２０１０年３月 第２９卷１期 内蒙古科技大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｅｈｎｏｌｏｇｙ Ｍａｒｃｈ，２０１０ Ｖｏ１．２９．Ｎｏ．１
文章编号：１００４—９７６２（２０１０）０１—００４９—０４
一种基于角点特征的医学图像配准方法
吕晓琪，黄显武，张宝华
（内蒙古科技大学信息工程学院，内蒙古包头０１４０１０）
关键词：特征提取；ＳＵＳＡＮ算法；角点匹配；距离约束；图像配准 中图分类号：ＴＰ３９１ 文献标识码：Ａ 摘要：医学图像配准技术是医学图像融合及影像三维重建的基础．提出了一种基于ＳＵＳＡＮ算子的特征点的医学 图像配准方法．该方法利用ＳＵＳＡＮ算子提取两幅图像的角点，通过粗匹配和细匹配两个步骤建立特征点集之间的 对应关系，得到匹配特征点对．然后再根据这些特征点使用反向映射的仿射变换实现图像的配准．实验表明，此方 法能有效地实现医学图像的配准，并取得良好的精度．
Ａ ｍｅｄｉｃａｌ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｃｏｒｎｅｒ ｆｅａｔｕｒｅ
ＬＶ Ｘｉａｏ—ｑｉ，ＨＵＡＮＧ Ｘｉａｎ—ＷＵ，ＺＨＡＮＧ Ｂａｏ—ｈｕａ
（Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｔｉｎｇ Ｓｃｌｌｏｏｌ，Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｂａｏｔｏｕ ０１４０１０．Ｃｈｉｎａ）
Ｋｅｙ ｗｏｒｄｓ：Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ；ＳＵＳＡＮ ａｌｇｏｒｉｔｈｍ；Ｃｏｒｎｅｌ－Ｍａｔｃｈｉｎｇ，Ｄｉｓｔａｎｃｅ ｃｏｎｓｔｒａｉｎｔｓ；Ｉｍａｇｅ Ｒｅｇｉｓｔｒａｔｉｏｎ Ａｂｓｔｒａｃｔ：Ｍｅｄｉｃａｌ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｉｓ ｔｈｅ ｆｏｕｎｄａｔｉｏｎ ｏｆ ｔｈｅ ｍｅｄｉｃａｌ ｉｍａｇｅ ｆｌｌｓｉｏｎ ａｎｄ ｉｔ ｉｓ ａｌｓｏ ｔｈｅ ｅｌｅｍｅｎｔ ｏｆ ｔｈｅ ｉｍａｇｅ— ｂａｓｅｄ ｔｈｒｅｅ—ｄｉｍｅｎｓｉｏｎａｌ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ．Ａ ｍｅｄｉｃａｌ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｍｅｔｈｏｄ ｗａｓ ｐｒｅｓｅｎｔｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｃａｌｃｕｌａｔｅｄ ｂｙ ＳＵＳＡＮ ｏｐｅｒａｔｏｒ．Ｆｉｒｓｔ，ｔｈｅ ｃｏｒｎｅｒ ｐｏｉｎｔｓ ｏｆ ｔｗｏ ｉｍａｇｅｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ｗｉｔｈ ｔｈｅ ＳＵＳＡＮ ｏｐｅｒａｔｏｒ；ｔｈｅｎ，ｔｈｅ ｔｗｏ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｓｅｔｓ ｗｅｒｅ ｍａｔｃｈｅｄ ａｎｄ ｔｈｅ ｍａｔｃｈｅｄ ｆｅａｔｕｒｅ ｐｏｉｎｔ ｐａｉｒｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ ｔｈｒｏｕｇｈ ｃｏａｒｓｅ ｍａｔｃｈｉｎｇ ａｎｄ ｆｉｎｅ ｍａｔｃｈｉｎｇ；Ｆｉｎａｌｌｙ，ｔｈｅ ｒｅｖｅｒｓｅ ｍａｐｐｉｎｇ ｏｆ
