一、基于互信息量图像配准中目标函数局部极值的克服（论文文献综述）
张莉[1]（2019）在《面向医学图像复杂形变和非线性灰度差异配准的关键技术研究》文中指出医学图像配准是医学影像处理和分析的关键步骤,在完成图像信息融合,辅助临床诊断,预测术后代偿效果,跟踪病理变化以及评估治疗效果等方面发挥着重要作用。然而,医学图像的形变复杂性、模态多样性以及灰度差异的非线性等特征使得医学图像配准技术具有巨大的挑战性。已有的大多数医学图像配准技术,要么忽略图像所包含的丰富的空间结构信息,要么对图像中非线性灰度差异不变性的特征考虑不够,导致在复杂形变和非线性灰度差异下的医学图像配准存在收敛速度慢、配准精度低和鲁棒性差的问题。针对这些问题,本文开展了面向医学图像复杂形变和非线性灰度差异配准的关键技术研究。本文通过深入研究和分析现有的医学图像复杂形变和非线性灰度差异配准的关键技术,提出了一系列的改进算法。本文主要的研究工作如下:（1）针对传统互信息仅考虑图像全局一致的灰度统计特性而忽略了空间结构信息、易引起配准误差等缺陷,本文提出了一种基于局部结构张量-互信息（Local Structure Tensor-Mutual Information,LST-MI）的多模态图像配准算法。为了引入图像的空间结构信息,本文将互信息与基于局部结构张量提取的图像结构贡献强度信息相结合,构建了一个新相似性测度LST-MI。随后,本文将LST-MI作为基于刚性变换配准模型的目标能量函数,并利用最速下降法的优化策略来寻找全局最优的模型参数,实现了多模态图像的配准。接下来,本文从不同角度探讨了具有复杂形变肺部器官的非刚性配准问题。非刚性配准过程均在该算法所搭建起的刚性配准平台上进行的。（2）针对胸部随访CT图像之间存在较为严重的形变,而使得它们的配准鲁棒性弱以及精确度低等问题。为了克服这些问题,本文通过研究基于边缘保持平滑滤波器的正则化模型,提出了一种基于HDCS（Hybrid Diffusion filter with Continuous Switch,HDCS）滤波器的新正则化模型约束的图像配准算法。首先,本文将HDCS滤波器代替Gaussian滤波器来实现形变位移场的正则化,构建了一个新正则化方法。其次,本文将该新正则化方法用于基于微分同胚Demons的形变配准模型来实现配准。该新正则化方法能够避免配准过程中形变位移场的过平滑现象,从而降低配准过程陷入局部极值的风险,提高了配准鲁棒性和精确度。（3）针对Log-Demons配准算法及其改进算法中仅采用SSD作为配准模型的相似性项,而忽略了局部结构特征的相似性度量,导致了它们对大而复杂形变图像的配准性能仍然不理想。为此,本文提出了一种基于Log-Euclidean协方差矩阵描述符的医学图像配准算法。在Log-Demons配准模型的基础上,本文首先构建了具有旋转、缩放和尺度不变性的局部结构描述符LECM（Log-Euclidean Covariance Matrices,LECM）,然后将参考图像的LECM描述符对数和浮动图像的LECM描述符对数之间的欧氏距离作为一个新的匹配项添加到Log-Demons配准模型的目标函数来实现图像配准。该新匹配项为配准过程中形变位移场的更新提供了结构约束,且保持了新目标函数的可微性,提高了配准鲁棒性和配准精度。（4）针对多模态医学图像较大非线性灰度差异所造成的配准精度低和鲁棒性差的问题,本文鉴于频率特征对非线性灰度差异的不变性,提出了一种基于局部相位和相位一致性的多模态医学图像配准算法。为了克服非线性灰度差异对配准性能的影响,本文利用多方向的局部相位均值和相位一致性特征构建了具有非线性灰度差异不变性的LPPCO（Local Phase mean and Phase Congruency of different Orientations,LPPCO）特征描述符,并将LPPCO之间的归一化互相关（Normalized Cross Correlation,NCC）度量作为快速模板匹配模型的相似性测度来实现配准。实验结果表明,本文的算法对存在复杂形变和非线性灰度差异的图像配准具有较强的鲁棒性、较高的精确度和较快的收敛速度,因此对完善医学图像配准理论、拓展配准的应用领域等具有重要的参考价值。
朱冠菲[2]（2018）在《基于MR数据生成伪CT数据的研究》文中提出近年来,在各种分子成像技术中,PET/MRI是最先进的多模态分子成像技术,具有高精度、无辐射等优点。由于CT数据提供组织密度信息可用于PET的衰减校正而MR图像信号与PET数据衰减校正所需的衰减因子并不直接相关,所以利用MR数据预测CT图像,对PET/MRI系统具有重要的临床意义。基于此,本文研究了如何利用MR数据预测CT图像的方法。主要工作如下:（1）基于组织分割的伪CT图像预测模型研究。根据组织分割法,我们需要准确有效地提取出不同组织成分并分别标签对应的CT值,所以我们提出了一种灰度直方图结和K均值聚类的方法在脑组织上的提取应用。然而,经实验发现,不采用特定序列的真实MR图像对脑组织分类的效果不能满足匹配CT值的应用,所以提出了后续的图谱配准和图像翻译的MR图像预测CT值的模型研究。（2）基于图像配准和图像翻译的伪CT图像预测模型研究。该章分为两个方面:图像配准和图像翻译。第一部分研究了MR与CT图像之间的多模态配准。假设MR与CT之间的灰度值具有一一对应的关系,对MR图像进行伪CT的计算,必须要求MR与CT之间有较高的配准精度。我们采用医学图像配准中常用的最大互信息的方法,进行六自由度的仿射配准,并针对Powell算法确定平移参数和旋转角度后并不能缩放图像的问题,提出了两种自适应配准方法。采用真实数据集进行配准预处理,结果表明,两种算法均能提高MR和CT的多模态图像配准精度。第二部分则研究了对配准后的MR-CT数据集,如何进行伪CT图像的图像翻译。基于MR图像计算成伪CT图像,本质上是图片的一种表示到另一种表示问题,我们提出基于对抗神经网络框架实现的Pix2Pix算法应用到MR图像计算伪CT图像中。实验在自适应仿射配准后的MR/CT的图像数据对进行了测试。结果表明,应用该方法将MR图像生成伪CT图像是可行的,并且伪CT图像和真实CT图像的结构相似度达到了0.88左右。
魏本征,甘洁,尹义龙[3]（2018）在《基于边缘特征点互信息熵的医学图像配准方法》文中指出基于互信息熵的图像配准方法已经被广泛应用于医学图像配准中,为克服互信息配准方法的不足,结合图像空间结构信息,本文提出一种基于边缘特征点互信息熵的医学图像配准方法,设计了包括互信息熵、图像空间结构和形状特征点等多信息融合的配准新测度。算法首先采用改进的形态学梯度提取医学图像边缘轮廓;然后构造了以边缘区域特征和梯度信息为基础的特征点互信息能量函数,并通过最小化能量函数来获取配准参数;最后,结合梯度下降法优化策略,实现图像配准。实验研究表明,该方法在保证了配准精度的同时,配准速度较快、鲁棒性较好、综合性能优良,具有一定的临床推广价值。
