CN110111372A - 基于sift+ransac算法的医学图像配准和融合方法 - Google Patents
基于sift+ransac算法的医学图像配准和融合方法 Download PDFInfo
- Publication number
- CN110111372A CN110111372A CN201910303778.2A CN201910303778A CN110111372A CN 110111372 A CN110111372 A CN 110111372A CN 201910303778 A CN201910303778 A CN 201910303778A CN 110111372 A CN110111372 A CN 110111372A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- registration
- sift
- medical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract 2
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000004256 retinal image Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于SIFT+RANSAC算法的医学图像配准和融合方法,属于医学图像处理技术领域。本发明包括步骤:构建高斯尺度空间;高斯尺度空间特征点检测及精确定位;去除不稳定的点;包括低对比度的点和位于图像边缘的点;计算特征点方向;构建图像的特征点描述子,形成特征向量;图像配准,这样就得到一幅清晰的图像配准的效果图;RANSAC算法求出单应矩阵,根据单应矩阵做线性加权,通过线性加权函数得到两幅图像之间的联系,最后将两个图像融合为一幅图像;修饰融合过的图像。本发明能够有效实现图像的配准,再通过RANSAC随机抽样一致算法计算投影变换矩阵以实现图像的融合,为后续的一些研究工作做铺垫。
Description
技术领域
本发明涉及基于SIFT+RANSAC算法的医学图像配准和融合方法,属于医学图像处理技术领域。
背景技术
图像配准作为图像信息领域的一项重要技术,在计算机视觉、医学图像处理以及材料力学等领域有着广泛的应用。近些年来,基于特征提取的图像配准方法取得了快速发展。相对于基于区域的图像配准算法,基于特征的图像配准方法具有更强大的区分能力,能够在图像视角变化、存在噪声甚至一定遮挡的情况下近实时地实现配准。图像配准是图像处理研究领域中的一个典型问题和技术难点,其目的在于比较或融合针对同一对象在不同条件下获取的图像,例如图像会来自不同的采集设备,取自不同的时间,不同的拍摄视角等等,有时也需要用到针对不同对象的图像配准问题。具体地说,对于一组图像数据集中的两幅图像,通过寻找一种空间变换把一幅图像映射到另一幅图像,使得两图中对应于空间同一位置的点一一对应起来,从而达到信息融合的目的。
图像融合是通过一个数学模型将来自不同类型或者相同类型的图像传感器在不同时间或者相同时间产生的源图像结合起来,综合形成一幅特定应用需求的图像的过程。图像融合技术将各种图像结合起来,在同一图像上显示各自的信息,为临床医学诊断提供多数据多信息的图像,这成为极具应用价值的技术,而准确高效的图像配准则又是关键和难点。因而图像配准和融合技术无论在计算机视觉方面,还是在临床医学诊断都具有极重要的意义。
通过对现有专利及相关技术的检索发现,对于医学图像的配准和融合的相关技术还不够成熟,依然存在很多问题:特征提取与匹配的时间过长、容易出现匹配点冗余、图像融合存在缝隙或者产生模糊等现象。
发明内容
本发明提供了基于SIFT+RANSAC算法的医学图像配准和融合方法,以用于解决医学图像配准与融合的以下几个技术问题:1)特征点的提取与匹配的时间过长;2)匹配的校正问题;3)图像的融合容易产生缝隙或模糊。
本发明的技术方案是:基于SIFT+RANSAC算法的医学图像配准和融合方法,所述基于SIFT+RANSAC算法的医学图像配准和融合方法的具体步骤如下:
Step1、构建高斯尺度空间;
Step2、高斯尺度空间特征点检测及精确定位;
Step3、去除不稳定的点;包括低对比度的点和位于图像边缘的点;
Step4、计算特征点方向;
Step5、构建图像的特征点描述子,形成特征向量;
Step6、图像配准,即将两幅图像的匹配点连接起来,这样就得到一幅清晰的图像配准的效果图;
Step7、RANSAC算法求出单应矩阵,根据单应矩阵做线性加权,通过线性加权函数得到两幅图像之间的联系,最后将两个图像融合为一幅图像;
Step8、修饰融合过的图像。
进一步地,所述Step1中,图像的高斯尺度空间被定义为函数L(x,y,σ),由可变尺度高斯卷积G(x,y,σ)产生;可变尺度高斯卷积为其中(x,y)是空间坐标,σ是尺度坐标,σ的大小决定图像的平滑程度,大尺度对应图像的概貌特征,小尺度对应图像的细节特征,其输出图像为I(x,y),即L(x,y,σ)=G(x,y,σ)*I(x,y)。