ｔｈｅ ａｆｆｉｎｅ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｗｅｒｅ ｕｔｉｌｉｚｅｄ ｔｏ ａｃｈｉｅｖｅ ｉ ｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｍｅｄｉｃａｌ ｉｎｍｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ａｎｄ ｇｏｏｄ ａｃｃｕｒａｃｙ ｃａｎ ｂｅ ｅｆｆｅｃｔｉｖｅｌｙ ａｃｈｉｅｖｅｄ ｂｙ ｕｓｉｎｇ ｔｈｉｓ ｍｅｔｈｏｄ．
医学图像配准是实现医学图像信息融合的基础
与前提，已经广泛应用于疾病诊断、术前规划等领
域．医学图像配准是将两个图像数据在空间和几何
上进行匹配，以使代表相同解剖结构的像素或体素
一一对应的方法与过程 ．医学图像配准技术大致
可以分为两类，即基于像素（体素）和基： 特征的方
法，基于像素相似性的配准方法直接使用图像灰度
信息，不需要分割图像，能够自动实现图像配准，但
是计算时间过长，而且对图像数据较为敏感．基于特 征的配准方法则是通过提取不同图像中的结构特征
（常见的特征包括点、轮廓、曲线和曲面等）来进行
匹配，这样极大地减少了算法复杂度．其中，基于特
征点的配准是基于特征配准方法中应用最为广泛的
方法．一般基于特征点的匹配算法包括提取特征点、
确定特征点之问的关联、确定图像之问的配准变换．
而点特征中主要应用的是图像中的角点．角点特征
具有计算量少、匹配简单以及旋转、平移、缩放不变
的性质，因此本文选取角点作为特征点进行配准．
｝ 收稿日期：２００９—０９—０５ 基金项目：心家自然科学蔫＃金资助项门（６０７６１００２） 作者简介：吕晓琪（１９４０一）， ，ｌ¨西料ｔ高人，内蒙ｒ 科技大学教授，博１．
内蒙古科技大学学报 ２０１０年３月第２９卷第１期
常用的角点提取算法主要分为两大类：一类是直
接基于图像灰度的角点检测算法 ，主要通过计算曲
率及梯度来达到检测角点的目的．另一类是基于边缘 的角点提取算法 ｊ，其基本思想是角点是两条或多条
边缘的交点．ＳＵＳＡＮ算子是一种基于灰度变化的角
点检测方法，它能在较强噪声中提取目标的角点和边
缘特征，而且定位精确．本文首先介绍角点的检测模
型及角点的提取，随后介绍如何建立图像间角点的对
应关系，然后介绍在此基础上所进行的图像配准过
程，最后分析了实验结果并进行了总结．
１ 角点检测模型及角点的提取
本文选用ＳＵＳＡＮ特征提取算法进行特征点提
取．ＳＵＳＡＮ算法 是Ｓｍｉｔｈ和Ｂｒａｄｙ在１９９５年提出
的一种图像特征提取算法．与以前的经典的检测算
法相比，ＳＵＳＡＮ算法一个主要的特点是它不需要计
算图像的导数，并且具有积分特性，同时，ＳＵＳＡＮ算
法对局部噪音不敏感，抗噪能力强．ＳＵＳＡＮ算法利
用圆形模板对图像中的像素点进行ＵＳＡＮ面积计
算，ＵＳＡＮ的表示如图１所示．
（ａ）核心在ｕｓ．ａＮ （ｂ）孩 、为边缘点 （ｃ）援 为角言
图１ ＵＳＡＮ的三种形状 Ｆｉｇ．１ ＵＳＡＮ’ｓ ｔｈｒｅｅ ｋｉｎｄｓ ｏｆ ｓｈａｐｅｓ
被检测的像素点位于圆模板的中心，称为核心
点．核心点的领域被划分为两个区域：核值相似区
（ｕｎｉｖａｌｕｅ ｓｅｇｍｅｎｔ ａｓｓｉｍｉｌａｔｉｎｇ Ｎｕｃｌｅｕｓ，ＵＳＡＮ）和另
外一个灰度值不相似于核心点灰度的区域．
为了精确计算图像中每个像素的ＵＳＡＮ而积，
模板需要在图像上滑动，并且在每个位置上比较模
板内各像素的亮度与模板核的亮度．具体的相似比
较函数如下：
（ｒ，ｒｏ）一ｆ ，ｉｆ 卜，（ｒ０ ｌ，（１）
Ｌ０，ｉｆ ｌ，（ｒ）～，（ｒｆ））Ｊ＞ｔ Ｊ
式中，ｃ（ｒ，ｒｏ）即是以ｒ０为核心的圆模板内的任意像
素，ｒ是否属于ＵＳＡＮ的判别值；，（ｒ）表示核心点邻
域内像素ｒ的灰度值；，（ｒｆ】）表示核心点ｒ 的灰度值；
ｔ为灰度差阈值．图像中任意像素点的ＵＳＡＮ区域大
小可由下式给出： 几（ｒ（】）＝∑ｃ（ｒ０，ｒ）， （２） ｒｅｃ（ｔｏ） 式中，ｃ（ｒ。）为以ｒ。为圆心的模板．
检测角点时，先用模板扫描整个图像，得到
ＵＳＡＮ区响应图像ｎ（ ，，，），再利用式（３）可得到该
像素点的初始角响应，式中，ｇ为几何门限，一般取
， …／２，／１， 是ｎ（ ，），）所能达到的最大值．提取边缘