王达[4]（2014）在《声纳图像配准与融合技术研究》文中认为声纳图像直观地表征了水下声探测中的目标回波数据,因此对其进行配准与融合在后期的图像处理和分析中起着关键作用。由于声成像的原理导致声纳图像具有一些特有的属性,由此造成声纳图像配准与融合的困难,同时也对处理过程提出了一些要求或前提条件。虽然在光学,遥感,医学等其他领域已经涌现出大批切实的图像配准与融合方法,然而探究关于声纳图像的处理策略和方式依然具有广阔的应用前景和迫切的现实需求,因此,本文针对声纳图像配准融合问题展开了有意义的研究。在声纳图像配准方面,本文选取图像配准领域中通行的互信息理论作为基础。针对刚性形变图像配准,主要探究了相似度量函数和优化方法两方面内容,一方面是兼顾了像素点空间联系的度量函数,另一方面是避免了度量函数陷入局部极值的优化策略。这些方法中,不乏有非常成熟或已提出多年的模型,但在声纳图像配准中却鲜有应用。本文针对声纳图像配准问题,分别探讨了各式配准方法的性能,进行了大量的仿真实验,并在基于互信息的图像配准框架下,推导了基于梯度互信息的相似度量函数的具体表达式以及建立了基于粒子群算法和Powell法的混合优化策略,利用多分辨率分析方法改善声纳图像配准算法的性能。在归纳出声纳图像配准方法后,对具有代表性的声纳图像进行配准实验,在刚性形变声纳图像配准中,通过对比其他配准算法,本文算法表现性能优良且鲁棒稳定。此外,在刚性形变声纳图像配准基础上,考虑对非刚性形变的声纳图像进行配准。分析了 Demons算法在声纳图像配准中的局限和不足,构造了基于梯度互信息的Demons模型,并提出了相应的声纳图像配准算法,同时本文结合声纳图像特点,对Demons算法的重要系数进行了分析,得出了有价值的结论。采用基于梯度互信息的Demons模型对非刚性形变的声纳图像进行配准,通过与经典和主动Demons模型进行对照,验证了其有效实用。在声纳图像融合方面,本文从融合和评价两个方向进行探索。起初探讨了以Piella理论为基础的通用融合框架在声纳图像融合中的应用,全面系统地阐述了基于Piella多尺度图像融合框架,包括多分辨率分析方法,活性测度,匹配测度,决策模块以及合成模块。针对声纳图像及其处理过程的自身特点,本文扩展了 Piella多尺度图像融合框架,摒弃匹配测度和决策模块,并提出引入前一分解层中的近似信息构造低频分量的融合准则以及基于图像质量评价标准的高频融合准则。仿真实验验证,这些改进对声纳图像融合具有重要意义,改进后的算法适于声纳图像融合处理,更有利于融合质量的提高,取得了良好的融合效果。其次,本文系统地研究和分析了各种图像融合评价标准的主客观方法,并总结了适合声纳图像融合评价的一般性原则。基于此原则,对多种经典图像融合方法进行了深入细致地分析,并得出相应的结论。最后,提出了一种基于区域相似性的图像融合评价方法,经仿真实验验证其具有与人类视觉系统良好的一致性。
张娟[5]（2014）在《医学图像配准中相似性测度的研究》文中研究指明医学图像配准作为计算机视觉领域和图像处理领域中的一个重要分支,是实现医学图像分析,完成医学图像理解和辅助临床诊断和临床治疗的首要、关键性步骤,在医学领域有着非常广泛的应用。至今,医学图像配准技术已经被国内外众多学者研究了几十年。医学图像配准是指对不同时间、不同模态、不同视场的两幅医学图像或者多幅医学图像寻求一种（或一系列）空间变换,使得它能与另外一幅（或其它多幅）医学图像达到匹配,这种匹配是指人体的同一解剖点或者感兴趣点在两幅（或其它多幅）医学图像上有相同的空间位置。医学图像可以提供人体组织器官或者病灶组织的形状、大小、结构、空间关系等详细信息,是临床医生进行临床诊断和临床治疗的重要依据。一般来说,临床上获取的医学图像往往是来源于不同时间同一医学成像设备,称为单模态医学图像,或者来源于不同时间不同医学成像设备,称为多模态医学图像。单模态医学图像配准的研究主要用于组织的生长监控、减影成像等等。迄今为止,对于普通的医学图像而言,单模态的医学图像配准技术已经相对成熟,可以满足临床的实际需要。但对于受到灰度不均匀性影响的医学图像而言,单模态的医学图像配准依然是个难点。这种灰度不均匀性主要是由临床采集磁共振图像时的噪声和偏场所导致的。另外,在临床实际应用中,单模态的医学图像仅仅只能提供一种图像信息,反映病人某一方面的信息。由于单模态的医学图像所包含的图像信息是单一的、不完整的,而不同的成像技术对于同一解剖结构产生的信息是相互补充、相互说明的。假如能够对不同模态的医学图像信息进行综合利用,就可以弥补由单模态医学图像的不完整信息而引起的误诊和误疗,因此,临床上迫切需要将不同模态的医学图像融合在一起,以便临床医生可以更全面、更丰富地了解人体组织器官和病变组织的情况,从而进行准确的诊断、合理的治疗。医学图像配准是医学图像融合的前提和难点。因此,对该技术的深入研究具有重要的理论意义和临床应用价值。医学图像配准是图像对比、变化分析、目标跟踪和目标识别等的必要步骤,是其它图像处理算法的基础,如医学图像分割、医学图像重建等。医学图像配准技术还广泛应用于真实医学图像与图谱的比较、外科手术导航、肿瘤参数估计、心脏运动估计、创建平均图谱、手术定位及放疗计划设计等多个方面。根据配准基准的特性,医学图像的配准方法可以分为两类,分别是基于图像灰度的配准和基于图像特征的配准。在大多数情况下,医学图像特征点的位置比较复杂,很难进行准确地提取,从而给图像配准的结果带来负面影响。基于图像灰度的方法不需要提取图像的特征,而是利用图像的灰度信息,因而,更容易得到准确的结果。基于最大互信息量的医学图像配准技术是最近几年被广泛使用的一种基于图像像素灰度的方法。互信息量源于信息论,用来衡量两个随机变量之间的相似程度,它不需要选择标志点或是提取图像的特征,也不需要假设图像中像素的灰度值存在某种线性关系,因此,是一种进行多模态医学图像配准的有效方法。但是以互信息作为相似性测度的方法也存在一定的缺点,比如对噪声、图像间的覆盖程度、采样点个数比较敏感,当图像空间分辨率比较低,图像出现部分缺损时容易出现误配。为此很多学者进行了改进：Studholme提出了归一化的互信息量方法,它是指边缘熵与联合熵的比值,边缘熵增大会受到联合熵增大的约束。归一化的互信息量不光考虑了联合熵需要较小,也考虑了重叠区域图像的信息,较好的平衡了二者之间的关系。虽然该方法可以解决互信息量对图像间覆盖程度比较敏感的问题,但不足之处是,它忽略了医学图像的空间信息与方向信息。荷兰学者Pluim提出一种将图像的梯度信息与互信息量相结合的方法。该方法考虑了图像的空间信息,一般情况下,都可以取得较好的配准效果,但由于图像梯度本身就对噪声十分敏感,所以,当医学图像中存在一定量的噪声时,配准的效果并不理想。另外,求解医学图像梯度的过程本身计算量大、很耗时。Russakoff提出了区域互信息量的概念,该方法是在局部范围内计算医学图像之间的互信息量,所以对噪声有一定的抑制作用。因此,本论文提出一种新的相似性测度-相位一致和区域互信息量,将区域互信息量和可以描述医学图像特征的相位一致性相结合,不仅考虑了图像的灰度信息,而且考虑了图像的邻域信息,具体见第三章。以上相似性测度都是假设各像素点之间的关系是独立的,认为医学图像的灰度关系是恒定不变的。但在某些情况下,上述假设往往是不成立的。当医学图像受到噪声、灰度非均匀场和造影剂的影响时,这些传统的相似性测度的鲁棒性差,往往不能产生令人满意的配准结果。早期采用物理的方法,即改变医疗设备的成像参数来抑制灰度不均匀性的产生,但该方法不具有通用性,因而无法在临床上被广泛使用。后期主要是对医学图像进行后处理,与医疗设备无关,因而通用性较强。许多学者提出使用模型来模拟灰度偏移场,但模拟的准确程度受到函数阶数的影响,当函数的阶数较高时,必然导致计算量的增加。后来,学者们提出利用局部相相似性测度对灰度不均匀的医学图像进行配准,其核心思想是：在小邻域的窗口内计算相似性测度时,可将图像视为是灰度均匀的。虽然此类方法对灰度不均匀的医学图像可以产生较好的配准结果,但小窗口的计算,将会增大计算量。