进一步地,所述Step2中,高斯尺度空间特征点检测及精确定位:一个特征点是高斯尺度空间中的局部极值点;在高斯尺度空间搜索所有尺度和图像位置,通过高斯差分函数识别存在尺度和方向不变性的潜在的特征点;
由于首层和末层都缺少一个邻近层,因此搜索从每组的第二层开始,以第二层为当前层,第一层和第三层分别作为立方体的上下层,搜索完成后再以第三层作为当前层做同样的搜索;所以每层的点搜索两次;通过高斯差分函数将当前像素与其他相邻的26个像素进行比较如果它是最大值或最小值,即选择该点作为存在尺度和方向不变性的潜在的特征点;然后通过拟合三维二次函数以精确的确定关键点位置和尺度。
进一步地,所述Step3中,去除不稳定的点;包括低对比度的点和位于图像边缘的点:通过设定对比度阈值和Hessian矩阵去除这两种不稳定的点。
进一步地,所述Step4中,计算特征点方向:利用关键点邻域像素的梯度方向分布特性为每个特征点指定方向参数,使算子具备旋转不变性,从而实现图像旋转不变性;在实际计算时,以特征点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向;梯度直方图的范围是0—360°,将直方图分为8个方向,即每个特征点有8个梯度方向信息;直方图的峰值代表了该特征点处邻域梯度的主方向,即作为该特征点的方向;随着距中心点越远的领域其对直方图的贡献也响应减小;同时使用高斯函数对直方图进行平滑,减少突变的影响,在梯度方向直方图中,当存在另外一个相当于主峰值80%能量的峰值时,则将这个方向认为是该特征点的辅方向;一个特征点可能会被指定具有多个方向,一个主方向,一个以上辅方向,用于增强匹配的鲁棒性。
进一步地,所述Step5中,构建图像特征点的描述子,形成特征向量:对于任意一个关键点,即特征点,在其所在尺度空间取以关键点为中心的16像素×16像素大小的邻域,再将此邻域区域均匀的分为4×4个子区域,每个关键点有8个梯度方向,因此,共有4×4×8=128个数据,即128维SIFT特征向量。
进一步地,所述Step6中,图像配准:当两幅图像的SIFT特征向量生成后,计算两幅图像上特征点特征向量的欧氏距离作为相似性判定度量,将距离最小的特征点作为初始匹配点,并根据最近邻和次近邻的欧氏距离之比小于某个比例阈值T为0.8,判定为一对匹配点,并移除错误匹配点;再将参考图像和待配准图像中的匹配点用线连接起来实现了图像配准。关于比例阈值的选取:如果降低这个阈值,SIFT匹配点数目会减少,但更加稳定;如果提高这个阈值,SIFT匹配点数目会增加,相应的错配点数目会增加。通过对本次实验眼球图像的匹配测试,最终选取一个匹配点数目相对稳定,并且正确率相对较高的结果,其对应的阈值T=0.8,确定为所需的比例阈值。
进一步地,所述Step7中,RANSAC算法求出单应矩阵:从待配准图像到参考图像,任取4对点得到单应矩阵H,然后将待配准图像中的特征点用矩阵H投影到参考图像,检测投影得到的点与参考图像中准确的特征点之间的距离:首先设定一个阈值:待配准图像与参考图像中的特征点是通过单应矩阵H满足一个线性回归关系,错误的匹配点到线性回归线的距离之和最小值即为所定的阈值;若小于这个设定好的阈值则判断为内点;统计内点的个数,若大于这个设定好的阈值,则判断为可用的单应矩阵,然后利用所有的内点重新计算单应矩阵;根据单应矩阵做线性加权,通过线性加权函数得到两幅图像之间的联系,最后将两个图像融合为一幅图像。
进一步地,所述Step8中,修饰融合过的图像:为了使两幅图像的融合效果看起来更自然,用对应内点周围的颜色或亮度信息对其中一幅图像进行亮度或颜色调整,调整后的图像即为最终的结果。
本发明的有益效果是:
本发明能够快速有效的实现医学图像的特征提取、匹配、融合、校正的一整套流程,图像特征不仅具有尺度不变性、光照不变形性、旋转不变性,而且消耗的时间很少,仿真实验的效率很高。
附图说明
图1为本发明中连接参考图像和待配准图像中的匹配点的效果图;
图2为本发明图像融合后的效果图;
图3为本发明修改融合图像后的最终结果;
图4为本发明中的流程图。
具体实施方式
实施例1:如图1-4所示,基于SIFT+RANSAC算法的医学图像配准和融合方法,所述基于SIFT+RANSAC算法的医学图像配准和融合方法的具体步骤如下:
Step1、构建高斯尺度空间;
Step2、高斯尺度空间特征点检测及精确定位;
Step3、去除不稳定的点;包括低对比度的点和位于图像边缘的点;
Step4、计算特征点方向;
Step5、构建图像的特征点描述子,形成特征向量;
Step6、图像配准,即将两幅图像的匹配点连接起来,这样就得到一幅清晰的图像配准的效果图;
Step7、RANSAC算法求出单应矩阵,根据单应矩阵做线性加权,通过线性加权函数得到两幅图像之间的联系,最后将两个图像融合为一幅图像;
Step8、修饰融合过的图像。
进一步地,所述Step1中,图像的高斯尺度空间被定义为函数L(x,y,σ),由可变尺度高斯卷积G(x,y,σ)产生;可变尺度高斯卷积为其中(x,y)是空间坐标,σ是尺度坐标,σ的大小决定图像的平滑程度,大尺度对应图像的概貌特征,小尺度对应图像的细节特征,其输出图像为I(x,y),即L(x,y,σ)=G(x,y,σ)*I(x,y)。
进一步地,所述Step2中,高斯尺度空间特征点检测及精确定位:一个特征点是高斯尺度空间中的局部极值点;在高斯尺度空间搜索所有尺度和图像位置,通过高斯差分函数识别存在尺度和方向不变性的潜在的特征点;
