CN112750152A - 图像配准方法、装置、计算机设备和存储介质 - Google Patents
图像配准方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112750152A CN112750152A CN202110061395.6A CN202110061395A CN112750152A CN 112750152 A CN112750152 A CN 112750152A CN 202110061395 A CN202110061395 A CN 202110061395A CN 112750152 A CN112750152 A CN 112750152A
- Authority
- CN
- China
- Prior art keywords
- similarity metric
- preset direction
- offset
- metric value
- floating image
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像配准方法、装置、计算机设备和存储介质。所述方法包括:获取待配准的浮动图像的初始总偏移量;根据初始总偏移量和浮动图像对应的参考图像,得到浮动图像的总偏移量;根据浮动图像的总偏移量,得到浮动图像在各预设方向上的偏移量;在各预设方向上,根据各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像。采用本方法能够提高得到的各预设方向上的配准后的浮动图像的准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像配准方法、装置、计算机设备和存储介质。
背景技术
图像配准是将不同时间、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,图像配准在遥感数据分析、计算机视觉和图像处理等领域得到了广泛的应用。
传统技术中,在多个图像配准的场景中,首先将两个不同方向的浮动图像和对应的参考图像进行配准,得到这两个不同方向对应的初始偏移量,根据初始偏移量确定出公共方向的偏移量,从而得到上述两个不同方向对应的偏移量,根据这两个不同方向对应的偏移量对这两个不同方向的浮动图像进行配准,得到配准后的图像。例如,在放疗(RadioTherapy,RT)应用中,分别将(x,z)和(y,z)这两个方向的电子射野影像***(ElectronicPortal Image Device,EPID)图像与对应的数字重建放射影像(DigitallyReconstructured Radiograph,DRR)进行配准,得到(x,z)和(y,z)方向的初始偏移量,从而根据(x,z)和(y,z)方向的初始偏移量得到公共方向z方向的偏移量,根据得到的z方向的偏移量与x方向的初始偏移量和y方向的初始偏移量分别在(x,z)和(y,z)方向上对EPID图像进行配准,得到配准后的EPID图像。
然而,传统的图像配准方法,存在配准准确度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高图像配准准确度的图像配准方法、装置、计算机设备和存储介质。
一种图像配准方法,所述方法包括:
获取待配准的浮动图像的初始总偏移量;
根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量;
根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量;
在各所述预设方向上,根据各所述预设方向上的偏移量对所述浮动图像进行配准,得到各所述预设方向上的配准后的浮动图像。
在其中一个实施例中,所述根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量,包括:
执行迭代配准操作,得到所述浮动图像的总偏移量;
其中,所述迭代配准操作包括:
根据所述初始总偏移量,得到所述浮动图像在各所述预设方向上的初始偏移量;
在各所述预设方向上,根据各所述预设方向的初始偏移量对所述浮动图像进行配准,得到在各所述预设方向上的配准后的中间浮动图像;
根据各所述预设方向上的配准后的中间浮动图像和所述参考图像,得到所述浮动图像在各所述预设方向上的相似性度量值;
根据各所述预设方向的相似性度量值,得到所述浮动图像的中间总偏移量,返回执行所述迭代配准操作,直至达到预设的收敛条件;
将达到所述预设的收敛条件时得到的中间总偏移量确定为所述浮动图像的总偏移量。
在其中一个实施例中,所述根据各所述预设方向的相似性度量值,得到所述浮动图像的中间总偏移量,包括:
对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值;
根据各所述预设方向的归一化后的相似性度量值,得到所述浮动图像的总相似性度量值;
根据所述浮动图像的总相似性度量值,得到所述浮动图像的中间总偏移量。