也有学者利用马尔可夫随机场的方法进行配准,这种方法会过分依赖局部灰度的关系,且对初始参数的要求较高。Khader和Hamza提出一种以信息论为基础的Jensen-Tsallis（JT）熵进行医学图像配准,该算法采用三次B样条建模形变场,利用拟牛顿法来优化配准过程,最后用解析的方法求取JT测度的导数。但是该算法对优化方法要求过高,且计算复杂度较高。Myronenko提出了基于残差复杂性的相似性测度,通过解析的方法求取灰度校正场,与前述方法的不同之处在于,该测度的表达式中不含有灰度偏移场,从而自适应的约束了灰度偏移场,在一定程度上避免了灰度非均匀性对配准结果的影响,但该方法的不足之处是对参数非常敏感。本论文的另一个工作就是对残差复杂性方法进行改进。本论文主要做了以下两个方面的工作,具体如下：1、基于相位一致和区域互信息量的医学图像配准如前所述,区域互信息量考虑了像素点与其邻域像素点的灰度关系,是一种更平滑、更准确的相似性测度,由于是在局部范围内计算医学图像之间的互信息量,因而,具有良好的抗噪性,可以有效地避免局部极值的产生。相位一致描述了医学图像的结构信息,是一种比较新的图像特征,可以用来度量图像中各个位置上各个频率成分的相位的相似程度。相位一致认为在对图像进行傅里叶变化后,相位最大的点为图像中特征最明显的点。由于相位一致不是基于图像亮度梯度的,所以它对图像亮度和对比度变化具有不变性。传统的边缘检测算子,如Marr算子、Sobel算子、Canny算子,其本质都是基于图像像素梯度的变化程度,因而,检测的结果严重依赖于图像亮度和对比度的变化程度。当光照条件不理想、图像受噪声污染、图像的亮度变化不剧烈的时候,检测的效果通常不理想。基于相位一致性的特征检测可以很好地解决这个问题,即便医学图像的对比度比较弱,它也可以检测到边缘的存在,也就是说,相位一致性方法能够检测到图像中实际边缘的存在,而不会受到明暗对比度的影响。这就从另外一个方面证明了相位信息是可以从底层来描述图像的纹理结构,与噪声污染的大小、光照条件的好坏、或者图像亮度分布的均匀程度等无关。因此,本文提出一种新的相似性测度-相位一致和区域互信息量,并在此基础上构造了一种新的多模态医学图像配准算法-基于相位一致和区域互信息量的配准算法。新测度不仅使用了图像的灰度信息,而且采用可以描述图像结构的特征-相位一致。首先,充分考虑医学图像中各个像素的邻域信息,引入区域互信息量代替传统的互信息量；其次,分别获取待配准的两幅图像在不同方向上的相位一致性图像；最后,将相位一致性图像和原始图像引入到区域互信息量中计算新测度,从而进行配准。该方法结合了医学图像的邻域信息和结构信息。实验结果表明该算法具有精度高、鲁棒性强等特点,特别适合于医学图像配准。2、基于指数加权残差复杂性的医学图像配准众所周知,磁共振成像对软组织成像清晰,具有较高的分辨率,可以避免探查诊断的手术,大大提高了医生的诊断效率。磁共振成像具有多方位任意切层的能力,属于一种无创性的检测方法。它不使用对人体有害的X射线和容易引起人体过敏反应的造影剂,已成为人们进行组织器官的病理和解剖研究的重要手段,从而被广泛的应用于各类疾病的检测与诊断中。但由于磁共振成像设备的限制,临床采集的磁共振图像通常含有由噪声、偏移场导致的灰度不均匀和运动伪影等不良因素。灰度不均匀性是指医学图像中同一组织或结构的灰度缓慢变化。通常情况下,主要是由于不均匀的扫描磁场而引起的。这种灰度不均性将会给医学图像配准带来严重挑战。另外,注入造影剂前和注入造影剂后的两幅医学图像也可以认为存在着灰度不均匀性。本文提出一种新的基于图像灰度的相似性测度-指数加权的残差复杂性。传统的基于灰度的相似性测度并没有考虑医学图像中各个像素之间的依赖关系,所以容易受噪声、灰度偏移场和造影剂的影响,从而造成误配。残差复杂性在一定程度上可以克服这一难点,但该相似性测度对初始参数值非常敏感,参数设置不正确往往达不到好的配准效果。本文提出的新相似性测度-指数加权的残差复杂性,利用参考图像的局部方差以指数函数的形式构造加权函数,在图像残差比较大的地方给予小的权重约束,在图像残差比较小的地方给予大的约束,计算约束后残差图像的残差复杂性作为的新的相似性测度。新测度充分考虑了医学图像中各个像素之间的关系,将待配准的两幅图像的空间信息引入到配准过程中,使得配准结果更平滑、鲁棒性更好,不容易陷入局部极值。我们分别使用模拟数据和真实数据对新测度进行验证,实验表明本文提出的新测度-指数加权的残差复杂性更平滑,对噪声、灰度偏移场、造影剂和初始参数具有更高的鲁棒性。
彭莎[6]（2011）在《放疗计划系统中医学图像配准与分割技术研究》文中提出目前,放射治疗是癌症治疗中非常重要的手段之一,其核心问题是“精确化”。放疗计划系统是连接放射治疗硬件设备与放射治疗临床实施之间的纽带,是制定放射治疗方案必不可少的软件系统,是放射治疗精确化的基本保障。自动化程度高、时间复杂度低、精确、鲁棒的医学图像配准与分割技术是放疗计划系统中的核心技术。本文结合典型放疗计划系统的需求和医学图像的一般特点,对基本的PV插值、PSO优化以及knockout分割等三个算法进行了研究和有针对性地改进,实验结果表明,改进有效地提高了算法的性能。研究了基于互信息配准中的灰度插值技术,并改进了PV灰度插值算法。基本的PV插值算法会使互信息函数在整数倍位移处产生严重的局部极值振荡现象,这些局部极值将降低后续搜索优化算法的效率和效果,甚至导致搜索结果错误。实验表明,使用PV算法和Cubic算法的加权平均作为改进的算法进行插值,能明显减少互信息函数的局部极值振荡现象,提高互信息函数的平滑度。研究了基于互信息配准中的搜索优化技术,并改进了PSO搜索优化算法。基本的PSO优化算法搜索效率较低:一是,初始粒子的随机性,增加了搜索成本;二是,兼顾全局最优的指导搜索,导致算法在达到精度范围后,不能马上终止,延长了时间,甚至无法收敛到区间内最优位置。实验表明,先将随机初始粒子进行Powell局部优化,再通过PSO算法和NM算法交叉寻优,能有效提高算法的搜索速度和精度。研究了基于数字抠图的软分割技术,并改进了knockout算法的三个方面:针对基本knockout半自动分割技术交互方式不适用于多目标自动前景提取的不足,采用otsu阈值法和区域生长法进行前景颜色样本集的校正;针对基本背景颜色建模方式容易产生误分割的不足,采用负梯度搜索法进行背景颜色样本集的校正;结合医学图像的特点,通过三通道颜色空间变换获得单一亮度分量,推导出alpha在单通道中的计算式。实验表明,改进的算法性能在交互效率、处理速度和精确度等三个方面得到了提高。