由于首层和末层都缺少一个邻近层,因此搜索从每组的第二层开始,以第二层为当前层,第一层和第三层分别作为立方体的上下层,搜索完成后再以第三层作为当前层做同样的搜索;所以每层的点搜索两次;通过高斯差分函数将当前像素与其他相邻的26个像素进行比较如果它是最大值或最小值,即选择该点作为存在尺度和方向不变性的潜在的特征点;然后通过拟合三维二次函数以精确的确定关键点位置和尺度。
进一步地,所述Step3中,去除不稳定的点;包括低对比度的点和位于图像边缘的点:通过设定对比度阈值和Hessian矩阵去除这两种不稳定的点。
进一步地,所述Step4中,计算特征点方向:利用关键点邻域像素的梯度方向分布特性为每个特征点指定方向参数,使算子具备旋转不变性,从而实现图像旋转不变性;在实际计算时,以特征点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向;梯度直方图的范围是0—360°,将直方图分为8个方向,即每个特征点有8个梯度方向信息;直方图的峰值代表了该特征点处邻域梯度的主方向,即作为该特征点的方向;随着距中心点越远的领域其对直方图的贡献也响应减小;同时使用高斯函数对直方图进行平滑,减少突变的影响,在梯度方向直方图中,当存在另外一个相当于主峰值80%能量的峰值时,则将这个方向认为是该特征点的辅方向;一个特征点可能会被指定具有多个方向,一个主方向,一个以上辅方向,用于增强匹配的鲁棒性。
进一步地,所述Step5中,构建图像特征点的描述子,形成特征向量:对于任意一个关键点,即特征点,在其所在尺度空间取以关键点为中心的16像素×16像素大小的邻域,再将此邻域区域均匀的分为4×4个子区域,每个关键点有8个梯度方向,因此,共有4×4×8=128个数据,即128维SIFT特征向量。
进一步地,所述Step6中,图像配准:当两幅图像的SIFT特征向量生成后,计算两幅图像上特征点特征向量的欧氏距离作为相似性判定度量,将距离最小的特征点作为初始匹配点,并根据最近邻和次近邻的欧氏距离之比小于某个比例阈值T为0.8,判定为一对匹配点,并移除错误匹配点;再将参考图像和待配准图像中的匹配点用线连接起来实现了图像配准,效果图如图1。关于比例阈值的选取:如果降低这个阈值,SIFT匹配点数目会减少,但更加稳定;如果提高这个阈值,SIFT匹配点数目会增加,相应的错配点数目会增加。通过对本次实验眼球图像的匹配测试,最终选取一个匹配点数目相对稳定,并且正确率相对较高的结果,其对应的阈值T=0.8,确定为所需的比例阈值。
进一步地,所述Step7中,RANSAC算法求出单应矩阵:从待配准图像到参考图像,任取4对点得到单应矩阵H,然后将待配准图像中的特征点用矩阵H投影到参考图像,检测投影得到的点与参考图像中准确的特征点之间的距离:首先设定一个阈值:待配准图像与参考图像中的特征点是通过单应矩阵H满足一个线性回归关系,错误的匹配点到线性回归线的距离之和最小值即为所定的阈值;若小于这个设定好的阈值则判断为内点;统计内点的个数,若大于这个设定好的阈值,则判断为可用的单应矩阵,然后利用所有的内点重新计算单应矩阵;根据单应矩阵做线性加权,通过线性加权函数得到两幅图像之间的联系,最后将两个图像融合为一幅图像,效果图如图2。
进一步地,所述Step8中,修饰融合过的图像:为了使两幅图像的融合效果看起来更自然,用对应内点周围的颜色或亮度信息对其中一幅图像进行亮度或颜色调整,调整后的图像即为最终的结果,效果图如图3。
本实施例中,主要的参数为:数据集中一共有129个视网膜图像组成,形成134个图像对。这些图像对根据其特征分为3个不同的类别。使用Nidek AFC-210眼底照相机采集图像,采集的图像分辨率为512×512像素,视野范围为45°,图像来自Aristotle大学Papageorgiou医院的39名患者。视网膜图像成对排列,分别为:彩色ROI掩码和功能ROI掩码。二者都是二进制图像。本发明的实验是随机针对某一对视网膜图像进行仿真实验,在一系列的仿真实验中发现:每一对视网膜图像的处理效果几乎没有差别,图像的配准与融合的速度和质量非常好。
仿真实验结果显示本发明的方法非常适用于医学图像的配准和融合实验,其实验效果非常清晰,而且可以节省时间,平均整个流程大概需要3-4秒,在医学、计算机视觉等领域可以推广应用。
本发明能够快速有效的实现医学图像的特征提取、匹配、融合、校正的一整套流程,图像特征不仅具有尺度不变性、光照不变形性、旋转不变性,而且消耗的时间很少,仿真实验的效率很高。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (9)
1.基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:
所述基于SIFT+RANSAC算法的医学图像配准和融合方法的具体步骤如下:
Step1、构建高斯尺度空间;
Step2、高斯尺度空间特征点检测及精确定位;
Step3、去除不稳定的点;包括低对比度的点和位于图像边缘的点;
Step4、计算特征点方向;
Step5、构建图像的特征点描述子,形成特征向量;