的ｇ一般要大些，一般最大取３ｎ ／４．
’ｎ ’ ｝．（３）
从式（３）中可知，ＵＳＡＮ区域越小，初始角点响
应越大，则该点越可能是角点． 、
２ 角点匹配
在检测出两幅图像各自的角点之后，需要找出
两幅图像角点之间的对应关系即角点匹配，而基于
角点的方法最困难的问题就是怎样建立两幅图像之
间同名点的关联问题．一般可以直接利用特征点之
间的几何特性进行特征点的匹配．我们采用粗匹配
和细匹配．本文中主要利用最近邻ＮＮ（Ｎｅａｒｅｓｔ
Ｎｅｉｇｈｂｏｒ）方法对特征点进行粗匹配操作．通过最近
邻与次近邻欧氏距离的比值来进行特征点的匹配可
以取得很好的效果，因为正确的匹配应该比错误的
匹配有着明显的最短最近邻距离，从而达到稳定的
匹配．阈值的作用是对匹配结果的一种约束，一般而
言阈值的约束越强得到的匹配对越少，正确率越高．
在得到图像的特征点后，查找每个特征点的２
个近似最邻近特征点．在这两个特征点中，如果最近
的距离除以次近的距离小于某个比例阈值，则接受
这一对匹配点．根据实验，我们选取比例阈值为０．８，
当最近邻与次近邻的距离比值大于０．８时，我们将
拒绝该匹配对．
在得到的基准图像和待配准图像中的匹配点对
一般都是有些误差存在的，这些误差可以分为两类：
（１）特征点本身定位的误差，这种误差一般比
较小，可以用正态分布来表示．
（２）～类是由于出现了伪匹配点，在匹配时找
到了比自己更像自己的点．
针对第１类误差，我们在计算出图像变换参数
时，只要特点对个数足够的多，最小二乘法是可以消
除的，对第２类误差，我们运用距离约束条件来进行
了特征点的精匹配．因为我们可以认为一个点
Ｔａ（ ，Ｙ）是特征点Ｓ （ ，
Ｙ）是正确对应点的充要条 吕晓琪等：一种基于角点特征的医学图像配准方法 ５１
件是 （ ，Ｙ）到其他特征点的正确对应点 （ ，Ｙ）
距离和特征点５ （ ，Ｙ）到其对应的特征点Ｓ （ ， ）
的距离相等．
３ 仿射变换及最ｄ＼－－乘法求解变换参数
我们将研究的范围限制在二维断层脑部图像的
配准，因为脑组织受到颅骨的严密保护，所以脑部运
动可以近似为刚体运动，即内部无相对运动．因此本
文根据得到的正确匹配特征点对用最小二乘法计算
反向映射的仿射变换系数，反向映射即把目标图像
的每一个像素，按照映射坐标关系来确定需要用到
的原像素；再利用双线性插值算法解决坐标变换过
程中可能出现的小数坐标问题，提高配准的精度．
如果在两点集Ｐ和Ｑ中有 对匹配点有｛（Ｐ ，
ｑ ）ｉ＝１，２，…， 且ｋ＞：２｝，我们需要计算仿射变
换参数Ｇ（ｔ ，ｔ ，ｓ， ）就是使一个点集中的点经过该
变换后的坐标与另一个点集中对应的点的坐标的欧
式距离的平方和Ｓ（ｔ ｔ，ｓ，０）最小的变换 令ｅ 为
Ｐ 的坐标与ｑ 变换后的坐标Ｇ（ｑ ）的差．
Ｅ＝
所以可以将Ｓ（ｔ ，ｔ ，Ｓ，０）表达为：
ｋ ｓ（￡）＝∑ｅ ｅ。＝（ｅ …ｅ；’） ｉ：】 （５）
因此我们可以通过对式（５）进行最小二乘法的
求解，得到所要求解的仿射变换系数．
４ 相似性测度
本文采用标准均方差来评估配准的精度．计算
待配准图像中的特征点经过仿射变换后得到的坐标
与基准图像中对应的同名点坐标之间像素距离的平
均值，以此来判定配准精度的高低．公式如下：
１ ——一——一一———— ｅｒｒｏｒ＝ ∑￣／（ 一 ） ＋（） 一Ｙ ） ，， 其中，（ ，）， ）为待配准图像中正确特征点经过仿射 变换计算得到的点的坐标，（ ，Ｙ）对为基准图像中
对应的同名点的坐标．
５ 实验结果及分析
根据本文的方法，在Ｗｉｎｄｏｗｓ环境下，使用
ＶＣ＋＋２００５编写程序来实现．
图２，３是两幅脑部的医学图像，首先采用ＳＵ．
ＳＡＮ算子检测角点，图４检测出４５６个特征点，图５
检测出３８１个特征点．
图４脑部ＭＩ Ｉ图像Ｒ的角点
Ｆｉｇ．４ Ｂｒａｉｎ ＭＲＩ ｉｍａｇｅｓ ｆｏｒ ｃｏｒｎｅｒ ｐｏｉｎｔｓ ，、＿、为 、 ／一 表 ． 髓 脞 ｝ 占ｍ ＝＝－ 匹 ＝ 对 么
＼、，●●●● ●● ●，
，