刘岩[7]（2010）在《多模态图像配准技术在无人机自主导航中的应用研究》文中提出图像导航已成为精确制导武器的主要发展趋势,包括可见光图像导航、红外图像导航、SAR图像导航等形式,它和其它导航方式组成的组合导航系统具有更高的精度和可靠性。在电子战、反卫星战的不利因素下,如何增强无人机在实时战场的生存能力成为无人机导航首要考虑的问题。采用以红外和可见光图像为配准源的图像导航不仅具有较高的自主性和较强的抗电磁干扰的能力,还具有夜间导航的优势。因此,以红外和可见光图像配准为基础的无人机图像导航是一种理想而又可靠的导航方式。由于红外图像和可见光图像在成像特性、成像距离、成像时间及成像视点上的不同,二者反映的目标物体的灰度、形状以及图像间旋转的角度都会发生很大变化,导致图像局部不相似,加之导航实时性的要求,采用传统的基于图像灰度和基于特征的配准方法已不能满足要求。因此,寻找一种具有适应性强、精度高、配准速度快的算法成为无人机在复杂战场环境下自主导航的迫切需要。本文以上述问题为依据,围绕应用于图像导航的配准算法为关键技术展开研究。针对红外和可见光图像的特点,以互信息为配准的相似性测度,采用最大互信息和归一化互信息对复杂情况下的图像配准进行了实验,验证了互信息测度的有效性。为了解决图像间存在的大角度旋转问题,本文提出了一种抗大角度旋转的配准方法,通过对加入噪声、模糊等情况下的仿真实验,验证了该方法的精确性、鲁棒性和准实时性。图像配准的本质是一个多参数优化问题。通过对基本Powell法的改进,克服了该优化算法容易陷入局部极值、搜索效率差的缺点。插值是图像配准中的一个重要步骤,在插值的过程中会不可避免的带来局部极值。本文在分析互信息函数局部极值成因的基础上,将双线性插值和PartialVolume插值相结合,形成两种算法的优势互补,达到了较好的效果。此外,本文以图像的小波变理论为基础,对小波配准中的若干问题进行了详细的阐述。利用改进的Powell法和小波多分辨率策略对图像进行分层搜索,从而使算法的快速性得到了提升。
陈伟卿[8]（2010）在《基于互信息的医学图像刚性配准研究》文中指出图像配准在各种图像分析处理中都有广泛的应用,是图像处理学科中具有科学意义的一项经典研究内容。医学图像配准是医学图像处理与分析中的一项重要技术,在医学诊断和临床治疗等方面具有重要的应用价值。基于不同机理采集到的多种模态的医学图像,从不同方面提供了人体内部组织的信息,现代医学常常需要将其中的互补信息有机结合起来进行分析,以提高诊断和治疗水平。多幅图像的结合分析前首先要解决的问题就是图像的严格配准。然而,由于病人内部组织在不同模态图像显示中的差异,以及定位、图像分辨率和对比度等参数设置的不同,仅凭观察将多幅图像人工对齐既费时又不精确,这就需要研究和开发图像配准技术。医学图像配准是指寻找某种空间变换,通过该变换使两幅图像的同一位置上的像素点对应相同的解剖位置。作者参与开发了国家863高科技计划资助项目（863-306-ZD 13-03-6）动态多叶光栅适形调强放射治疗系统的图像图形处理系统,该系统中多模态图像配准模块即是医学图像配准的一个具体应用。对于医学图像配准而言,鲁棒性、精度和速度都很重要,同时应尽量减少或避免人工介入。互信息作为配准相似性测度,由于不需对图像灰度作任何假设,因此尤其适用于多模态医学图像配准,其鲁棒性和适应性皆优于其它常规配准方法,是近年来图像处理的研究热点之一。本文分析和总结了基于互信息的医学图像配准原理、方法及工作流程,针对常规互信息计算耗时长、没有充分考虑像素间的空间联系、互信息函数存在局部极大值这几方面的不足,对基于互信息的二维图像刚性配准方法进行了研究改进。主要工作如下：1.针对常规互信息配准方法耗时较长问题,提出了一种引入宏观形状信息的由粗到精的分层次配准方法。图像梯度描述了像素间的灰度变化,在一定程度上反映了图像的形状特征,利用图像梯度提取图像的质心和主轴作为形状信息,得到粗略配准参数；然后采用基于互信息的配准方法对粗配准后的图像精确配准。粗配准不需进行优化搜索即可实现,且可避免精配准阶段因变换初始值选择不当而陷入互信息局部极值的困扰。实验结果表明,该方法配准精度与常规互信息方法相近,而运算用时仅为后者的3%,大大加快了配准速度。2.针对互信息未考虑灰度的空间分布这一局限性,提出了梯度相似性的概念,并将其与常规互信息结合,构成一种新的配准相似性测度。具体思想是根据待配准图像对应像素间的梯度模值和方向两方面的相似性,计算出两图像间的整体相似性系数,将该系数与两图像互信息的乘积作为配准测度进行医学图像配准。实验结果表明,由于加入了梯度信息,本文提出的配准方法比常规互信息配准方法更鲁棒。3.上面将梯度相似性综合成一个梯度系数与互信息相乘的方法,没有从互信息理论本身对其进行改进,因此又提出了一种新的灰度与梯度共生二阶互信息测度。在计算互信息的过程中,统计联合直方图时即将像素灰度与其对应梯度信息结合起来,这样,二阶互信息就能同时反映图像的灰度及空间信息,拓展了配准中互信息的内涵。分别采用常规互信息、灰度共生二阶互信息以及本文方法作为相似性测度,进行大量的配准实验,结果表明本文提出的二阶互信息配准方法配准成功率较高,鲁棒性较好；同时,在三种方法都能成功配准的实例中,本方法获得的配准精度也比其他方法高。4.分析了互信息计算时部分体积（PV）插值法使互信息函数产生局部极大值的原因,并针对这一问题,提出了改进的PV插值法,即BHPV （Blackman-Harris PV）插值法。传统PV插值法采用脉冲函数分配联合直方图中相邻像素的权重,而BHPV采用近似Blackman-Harris窗sinc函数来计算权值；同时,PV插值法涉及的领域像素点的个数最多为4, BHPV法则将数目增至16。因此,BHPV插值法可以避免使互信息函数在整数平移位置产生局部极大值。实验结果表明,相对于基于PV插值的互信息配准方法,基于BHPV插值的互信息配准方法鲁棒性更强。以上几种方法从不同角度对传统互信息进行改进,后三种方法又可用于第一种方法的精配准阶段,使配准算法快速、鲁棒、准确。此外,上述几种方法可以互为校核。
滕凯风[9]（2008）在《遥感图像多分辨率配准和融合方法的研究》文中研究表明目前的卫星遥感系统能提供大量多时相或是多传感器的图像数据,为了充分利用这些多时相或是多传感器的信息,需要有效融合这些图像信息的技术,而图像的配准和融合是完成多幅图像之间信息的融合的关键图像处理技术之一。多分辨率的图像配准算法是一种广泛采用的方法,它一般采用离散小波变换将图像分解为不同分辨率的一组图像,然后由低分辨率到高分辨率进行分层配准,相比直接对原始图像进行配准的方法,基于多分辨的配准方法可以有效提高配准速度。但研究表明,使用离散小波变换的图像配准方法对于图像平移是敏感的,本文首先从理论上分析了产生这种现象的原因,进而提出了一种对图像平移不敏感的小波配准方法,即基于解析小波的多分辨率图像配准方法,理论分析和实际数据仿真均表明该方法对图像平移是鲁棒的。此外,本文研究了多分辨率图像配准的搜索策略问题。针对互信息目标函数中存在较多局部极值的问题,本文提出了一种采取双目标函数:即同时利用图像的高频子带和低频子带的互信息作为配准的目标函数,的图像配准新方法,分析表明它能有效防止优化算法过早陷入局部最优值。为了能更快地找到全局最优值,本文进一步提出了基于免疫算法和方向加速法的混合优化的算法,仿真结果证明了本文提出的方法的有效性。此外,针对注入模型受到数值不稳定现象的影响而可能导致注入强度不稳定的问题,本文提出了一种新颖的图像融合算法。新方法使用非降采样小波提取全色图像空间信息,注入模型参数由优化算法设置。新融合算法在无需人为设置融合参数的同时,克服了数值不稳定问题。实际图像的融合结果表明本文的方法在视觉效果以及客观指标方面均有改善。