Step6、图像配准,即将两幅图像的匹配点连接起来,这样就得到一幅清晰的图像配准的效果图;
Step7、RANSAC算法求出单应矩阵,根据单应矩阵做线性加权,通过线性加权函数得到两幅图像之间的联系,最后将两个图像融合为一幅图像;
Step8、修饰融合过的图像。
2.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step1中,图像的高斯尺度空间被定义为函数L(x,y,σ),由可变尺度高斯卷积G(x,y,σ)产生;可变尺度高斯卷积为其中(x,y)是空间坐标,σ是尺度坐标,σ的大小决定图像的平滑程度,大尺度对应图像的概貌特征,小尺度对应图像的细节特征,其输出图像为I(x,y),即L(x,y,σ)=G(x,y,σ)*I(x,y)。
3.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step2中,高斯尺度空间特征点检测及精确定位:一个特征点是高斯尺度空间中的局部极值点;在高斯尺度空间搜索所有尺度和图像位置,通过高斯差分函数识别存在尺度和方向不变性的潜在的特征点;
由于首层和末层都缺少一个邻近层,因此搜索从每组的第二层开始,以第二层为当前层,第一层和第三层分别作为立方体的上下层,搜索完成后再以第三层作为当前层做同样的搜索;所以每层的点搜索两次;通过高斯差分函数将当前像素与其他相邻的26个像素进行比较如果它是最大值或最小值,即选择该点作为存在尺度和方向不变性的潜在的特征点;然后通过拟合三维二次函数以精确的确定关键点位置和尺度。
4.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step3中,去除不稳定的点;包括低对比度的点和位于图像边缘的点:通过设定对比度阈值和Hessian矩阵去除这两种不稳定的点。
5.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step4中,计算特征点方向:利用关键点邻域像素的梯度方向分布特性为每个特征点指定方向参数,使算子具备旋转不变性,从而实现图像旋转不变性;在实际计算时,以特征点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向;梯度直方图的范围是0—360°,将直方图分为8个方向,即每个特征点有8个梯度方向信息;直方图的峰值代表了该特征点处邻域梯度的主方向,即作为该特征点的方向;随着距中心点越远的领域其对直方图的贡献也响应减小;同时使用高斯函数对直方图进行平滑,减少突变的影响,在梯度方向直方图中,当存在另外一个相当于主峰值80%能量的峰值时,则将这个方向认为是该特征点的辅方向;一个特征点可能会被指定具有多个方向,一个主方向,一个以上辅方向,用于增强匹配的鲁棒性。
6.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step5中,构建图像特征点的描述子,形成特征向量:对于任意一个关键点,即特征点,在其所在尺度空间取以关键点为中心的16像素×16像素大小的邻域,再将此邻域区域均匀的分为4×4个子区域,每个关键点有8个梯度方向,因此,共有4×4×8=128个数据,即128维SIFT特征向量。
7.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step6中,图像配准:当两幅图像的SIFT特征向量生成后,计算两幅图像上特征点特征向量的欧氏距离作为相似性判定度量,将距离最小的特征点作为初始匹配点,并根据最近邻和次近邻的欧氏距离之比小于某个比例阈值T为0.8,判定为一对匹配点,并移除错误匹配点;再将参考图像和待配准图像中的匹配点用线连接起来实现了图像配准。
8.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step7中,RANSAC算法求出单应矩阵:从待配准图像到参考图像,任取4对点得到单应矩阵H,然后将待配准图像中的特征点用矩阵H投影到参考图像,检测投影得到的点与参考图像中准确的特征点之间的距离:首先设定一个阈值:待配准图像与参考图像中的特征点是通过单应矩阵H满足一个线性回归关系,错误的匹配点到线性回归线的距离之和最小值即为所定的阈值;若小于这个设定好的阈值则判断为内点;统计内点的个数,若大于这个设定好的阈值,则判断为可用的单应矩阵,然后利用所有的内点重新计算单应矩阵;根据单应矩阵做线性加权,通过线性加权函数得到两幅图像之间的联系,最后将两个图像融合为一幅图像。
9.根据权利要求1所述的基于SIFT+RANSAC算法的医学图像配准和融合方法,其特征在于:所述Step8中,修饰融合过的图像:为了使两幅图像的融合效果看起来更自然,用对应内点周围的颜色或亮度信息对其中一幅图像进行亮度或颜色调整,调整后的图像即为最终的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303778.2A CN110111372A (zh) | 2019-04-16 | 2019-04-16 | 基于sift+ransac算法的医学图像配准和融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303778.2A CN110111372A (zh) | 2019-04-16 | 2019-04-16 | 基于sift+ransac算法的医学图像配准和融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111372A true CN110111372A (zh) | 2019-08-09 |