在其中一个实施例中,若所述相似性度量值为均方误差,所述对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值,包括:
从各所述预设方向的相似性度量值中,确定出各所述预设方向中的最小相似性度量值;
根据各所述预设方向中的最小相似性度量值对应的第一偏移量,得到所述第一偏移量对应的相似性度量值;
根据所述参考图像的信息熵、各所述预设方向中的最小相似性度量值和所述第一偏移量对应的相似性度量值,对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值;其中,各所述预设方向的归一化后的相似性度量值与所述参考图像的信息熵、各所述预设方向中的最小相似性度量值、所述第一偏移量对应的相似性度量值线性相关。
在其中一个实施例中,所述根据各所述预设方向的归一化后的相似性度量值,得到所述浮动图像的总相似性度量值,包括:
将各所述预设方向的归一化后的相似性度量值与各所述预设方向的第一权重值相乘,得到各所述预设方向的处理后的相似性度量值;其中,各所述预设方向的第一权重值与第一参数负相关,各所述预设方向的第一权重值与第二参数正相关,第一参数为各所述预设方向中的最小相似性度量值与所述第一偏移量对应的相似性度量值之和,所述第二参数为各所述预设方向中的最小相似性度量值与所述第一偏移量对应的相似性度量值的梯度值;
根据各所述预设方向的处理后的相似性度量值,得到所述浮动图像的总相似性度量值。
在其中一个实施例中,若所述相似性度量值为互信息,所述对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值,包括:
从各所述预设方向的相似性度量值中,确定出各所述预设方向中的最大相似性度量值;
根据各所述预设方向中的最大相似性度量值对应的第二偏移量,得到所述第二偏移量对应的相似性度量值;
根据所述参考图像的信息熵、各所述预设方向中的最大相似性度量值和所述第二偏移量对应的相似性度量值,对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值;其中,各所述预设方向的归一化后的相似性度量值与所述参考图像的信息熵、各所述预设方向中的最大相似性度量值、所述第二偏移量对应的相似性度量值线性相关。
在其中一个实施例中,所述根据各所述预设方向的归一化后的相似性度量值,得到所述浮动图像的总相似性度量值,包括:
将各所述预设方向的归一化后的相似性度量值与各所述预设方向的第二权重值相乘,得到各所述预设方向的处理后的相似性度量值;其中,各所述预设方向的第二权重值与第三参数负相关,各所述预设方向的第二权重值与第四参数正相关,第三参数为各所述预设方向中的最大相似性度量值与所述第二偏移量对应的相似性度量值之和,所述第四参数为各所述预设方向中的最大相似性度量值与所述第二偏移量对应的相似性度量值的梯度值;
根据各所述预设方向的处理后的相似性度量值,得到所述浮动图像的总相似性度量值。
在其中一个实施例中,所述根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量,包括:
将所述浮动图像的总体偏移量中各所述预设方向对应的偏移量,确定为所述浮动图像在各所述预设方向上的偏移量。
在其中一个实施例中,所述待配准的浮动图像包括电子射野影像***图像,所述参考图像包括数字重建放射影像图像。
一种图像配准装置,所述装置包括:
第一获取模块,用于获取待配准的浮动图像的初始总偏移量;
第二获取模块,用于根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量;
第三获取模块,用于根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量;
配准模块,用于在各所述预设方向上,根据各所述预设方向上的偏移量对所述浮动图像进行配准,得到各所述预设方向上的配准后的浮动图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待配准的浮动图像的初始总偏移量;
根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量;
根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量;
在各所述预设方向上,根据各所述预设方向上的偏移量对所述浮动图像进行配准,得到各所述预设方向上的配准后的浮动图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待配准的浮动图像的初始总偏移量;
根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量;
根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量;
在各所述预设方向上,根据各所述预设方向上的偏移量对所述浮动图像进行配准,得到各所述预设方向上的配准后的浮动图像。