张倩[10]（2008）在《基于互信息的医学图像配准算法研究》文中研究指明随着医学影像工程和计算机技术的发展,医学成像技术已经成为现代医疗的一个重要组成部分,其应用贯穿于整个临床工作。由于不同设备的成像原理不同,临床诊断上出现了计算机X射线断层造影成像、核磁共振成像、单光子发射型计算机断层成像等多种模态的医学图像,这些图像反映了人体脏器和病变组织的不同信息。临床上,为了更准确地进行诊断,通常需要将来自不同设备的图像或者来自同一设备不同时刻的图像进行整合,以便进行更好的定量分析。对几幅不同的医学图像进行定量分析,首先要解决的就是图像的严格对齐问题,即图像的配准。医学图像配准是指通过空间几何变换,使两幅或者多幅图像上所有的解剖点,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。图像配准的效果直接影响后续诊断的精确性,因此只有对医学图像进行高精度的配准,才能为医生提供准确的辅助诊断依据。医学图像配准是医学图像处理领域中的一项重要技术,是信息科学、计算机图像技术与医学等多学科交叉的一个研究领域。当前,医学图像配准基本可以分为基于图像特征的方法和基于灰度统计的方法。本文着重讨论了基于最大互信息的图像配准方法,它属于灰度统计方法的一种。本文分别从相似性测度本身和优化算法的角度,对配准方法进行了研究和改进。论文基于互信息、小波变换等理论方法,对基于互信息的医学图像配准技术进行了深入的研究;并将粒子群优化算法和单纯形算法结合起来进行图像配准;在上述工作的基础上,对人工免疫算法进行了改进;结合临床实践的需求,分别对单模态和多模态医学图像配准问题进行了深入的研究和探讨。论文的主要工作如下:（1）论文首先讨论了基于互信息的相似性测度。讨论了互信息的定义、性质、及其用于图像配准的原理;讨论了归一化互信息,并通过实验比较了二者的性能曲线。实验表明,归一化互信息的性能曲线较平滑,能有效降低局部极值的影响,且峰值较明显。（2）论文讨论了小波变换和PSO-SM混合优化算法在医学图像配准中的应用。在此研究中,针对基于互信息配准方法存在的局部极值和运行时间长等问题,从优化算法着手,提出利用小波变换对图像进行多分辨率分解,用粒子群优化和单纯形相结合的混合优化算法对最低分辨率图像配准,而仅用单纯形法对较高分辨率图像配准。粒子群优化算法全局搜索能力强,而单纯形法能有效地进行局部搜索,将两种算法结合起来能大大提高配准精度;同时,文中利用小波变换的性质逐步缩小搜索范围,提高了配准速度。实验证明该方法配准速度快,精度高。（3）论文在研究常用优化算法的基础上,提出将改进的人工免疫算法应用于图像配准。此研究仍然采用基于互信息的图像配准,通过借鉴生物免疫系统中的选择原理和记忆机制,将人工免疫算法应用于图像配准。论文以单纯形法得到的解为中心,初始化一组解作为初始种群,避免了传统免疫算法的盲目搜索;通过将图像的质心作为接种疫苗,提高了搜索速度。论文最后对全文进行了总结,并对下一步的研究工作进行了展望。
二、基于互信息量图像配准中目标函数局部极值的克服（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于互信息量图像配准中目标函数局部极值的克服（论文提纲范文）
（1）面向医学图像复杂形变和非线性灰度差异配准的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩略词 |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 医学图像配准关键技术的国内外研究现状 |
| 1.2.1 医学图像配准算法发展历程 |
| 1.2.2 空间变换 |
| 1.2.3 插值法 |
| 1.2.4 相似性测度 |
| 1.2.5 优化算法 |
| 1.3 医学图像配准评价指标 |
| 1.3.1 准确性 |
| 1.3.2 鲁棒性 |
| 1.3.3 时效性 |
| 1.3.4 可重复性 |
| 1.4 拟解决关键问题 |
| 1.5 论文的研究内容 |
| 1.6 论文结构安排 |
| 第二章 基于局部结构张量-互信息的多模态图像配准算法 |
| 2.1 引言 |
| 2.2 本章算法概述 |
| 2.3 局部结构的权值函数描述 |
| 2.4 LST-MI相似性测度 |
| 2.4.1 联合分布概率密度函数计算 |
| 2.4.2 局部结构权值函数与联合分布概率密度函数的结合 |
| 2.4.3 LST-MI新测度计算 |
| 2.5 配准模型的优化求解策略 |
| 2.5.1 优化方法 |
| 2.5.2 代价函数梯度计算 |
| 2.6 基于LST-MI配准算法的完整配准流程 |
| 2.7 实验结果与分析 |
| 2.7.1 LST-MI测度的有效性实验 |
| 2.7.2 LST-MI算法鲁棒性、精度和速度评估 |
| 2.7.3 讨论 |
| 2.8 本章小结 |
| 第三章 基于HDCS滤波正则化模型的医学图像配准算法 |
| 3.1 引言 |
| 3.2 本章算法概述 |
| 3.3 图像的预处理 |
| 3.3.1 肺实质感兴趣区域的提取 |
| 3.3.2 待配准体数据的构建 |
| 3.3.3 初始配准 |
| 3.4 基于HDCS滤波的正则化模型形变配准 |
| 3.4.1 基于HDCS滤波正则化模型的构建 |
| 3.4.2 基于HDCS滤波正则化模型约束的形变配准算法实现 |
| 3.5 实验结果分析 |
| 3.5.1 客观定量评估 |
| 3.5.2 主观可视化评估 |
| 3.5.3 讨论 |
| 3.6 本章小结 |
| 第四章 基于Log-Euclidean协方差矩阵描述符的医学图像配准算法 |
| 4.1 引言 |
| 4.2 本章算法概述 |
| 4.3 基于向导图像滤波和多分辨率策略的图像预处理 |
| 4.4 LECM描述符和新匹配项的构建 |
| 4.5 LECM Demons配准算法的完整实现 |
| 4.5.1 LECM Demons配准模型的目标能量函数构建 |
| 4.5.2 LECM Demons配准算法的实现步骤 |
| 4.6 实验结果和分析 |
| 4.6.1 人工合成图像对比分析 |
| 4.6.2 临床医学图像对比分析 |
| 4.6.3 LECM Demons算法收敛速率和鲁棒性分析 |
| 4.7 本章小结 |
| 第五章 基于局部相位和相位一致性的医学图像配准算法 |
| 5.1 引言 |
| 5.2 本章算法概述 |
| 5.3 LPPCO特征描述符的提取 |
| 5.3.1 基于Log-Gabor小波的相位一致值和局部相位均值计算 |
| 5.3.2 LPPCO特征描述符的实现 |
| 5.4 基于LPPCOncc测度的控制点对检测 |
| 5.4.1 LPPCOncc测度的构建过程和有效性验证 |
| 5.4.2 基于LPPCOncc测度的快速模板匹配 |
| 5.5 基于LPPCOncc测度的多模态图像配准算法实现 |
| 5.6 实验结果与分析 |
| 5.6.1 数据集描述 |
| 5.6.2 LPPCOncc测度的参数选择 |
| 5.6.3 基于LPPCOncc测度配准算法配准性能分析 |
| 5.7 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（2）基于MR数据生成伪CT数据的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 经典算法及研究现状 |
| 1.3 磁共振图像脑组织分类模型 |
| 1.4 多模态MR-CT图像配准模型 |
| 1.5 生成对抗式网络的图像翻译模型 |
| 1.6 本文研究的主要内容和结构安排 |
| 2 基于组织分割的伪CT图像预测模型研究 |
| 2.1 MRI脑组织提取预处理 |
| 2.1.1 图像去噪 |
| 2.1.2 颅骨剥离 |
| 2.2 基于灰度直方图的MRI组织提取 |