Family
ID=67485488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910303778.2A Pending CN110111372A (zh) | 2019-04-16 | 2019-04-16 | 基于sift+ransac算法的医学图像配准和融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111372A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899289A (zh) * | 2020-06-19 | 2020-11-06 | 北京理工大学 | 一种基于图像特征信息的红外图像与可见光图像的配准方法 |
CN111915544A (zh) * | 2020-07-03 | 2020-11-10 | 三峡大学 | 基于图像融合的保护压板运行状态辨识方法 |
CN111967337A (zh) * | 2020-07-24 | 2020-11-20 | 电子科技大学 | 一种基于深度学习和无人机影像的管道线变化检测方法 |
CN112102381A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种基于r-sift的硬件木马图像配准方法、存储介质及设备 |
CN112288009A (zh) * | 2020-10-29 | 2021-01-29 | 西安电子科技大学 | 一种基于模板匹配的r-sift芯片硬件木马图像配准方法 |
CN112419374A (zh) * | 2020-11-11 | 2021-02-26 | 北京航空航天大学 | 一种基于图像配准的无人机定位方法 |
CN114266703A (zh) * | 2022-03-03 | 2022-04-01 | 凯新创达(深圳)科技发展有限公司 | 一种图像拼接方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN106898019A (zh) * | 2017-02-21 | 2017-06-27 | 广西大学 | 基于尺度不变Harris特征的图像配准方法和装置 |
CN107169999A (zh) * | 2017-06-19 | 2017-09-15 | 江南大学 | 基于融合特征的sift配准算法 |
CN107424181A (zh) * | 2017-04-12 | 2017-12-01 | 湖南源信光电科技股份有限公司 | 一种改进的图像拼接关键帧快速提取方法 |
CN107491731A (zh) * | 2017-07-17 | 2017-12-19 | 南京航空航天大学 | 一种面向精确打击的地面运动目标检测与识别方法 |
CN108022228A (zh) * | 2016-10-31 | 2018-05-11 | 天津工业大学 | 基于SIFT变换和Otsu匹配的彩色眼底图像拼接方法 |
-
2019
- 2019-04-16 CN CN201910303778.2A patent/CN110111372A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN108022228A (zh) * | 2016-10-31 | 2018-05-11 | 天津工业大学 | 基于SIFT变换和Otsu匹配的彩色眼底图像拼接方法 |
CN106898019A (zh) * | 2017-02-21 | 2017-06-27 | 广西大学 | 基于尺度不变Harris特征的图像配准方法和装置 |
CN107424181A (zh) * | 2017-04-12 | 2017-12-01 | 湖南源信光电科技股份有限公司 | 一种改进的图像拼接关键帧快速提取方法 |
CN107169999A (zh) * | 2017-06-19 | 2017-09-15 | 江南大学 | 基于融合特征的sift配准算法 |
CN107491731A (zh) * | 2017-07-17 | 2017-12-19 | 南京航空航天大学 | 一种面向精确打击的地面运动目标检测与识别方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899289A (zh) * | 2020-06-19 | 2020-11-06 | 北京理工大学 | 一种基于图像特征信息的红外图像与可见光图像的配准方法 |
CN111915544A (zh) * | 2020-07-03 | 2020-11-10 | 三峡大学 | 基于图像融合的保护压板运行状态辨识方法 |
