展望J，光電工程，2004（3）10 胡媛，三維人臉形體匹配與屬性分類研究，上海交通大學，2011年11 Rafael C.Gonza

45、lez,Richard E.Woods,數字圖像處理（MATLAB版）J,電子工業出版社，20131致 謝 本論文是在導師王遠軍老師的悉心指導下完成的，本文作者在此謹表示衷心的感謝。在本次論文設計過程中，王老師對該論文從選題，構思到最后定稿的各個環節給予細心指導與教導，使我得以最終完成畢業論文設計。在學習中，老師嚴謹的治學態度、豐富淵博的知識、敏銳的學術思維、精益求精的工作態度以及誨人不倦的師者風范是我終生學習的楷模。老師的高深精湛的造詣與嚴謹求實的治學精神，將永遠激勵著我。每一次和王老師的交談，他的認真和仔細給了我深刻的印象，對于論文中存在的錯誤，他都會給我一一指出，然后告訴我應該如何修改從

46、畢業設計階段給自己的指導從最初的定題到資料收集到寫作、修改到論文定稿他給了我耐心的指導和無私的幫助。為了指導我們的畢業論文他放棄了自己的休息時間，他這種無私奉獻的敬業精神令人欽佩在此我向他表示我誠摯的謝意。 回首既往自己一生最寶貴的時光能于這樣的校園之中能在如此優秀的環境熏陶下度過實是榮幸之極。在這四年的時間里我在學習上和思想上都受益非淺。這除了自身努力外與各位老師、同學和朋友的關心、支持和鼓勵是分不開的。他們在精神上和物質上的無私支持堅定了我追求人生理想的信念。父母的愛是天下最無私的最寬厚的愛。大恩無以言報惟有以永無止境的奮斗期待將來輝煌的事業讓父母為之驕傲。我亦相信自己能達到目標。 所有幫

47、助和關心過我的人們，盡管與你們為我付出的一切相比，所有的語言都顯得蒼白無力，我仍要真誠地說聲：謝謝你們!附 錄fixed = dicomread('knee1.dcm'); % 讀參考圖像fixedmoving = dicomread('knee2.dcm'); % 讀浮動圖像movingfigure,imshow(fixed,'DisplayRange',)title('參考圖像');figure,imshow(moving,'DisplayRange',) title('浮動圖像');%disp

48、layrange是顯示范圍，如果賦值為空的話默認為圖片灰度的最小值和最大值，你賦值多少就顯示多少范圍figure, imshowpair(moving, fixed, 'falsecolor'); %進行2幅圖像簡單疊加，imshowpair(浮動圖像, 參考圖像, 'method');%'method'可分為falsecolor偽彩色、blend混合透明、diff 灰度亮度圖像、monotage蒙太奇title('簡單疊加');optimizer, metric = imregconfig('multimodal'

49、;);%參數modality指定浮動圖像, 參考圖像之間的關系，有兩種選擇monomodal, 'multimodal'兩種，分別質量兩幅圖像是單一模態還是多模態，根據需要自己選擇。%單模態圖像配準是指浮動的兩幅圖像是用同一成像設備獲取的。主要應用于不同MRI加權像間的配準，電鏡圖像序列的配準等。多模態圖像配準是指浮動的兩幅圖像來自不同的成像設備。如CT,MRI的圖像配準。%返回的參數optimizer是用于優化度量準則的優化算法，這里有registration.optimizer.RegularStepGradientDescent 或者 registration.optim

50、izer.OnePlusOneEvolutionary兩種可供選擇。輸出參數metric提供了均方誤差（registration.metric.MeanSquares）和互信息（registration.metric.MattesMutualInformation）兩種供選擇11。movingRegisteredDefault = imregister(moving, fixed, 'affine', optimizer, metric);figure, imshowpair(movingRegisteredDefault, fixed);title('初配準');optimizer.InitialRadius = optimizer.InitialRadius/3.5;%optimizer.InitialRadius改變優化器的步長，達到理想效果movingRegisteredAdjustedInitialRadius = imregister(moving, fixed, 'affine', optimizer, metric);%imregister函數根據取得的optimizer,metric參數對2D,3D參考圖像做變換目的是2幅圖像對齊，imregister(浮動圖像, 參考圖像, 'met