| 2.3 实验结果与分析 |
| 2.4 本章小结 |
| 3 MR-CT图像配准的基本理论 |
| 3.1 MR-CT图像配准涉及的主要技术 |
| 3.1.1 特征空间的提取 |
| 3.1.2 几何变换 |
| 3.1.3 灰度插值技术 |
| 3.1.4 相似性测度 |
| 3.1.5 搜索策略优化 |
| 3.2 互信息的基本理论 |
| 3.3 Powell优化的基本理论 |
| 3.4 基于Powell优化的MR-CT图像配准 |
| 3.5 本章小结 |
| 4 基于powell优化策略的自适应配准 |
| 4.1 等效直径比变换法 |
| 4.1.1 算法原理 |
| 4.1.2 实验结果与分析 |
| 4.2 最大感兴趣区域变换法 |
| 4.2.1 算法原理 |
| 4.2.2 实验结果与分析 |
| 4.3 对比实验 |
| 4.4 本章小结 |
| 5 基于图像翻译算法的伪CT图像预测 |
| 5.1 生成对抗式网络模型 |
| 5.2 基于Pix2Pix的伪CT图像预测 |
| 5.3 评测标准 |
| 5.4 实验结果与分析 |
| 5.4.1 数据集预处理 |
| 5.4.2 结果与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
（4）声纳图像配准与融合技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 论文研究背景和意义 |
| 1.3 图像配准关键技术的研究进展 |
| 1.3.1 相似度量函数 |
| 1.3.2 优化策略 |
| 1.3.3 非刚性配准算法 |
| 1.4 图像融合关键技术的研究进展 |
| 1.4.1 图像融合的层次 |
| 1.4.2 像素级图像融合的常见方法 |
| 1.4.3 基于多尺度分解的图像融合规则 |
| 1.5 图像质量评价标准 |
| 1.6 本文的研究重点 |
| 第2章 基于互信息的声纳图像配准 |
| 2.1 引言 |
| 2.2 互信息的概述 |
| 2.2.1 熵 |
| 2.2.2 互信息 |
| 2.3 基于互信息的图像配准框架 |
| 2.3.1 互信息度量函数 |
| 2.3.2 优化算法 |
| 2.4 互信息图像配准中的主要问题 |
| 2.4.1 互信息度量函数的空间局限性 |
| 2.4.2 插值运算带来的局部极值问题 |
| 2.5 本文解决方法 |
| 2.5.1 基于梯度互信息的度量函数 |
| 2.5.2 混合优化算法 |
| 2.6 综合实验 |
| 2.6.1 相似度量函数性能分析 |
| 2.6.2 优化策略性能分析 |
| 2.7 本章小结 |
| 第3章 基于Demons模型的声纳图像配准 |
| 3.1 引言 |
| 3.2 Demons非刚性配准方法 |
| 3.2.1 经典Demons算法 |
| 3.2.2 主动Demons算法 |
| 3.2.3 参数选取对配准过程的影响 |
| 3.3 Demons算法面临的主要问题 |
| 3.3.1 灰度梯度信息缺乏 |
| 3.3.2 驱动力方向相背 |
| 3.4 改进Demons算法 |
| 3.5 综合实验 |
| 3.6 本章小结 |
| 第4章 基于Piella框架的声纳图像融合 |
| 4.1 引言 |
| 4.2 基于Piella多尺度图像融合框架 |
| 4.2.1 多分辨率分析方法 |
| 4.2.2 融合规则 |
| 4.3 基于Piella框架的声纳图像融合 |
| 4.3.1 基于Piella多尺度图像融合扩展框架 |
| 4.3.2 算法步骤 |
| 4.4 综合实验 |
| 4.5 本章小结 |
| 第5章 图像融合性能评价 |
| 5.1 引言 |
| 5.2 图像融合质量评价标准 |
| 5.2.1 主观评价标准 |
| 5.2.2 客观评价标准 |
| 5.3 评价标准的选取 |
| 5.4 图像融合性能的分析与讨论 |
| 5.4.1 图像分解层数对融合性能的影响 |
| 5.4.2 窗口区域大小对融合性能的影响 |
| 5.5 基于区域相似性的图像融合评价方法 |
| 5.5.1 基于区域的多特征获取 |
| 5.5.2 区域相似性度量 |
| 5.5.3 算法步骤 |
| 5.6 综合实验 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）医学图像配准中相似性测度的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 医学图像配准的发展 |
| 1.3 论文主要工作 |
| 1.4 本文研究内容创新 |
| 参考文献 |
| 第二章 医学图像配准 |
| 2.1 医学图像配准的概念 |
| 2.2 医学图像配准方法的分类 |
| 2.3 医学图像配准的基本步骤 |
| 2.3.1 相似性测度 |
| 2.3.2 空间变换 |
| 2.3.3 图像插值 |
| 2.3.4 优化算法 |
| 2.4 结论 |
| 参考文献 |
| 第三章 基于相位一致和区域互信息量的配准 |
| 3.1 引言 |
| 3.2 相位一致性 |
| 3.3 区域互信息量 |
| 3.3.1 图像的熵、条件熵、联合熵 |
| 3.3.2 互信息量的定义 |
| 3.3.3 区域互信息量 |
| 3.4 基于相位一致和区域互信息量的配准 |
| 3.5 实验结果与分析 |
| 3.6 结论 |
| 参考文献 |
| 第四章 基于指数加权残差复杂性的图像配准 |
| 4.1 引言 |
| 4.2 残差复杂性 |
| 4.3 构造加权函数 |
| 4.3.1 局部方差 |
| 4.3.2 构造指数加权函数 |
| 4.4 基于指数加权残差复杂性的配准 |
| 4.5 实验结果与分析 |
| 4.6 新算法在医学图像分割中的应用 |
| 4.7 结论 |
| 参考文献 |
| 第五章 总结与展望 |
| 5.1 本文的工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 作者在攻读博士学位期间发表的论文 |
| 申请国家发明专利 |
| 统计合格证明 |
（6）放疗计划系统中医学图像配准与分割技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的意义 |
| 1.2 放射治疗的重要地位 |
| 1.3 放疗技术的发展现状 |
| 1.4 放疗计划系统的结构 |
| 1.5 放疗计划系统中的医学图像处理技术 |
| 1.5.1 医学图像预处理 |
| 1.5.2 医学图像分割 |
| 1.5.3 医学图像配准 |
| 1.5.4 医学图像融合 |
| 1.5.5 医学图像三维重建 |
| 1.6 论文的安排 |
| 第二章 基于互信息的配准技术概述 |
| 2.1 引言 |
| 2.2 图像配准的数学表达及其参数空间 |
| 2.2.1 刚体变换 |
| 2.2.2 仿射变换 |
| 2.2.3 投影变换 |
| 2.2.4 非线性变换 |
| 2.3 图像配准的两类方法 |
| 2.3.1 基于特征的配准 |
| 2.3.2 基于灰度的配准 |
| 2.4 互信息测度与医学图像配准 |
| 2.4.1 相关概念 |
| 2.4.2 原理和流程 |
| 2.4.3 性能评价 |
| 2.5 本章小结 |