CN111967337A (zh) * | 2020-07-24 | 2020-11-20 | 电子科技大学 | 一种基于深度学习和无人机影像的管道线变化检测方法 |
CN112102381A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种基于r-sift的硬件木马图像配准方法、存储介质及设备 |
CN112288009A (zh) * | 2020-10-29 | 2021-01-29 | 西安电子科技大学 | 一种基于模板匹配的r-sift芯片硬件木马图像配准方法 |
CN112419374A (zh) * | 2020-11-11 | 2021-02-26 | 北京航空航天大学 | 一种基于图像配准的无人机定位方法 |
CN112419374B (zh) * | 2020-11-11 | 2022-12-27 | 北京航空航天大学 | 一种基于图像配准的无人机定位方法 |
CN114266703A (zh) * | 2022-03-03 | 2022-04-01 | 凯新创达(深圳)科技发展有限公司 | 一种图像拼接方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111372A (zh) | 基于sift+ransac算法的医学图像配准和融合方法 | |
Ma et al. | Infrared and visible image fusion via gradient transfer and total variation minimization | |
Bogo et al. | FAUST: Dataset and evaluation for 3D mesh registration | |
Gupta et al. | Texas 3D face recognition database | |
CN105869178B (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
Wang et al. | Multi-cue based tracking | |
CN103155003B (zh) | 姿势估计装置及姿势估计方法 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
Koschan et al. | Color active shape models for tracking non-rigid objects | |
JP2019125057A (ja) | 画像処理装置及びその方法、プログラム | |
Alt et al. | Rapid selection of reliable templates for visual tracking | |
Candemir et al. | Graph-cut based automatic lung boundary detection in chest radiographs | |
Zeng et al. | View-invariant gait recognition via deterministic learning | |
CN109523551B (zh) | 一种获取机器人行走姿态的方法及*** | |
Mahapatra et al. | MRF-based intensity invariant elastic registration of cardiac perfusion images using saliency information | |
CN109886878A (zh) | 一种基于由粗到精配准的红外图像拼接方法 | |
CN103503025A (zh) | 基于对对象的模型进行变换来确定模型参数 | |
CN112634125B (zh) | 一种基于离线人脸数据库的自动面部替换方法 | |
Grewe et al. | Fully automated and highly accurate dense correspondence for facial surfaces | |
CN107085728A (zh) | 利用视觉***对图像中的探针进行有效评分的方法及*** | |
JP2008204200A (ja) | 顔解析システム及びプログラム | |
CN111695431A (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN106909890A (zh) | 一种基于部位聚类特征的人体行为识别方法 | |
CN110020627A (zh) | 一种基于深度图与特征融合的行人检测方法 | |
Dong et al. | Hierarchical superpixel-to-pixel dense matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |
|
RJ01 | Rejection of invention patent application after publication |