本科生课程论文题目:互信息技术在数字图像配准中的应用姓名:学院:理学与信息科学学院专业:信息与计算科学班级:学号:指导教师:完成时间:2011 年7 月1 日2011年7月1日课程论文任务书学生姓名指导教师论文题目互信息技术在数字图像配准中的应用论文内容(需明确列出研究的问题):图像配准是使两幅图像上的对应点达到空间上一致的一个过程。
本文介绍了一种基于最大互信息原理的图像配准技术。
并针对基于最大互信息图像配准的不足,研究了基于Harris角点算子的多模态医学图像配准。
在计算互信息的时候,采用部分体积插值法计算联合灰度直方图。
在优化互信息函数的时候采用了改进的遗传算法将配准参数收敛到最优值附近。
资料、数据、技术水平等方面的要求:论文要符合一般学术论文的写作规范,具备学术性、科学性和一定的创造性。
文字要流畅、语言要准确、论点要清楚、论据要准确、论证要完整、严密,有独立的观点和见解。
内容要理论联系实际,计算数据要求准确,涉及到他人的观点、统计数据或计算公式等要标明出处,结论要写的概括简短。
参考文献的书写按论文中引用的先后顺序连续编码。
发出任务书日期2011.06.23 完成论文(设计)日期2011.07.01 学科组或教研室意见(签字)院、系(系)主任意见(签字)目录摘要: (1)Abstract: (2)前言 (3)1 概述 (4)1.1 互信息与信息论 (4)1.2 数字图像配准 (5)1.2.1 数字图像配准的介绍 (5)1.2.2 数字图像配准的方式 (5)1.2.3 数字图像配准的发展 (6)2 配准方法 (7)2.1 变换和插值模型 (7)2.2 特征点的提取 (8)2.3 多元互信息 (11)2.4 优化算法 (12)2.4.1 编码方式 (12)2.4.2适应度表示 (12)2.4.3轮盘赌法和最优保存策略 (12)3 互信息技术在图像配置中的应用 (13)3.1 Harris角点后的CT图和PET图 (14)3.2 配准过程及结果 (14)4 总结 (14)参考文献: (16)互信息技术在数字图像配准中的应用信息与计算科学专业指导教师【摘要】:医学图像配准技术已经被应用于心脏病诊断和包括脑瘤在内的各种各样的神经混乱诊断研究中。
图像配准是使两幅图像上的对应点达到空间上一致的一个过程。
本文介绍了一种基于最大互信息原理的图像配准技术。
并针对基于最大互信息图像配准的不足,研究了基于Harris角点算子的多模态医学图像配准。
在计算互信息的时候,采用部分体积插值法计算联合灰度直方图。
在优化互信息函数的时候采用了改进的遗传算法将配准参数收敛到最优值附近。
实验结果表明本方法具有较高的配准精度和稳定性。
【关键词】:图像配准互信息 Harris角点算子部分体积插值遗传算法Mutual Information Technology In The Digital Image Registration Application Student majoring in Information and Computing SciencesTutorAbstract:Medical image registration technology has been used in heart disease diagnosis and brain tumor, including all kinds of nerve disorder in the diagnosis and research. Image registration is to make two images of the corresponding points on the space to the same a process.Introduces a kind of mutual information based on the maximum principle of image registration technology.And in the light of the mutual information based on the maximum image registration is insufficient, based on the research of the operator Harris corner many modal medical image registration.In the calculation of the mutual information, the partial interpolation method to calculate the volume joint gray-level histogram.In the optimization of the mutual information function when using the improved genetic algorithm can converge to the registration parameters of the optimal value nearby.The experimental results show that this method has a higher registration accuracy and stability.Keywords:Image registration Mutual information Harris corner operator Part volume interpolation Genetic algorithm前言互信息是信息论的一个基本概念,是两个随机变量统计相关性的测度。
Woods用测试图像的条件熵作为配准的测度,用于PET 到MR 图像的配准。
Collignon 、Wells[1] 等人用互信息作为多模态医学图像的配准测度。
以互信息作为两幅图像的相似性测度进行配准时,如果两幅基于共同解剖结构的图像达到最佳配准时,它们对应的图像特征互信息应为最大。
最大互信息法几乎可以用在任何不同模式图像的配准中,特别是当其中一个图像的数据部分缺损时,所以这种方法广泛用于多模态图像的配准中。
但是,当待匹配图像是低分辨率、图像包含的信息不够充分或两幅待匹配图像的重叠部分较少时,基于互信息的配准目标函数就会极不光滑,出现较多局部最优解,为目标函数最优解的搜索带来较大的难度。
但由于该测度不需要对不同成像模式下图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,因此,该测度可以被广泛地应用于CT-MR,PET-MR 等多种图像的配准工作。
基于最大互信息的图像配准因为要进行全局参数优化搜索,配准时间也比较长。
Rangarajan[2] 等提出了一种利用互信息匹配形状特征点进行配准的策略. 该策略针对待配准的两幅图像,首先分别提取出形状特征点的集合,并定义这两个集合它们的互信息,然后使之最大化,以达到配准。
1 概述1.1 互信息与信息论一般而言,信道中总是存在着噪声和干扰,信源发出消息x,通过信道后信宿只可能收到由于干扰作用引起的某种变形的y。
信宿收到y后推测信源发出x的概率,这一过程可由后验概率p(x/y)来描述。
相应地,信源发出x的概率p(x)称为先验概率。
我们定义x的后验概率与先验概率比值的对数为y对x的互信息量,也称交互信息量(简称互信息)。
互信息是计算语言学模型分析的常用方法,它度量两个对象之间的相互性。
在过滤问题中用于度量特征对于主题的区分度。
互信息的定义与交叉嫡近似。
互信息本来是信息论中的一个概念,用于表示信息之间的关系, 是两个随机变量统计相关性的测度,使用互信息理论进行特征抽取是基于如下假设:在某个特定类别出现频率高,但在其他类别出现频率比较低的词条与该类的互信息比较大。
通常用互信息作为特征词和类别之问的测度,如果特征词属于该类的话,它们的互信息量最大。
由于该方法不需要对特征词和类别之问关系的性质作任何假设,因此非常适合于文本分类的特征和类别的配准工作。
信息论是一门应用概率论、随机过程、数理统计和高等代数的方法来研究信息传输、提取和处理系统中一般规律的学科;它的主要目的是提高信息系统的可靠性、有效性、保密性和认证性,以便达到系统最优化;它的主要内容包括香农理论、编码理论、检测和估计理论、信号设计和处理理论、调制理论、随机噪声理论和密码学理论。
信息理论的应用领域是十分广泛的,也是非常重要的,我们所知道的多是在通讯方面的应用,这是因为香农等人的工作开拓了这方面的广泛而深入的应用。
实际上,任一科学技术领域都离不开信息的基本知识和基本概念的。
1.2 数字图像配准1.2.1 数字图像配准的介绍图像配准(Image registration)就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程,它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。
配准技术的流程如下:首先对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;然后通过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。
而特征提取是配准技术中的关键,准确的特征提取为特征匹配的成功进行提供了保障。
因此,寻求具有良好不变性和准确性的特征提取方法,对于匹配精度至关重要。
1.2.2 数字图像配准的方式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[1],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。
1.2.3 数字图像配准的发展近年来,数字图像技术确实已经取得了不少进步,但我觉得图像传感器的技术革新依然不会放慢脚步,我们会继续致力于开发拥有更高表现和更多功能的传感器。
然而,我认为象素量的发展已经接近极限。