| 第三章 互信息配准中PV插值的研究 |
| 3.1 引言 |
| 3.1.1 平滑度 |
| 3.1.2 多模图像配准的预处理 |
| 3.2 经典插值算法的研究 |
| 3.2.1 原理 |
| 3.2.2 实验与分析 |
| 3.3 经典PV插值算法分析 |
| 3.3.1 互信息局部极值的成因 |
| 3.3.2 现有的改进方法 |
| 3.4 改进的PV插值算法 |
| 3.4.1 原理 |
| 3.4.2 实验与分析 |
| 3.5 本章小结 |
| 第四章 互信息配准中PSO优化的研究 |
| 4.1 引言 |
| 4.2 经典PSO算法的研究 |
| 4.2.1 原理 |
| 4.2.2 实验与分析 |
| 4.3 经典Powell算法的研究 |
| 4.3.1 原理 |
| 4.3.2 实验与分析 |
| 4.4 改进的PSO优化算法 |
| 4.4.1 原理 |
| 4.4.2 实验与分析 |
| 4.5 本章小结 |
| 第五章 医学图像分割中knockout抠图的研究 |
| 5.1 引言 |
| 5.2 数字抠图技术概述 |
| 5.2.1 蓝屏抠图 |
| 5.2.2 自然抠图 |
| 5.2.3 自然抠图的应用 |
| 5.3 经典算法的研究 |
| 5.3.1 knockout算法 |
| 5.3.2 otsu自适应阈值算法 |
| 5.3.3 区域生长算法 |
| 5.4 改进的knockout算法 |
| 5.4.1 经典knockout算法的缺陷 |
| 5.4.2 前景颜色模型的改进 |
| 5.4.3 背景颜色模型的改进 |
| 5.4.4 透明度估计的改进 |
| 5.5 实验与分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 本文完成的工作 |
| 有待完善的工作 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）多模态图像配准技术在无人机自主导航中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 无人机图像导航技术的发展和应用 |
| 1.2.1 图像导航的概念 |
| 1.2.2 无人机图像导航的特点及分类 |
| 1.2.3 无人机图像导航系统研究现状 |
| 1.3 论文的主要研究内容和章节安排 |
| 第二章 景象匹配导航系统 |
| 2.1 成像传感器及成像原理 |
| 2.1.1 无人机图像导航成像方式比较 |
| 2.1.2 成像系统工作原理及摄像机标定参数 |
| 2.2 飞行器平台图像信息变换 |
| 2.3 景象匹配导航系统的工作原理 |
| 2.3.1 景象匹配导航系统的组成 |
| 2.3.2 无人机航迹规划 |
| 2.3.3 数字地图和无人机航路位置修正 |
| 2.4 本章小结 |
| 第三章 图像的校正与优化搜索算法 |
| 3.1 图像的校正 |
| 3.1.1 图像的几何变换 |
| 3.1.2 图像的校正 |
| 3.1.3 图像的多分辨率过渡 |
| 3.2 多维参数优化算法 |
| 3.2.1 非数值优化算法 |
| 3.2.2 数值优化算法 |
| 3.2.3 算法搜索效率的比较 |
| 3.3 加速优化搜索算法 |
| 3.3.1 问题的提出 |
| 3.3.2 图像的多分辨率分解 |
| 3.3.3 图像小波变换的频率特性 |
| 3.3.4 小波基实验分析 |
| 3.4 加速优化搜索算法实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于互信息的多模态图像配准 |
| 4.1 图像配准的基本理论及方法 |
| 4.1.1 图像配准的概念 |
| 4.1.2 红外和可见光图像的配准 |
| 4.2 互信息理论与图像配准 |
| 4.2.1 信息熵与互信息理论 |
| 4.2.2 图像配准的互信息描述 |
| 4.2.3 互信息应用于图像配准的概率统计学原理 |
| 4.3 基于最大互信息的红外和可见光图像配准 |
| 4.3.1 最大互信息值法图像配准 |
| 4.3.2 最大互信息值法配准流程 |
| 4.3.3 配准实验分析 |
| 4.4 基于归一化互信息的红外与可见光图像配准 |
| 4.4.1 归一化互信息 |
| 4.4.2 配准实验分析 |
| 4.4.3 互信息法配准的优缺点 |
| 4.5 局部极值的成因及克服 |
| 4.6 本章小结 |
| 第五章 抗角度旋转多模态图像配准 |
| 5.1 景象匹配导航方案设计 |
| 5.1.1 航迹控制中图像配准区域的选择 |
| 5.1.2 飞行器前视场及匹配点的判断 |
| 5.2 基于共生区域互信息的多模态图像配准 |
| 5.2.1 基于区域互信息的图像配准 |
| 5.2.2 灰度共生矩阵和图像的共生熵 |
| 5.2.3 基于共生区域互信息的图像配准 |
| 5.3 抗角度旋转多模态图像配准实验 |
| 5.3.1 大角度旋转下图像配准实验分析 |
| 5.3.2 共生区域互信息配准的鲁棒性实验分析 |
| 5.4 算法性能评估 |
| 5.5 本章小结 |
| 第六章 总结及展望 |
| 6.1 本文工作的总结 |
| 6.2 研究工作的展望 |
| 致谢 |
| 参考文献 |
| 在读期间发表的论文 |
（8）基于互信息的医学图像刚性配准研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 图像处理与图像配准 |
| 1.1.2 医学图像配准 |
| 1.2 医学图像配准概述 |
| 1.2.1 医学图像配准一般流程 |
| 1.2.2 医学图像配准分类 |
| 1.3 医学图像配准技术研究现状 |
| 1.3.1 基于几何特征医学图像配准技术的研究现状 |
| 1.3.2 基于像素灰度的医学图像配准技术的研究现状 |
| 1.4 医学图像配准的评估 |
| 1.5 本文的主要工作 |
| 2 基于互信息与宏观形状信息相结合的由粗到精的医学图像配准 |
| 2.1 互信息基础理论 |
| 2.1.1 熵 |
| 2.1.2 条件熵与联合熵 |
| 2.1.3 互信息 |
| 2.2 基于互信息的图像配准方法 |
| 2.2.1 互信息测度 |
| 2.2.2 归一化互信息 |
| 2.2.3 灰度概率估计 |
| 2.2.4 优化策略 |
| 2.3 基于互信息与宏观形状信息相结合的由粗到精的医学图像配准 |
| 2.3.1 互信息配准中的加速策略 |
| 2.3.2 形状信息 |
| 2.3.3 基于互信息与形状信息相结合的由粗到精的配准方法 |
| 2.4 配准实验 |
| 2.5 小结 |
| 3 基于互信息与梯度相似性相结合的医学图像配准 |
| 3.1 互信息在空间信息表达方面的局限性 |
| 3.2 结合梯度信息的互信息方法(Pluim方法) |
| 3.3 改进的结合梯度相似性的互信息方法 |
| 3.3.1 梯度相似性 |
| 3.3.2 梯度相似性与互信息结合的联合配准测度 |
| 3.4 实验 |
| 3.4.1 配准函数性能曲线分析 |
| 3.4.2 准确性测试分析 |
| 3.4.3 鲁棒性测试分析 |
| 3.5 小结 |
| 4 基于灰度与梯度共生二阶互信息的医学图像配准 |
| 4.1 灰度共生二阶互信息(Rueckert二阶互信息) |
| 4.1.1 灰度共生矩阵 |
| 4.1.2 灰度共生二阶熵 |
| 4.1.3 灰度共生二阶联合熵 |
| 4.1.4 灰度共生二阶互信息 |
| 4.2 灰度与梯度共生二阶互信息 |
| 4.2.1 图像的梯度 |
| 4.2.2 灰度与梯度共生二阶熵 |
| 4.2.3 熵、灰度共生二阶熵、灰度与梯度共生二阶熵的对比 |
| 4.2.4 灰度与梯度共生二阶联合熵 |
| 4.2.5 灰度与梯度共生二阶互信息 |
| 4.3 实验与分析 |
| 4.3.1 函数性能曲线分析 |
| 4.3.2 配准实验 |
| 4.4 小结 |
| 5 基于改进PV插值互信息算法的医学图像配准 |
| 5.1 图像插值算法 |
| 5.2 PV插值互信息函数的局部极值成因及现有的改进方法 |
| 5.2.1 PV插值互信息函数局部极值成因 |
| 5.2.2 现有的改进方法 |
| 5.3 BHPV(Blackman-Harris PV)插值算法 |
| 5.3.1 BHPV算法思想 |
| 5.3.2 联合直方图增量的计算 |
| 5.3.3 函数性能分析 |
| 5.4 配准实验 |
| 5.4.1 可行性测试分析 |
| 5.4.2 鲁棒性测试分析 |
| 5.5 小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间发表学术论文情况 |
| 创新点摘要 |
| 致谢 |
| 作者简介 |
（9）遥感图像多分辨率配准和融合方法的研究（论文提纲范文）
| 目录 |
| 摘要 |
| ABSTRACT |
| 第一章 概述 |
| 1.1 引言 |
| 1.2 有关图像配准的研究 |
| 1.2.1 图像配准介绍 |
| 1.2.2 图像配准的空间变换模型 |
| 1.2.3 图像配准的特征空间 |
| 1.2.4 图像配准的相似度度最 |
| 1.2.5 图像配准的优化策略 |
| 1.2.6 图像配准和多分辨率技术 |
| 1.3 有关图像融合的研究 |
| 1.3.1 图像融合介绍 |
| 1.3.2 图像融合算法介绍 |
| 1.3.3 基于多分辨率变换的图像融合算法 |
| 1.4 图像配准和融合的应用 |
| 1.5 选题意义 |
| 1.6 本文的主要工作 |
| 1.7 内容安排 |
| 第二章 平移鲁棒的解析小波图像配准方法 |
| 2.1 引言 |
| 2.2 普通离散小波图像配准算法平移敏感性 |
| 2.3 解析小波及其在图像配准算法中的应用 |
| 2.4 实验结果 |
| 2.4.1 理想脉冲模型验证 |
| 2.4.2 图像实例验证 |
| 2.5 本章小结 |
| 第三章 基于双目标函数和混合优化算法的多分辨率遥感图像配准方法 |
| 3.1 引言 |
| 3.2 图像配准中的双目标函数策略 |
| 3.2.1 互信息 |
| 3.2.2 图像配准的双目标函数策略 |
| 3.3 一种近似平移不变的多分辨率分解方法 |
| 3.4 基于人工免疫和方向加速法的混合优化算法 |
| 3.4.1 人工免疫算法 |
| 3.4.2 混合优化算法 |
| 3.5 具体配准步骤 |
| 3.6 实验结果 |
| 3.7 本章小结 |
| 第四章 利用优化算法融合多光谱遥感图像与全色遥感图像的研究 |
| 4.1 引言 |
| 4.2 非降采样离散小波变换 |
| 4.3 图像融合细节信息的注入策略 |
| 4.4 图像融合目标函数的确定 |
| 4.5 具体图像融合方法的描述 |
| 4.6 实验结果 |
| 4.6.1 融合结果视觉分析 |
| 4.6.2 融合结果的客观指标评价 |
| 4.7 本章小结 |
| 第五章 结论 |
| 参考文献 |
| 硕士期间研究成果 |
| 致谢 |
（10）基于互信息的医学图像配准算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题提出的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织框架 |
| 第二章 医学图像配准的理论基础 |
| 2.1 图像配准的概念及原理 |
| 2.2 图像配准的基本步骤 |
| 2.2.1 几何变换 |
| 2.2.2 图像插值 |
| 2.2.3 相似性测度 |
| 2.2.4 优化算法 |
| 2.2.5 多分辨率方法 |
| 2.3 配准方法的分类 |
| 2.4 图像配准的主要方法 |
| 2.5 配准方法的评估 |
| 2.6 本章小结 |
| 第三章 基于互信息的医学图像配准 |
| 3.1 引言 |
| 3.2 互信息的定义及性质 |
| 3.2.1 互信息的定义 |
| 3.2.2 互信息的性质 |
| 3.3 互信息用于图像配准的原理 |
| 3.4 归一化互信息 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第四章 基于小波变换和混合优化算法的图像配准 |
| 4.1 引言 |
| 4.2 粒子群优化算法和单纯形结合的混合优化算法 |
| 4.2.1 基本粒子群优化算法 |
| 4.2.2 粒子群和单纯形结合的混合优化算法 |
| 4.3 基于小波变换的图像配准 |
| 4.3.1 图像的小波变换 |
| 4.3.2 基于小波变换的配准原理 |
| 4.3.3 小波变换和混合优化算法应用于图像配准的步骤 |
| 4.4 仿真实验 |
| 4.4.1 单模图像配准实验 |
| 4.4.2 多模图像配准实验 |
| 4.5 本章小结 |
| 第五章 基于改进人工免疫算法的图像配准 |
| 5.1 背景介绍 |
| 5.2 改进的人工免疫算法在图像配准中的应用 |
| 5.2.1 人工免疫算法的基本原理 |
| 5.2.2 改进的人工免疫算法 |
| 5.2.3 基于改进人工免疫的配准方案 |
| 5.3 仿真实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的主要学术论文目录 |
| 攻读学位期间参与的科研项目目录 |
| 学位论文评阅及答辩情况表 |
四、基于互信息量图像配准中目标函数局部极值的克服（论文参考文献）
- [1]面向医学图像复杂形变和非线性灰度差异配准的关键技术研究[D]. 张莉. 华南理工大学, 2019
- [2]基于MR数据生成伪CT数据的研究[D]. 朱冠菲. 中国计量大学, 2018(01)
- [3]基于边缘特征点互信息熵的医学图像配准方法[J]. 魏本征,甘洁,尹义龙. 数据采集与处理, 2018(02)
- [4]声纳图像配准与融合技术研究[D]. 王达. 哈尔滨工程大学, 2014(11)
- [5]医学图像配准中相似性测度的研究[D]. 张娟. 南方医科大学, 2014(11)
- [6]放疗计划系统中医学图像配准与分割技术研究[D]. 彭莎. 华南理工大学, 2011(12)
- [7]多模态图像配准技术在无人机自主导航中的应用研究[D]. 刘岩. 西安电子科技大学, 2010(10)
- [8]基于互信息的医学图像刚性配准研究[D]. 陈伟卿. 大连理工大学, 2010(10)
- [9]遥感图像多分辨率配准和融合方法的研究[D]. 滕凯风. 复旦大学, 2008(04)
- [10]基于互信息的医学图像配准算法研究[D]. 张倩. 山东大学, 2008(01)