上述图像配准方法、装置、计算机设备和存储介质,通过获取待配准的浮动图像的初始总偏移量,根据待配准的浮动图像的初始总偏移量和该浮动图像对应的参考图像,能够得到浮动图像的总偏移量,从而能够根据浮动图像的总偏移量,得到该浮动图像在各预设方向上的偏移量,进而可以根据各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像,该配准方法通过同时优化所有的配准任务,得到浮动图像的总偏移量,从而根据浮动图像的总偏移量能够得到浮动图像在各预设方向上的偏移量,考虑了浮动图像各预设方向互相之间在公共方向上的影响和约束,提高了得到的各预设方向上的偏移量的准确度,进而提高了得到的各预设方向上的配准后的浮动图像的准确度。
附图说明
图1为一个实施例中图像配准方法的应用环境图;
图2为一个实施例中图像配准方法的流程示意图;
图3为一个实施例中萤火虫算法的执行示意图;
图4为另一个实施例中图像配准方法的流程示意图;
图5为一个实施例中得到各预设方向的归一化后的相似性度量值的流程示意图;
图6为一个实施例中得到浮动图像的总相似性度量值的流程示意图;
图7为另一个实施例中得到各预设方向的归一化后的相似性度量值的流程示意图;
图8为另一个实施例中得到浮动图像的总相似性度量值的流程示意图;
图9为一个实施例中图像配准装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的图像配准方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过***总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
现有的刚性配准中,存在需要计算多个配准任务,最后整合多个配准结果,得到需要的配准参数(包括平移距离和旋转角度)。例如,在放疗应用中,通常需要使用治疗探头,扫描病人的锥束计算机断层成像(Computed Tomography,CT)数据,然后执行该锥束CT数据和计划CT数据的三维配准,得到三维移动距离,根据得到的三维移动距离将病床进行移动,从而让病人位置与预先拍摄的计划CT数据重合,保证治疗的位置准确性。但是,拍摄三维锥束CT数据时,由于病人收到的辐射强烈,不利于病人的健康,并且,拍摄的时间也比较长,因此,我们不再采集三维锥束CT数据,采用采集时间较短且辐射较锥束CT数据较小的电子射野影像***图像,与将计划CT数据投影至二维生成的数字重建放射影像图像进行配准,计算三维移动距离,由于一组图像只能提供两个互相正交的方向的移动距离,因此,我们使用两组二维图像进行配准,得到两组二维偏移量后,计算三维偏移量,作为放疗时治疗床移动的距离,即传统技术中,在多个图像配准的场景中,首先是将两个不同方向的浮动图像和对应的参考图像进行配准,得到这两个不同方向对应的初始偏移量,根据得到的初始偏移量确定出公共方向的偏移量,从而得到这两个不同方向对应的偏移量,根据这两个不同方向对应的偏移量对这两个不同方向的浮动图像进行配准,得到配准后的图像。但是传统的多个图像配准的场景中,可能会由于选取的两个方向的图像包含的信息较少,导致配准结果不准确的问题。因此,本申请实施例提供一种图像配准方法、装置、计算机设备和可读存储介质,旨在解决传统技术的如上技术问题。
在一个实施例中,如图2所示,提供了一种图像配准方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,获取待配准的浮动图像的初始总偏移量。
其中,待配准的浮动图像可以为一幅图像,也可以为多幅图像。需要说明的是,若待配准的浮动图像为多幅图像,这多幅图像可以为不同模态的图像,也可以为同一模态不同时间序列的图像,也可以为不同检测者同一部位的图像。待配准的浮动图像的初始总偏移量是由浮动图像的每个方向的偏移量组成的向量。
具体地,计算机设备获取待配准的浮动图像的初始总偏移量。可选的,待配准的浮动图像的初始总偏移量可以是计算机设备为初始总偏移量进行赋值得到的,也可以是计算机设备根据预设的偏移量计算公式计算得到的,也可以是计算机设备采用萤火虫算法等穷举法,给出多个初值得到待配准的浮动图像的初始总偏移量。示例性地,以待配准的浮动图像的各任务方向包括x,y,z方向为例,则待配准的浮动图像的初始总偏移量可以为(0,0,0)。可选的,待配准的浮动图像包括电子射野***图像,参考图像包括数字重建放射影像图像。
S202,根据初始总偏移量和浮动图像对应的参考图像,得到浮动图像的总偏移量。
具体地,计算机设备根据上述浮动图像的初始总偏移量和该浮动图像对应的参考图像,得到浮动图像的总偏移量。需要说明的是,本申请中的图像配准为多任务的图像配准,因此,可以是一幅参考图像对应一幅浮动图像,也可以是一幅参考图像对应多幅浮动图像。可选的,计算机设备可以根据浮动图像的初始总偏移量对浮动图像进行配准,得到配准后的浮动图像,根据配准后的浮动图像和参考图像,计算得到该浮动图像的总偏移量。可选的,计算机设备也可以根据浮动图像的各任务方向的初始总偏移量,在各任务方向上对浮动图像进行配准,得到各任务方向上配准后的浮动图像,根据各任务方向上配准后的浮动图像和参考图像,得到各任务方向上的偏移量,从而得到浮动图像的总偏移量。
S203,根据浮动图像的总偏移量,得到浮动图像在各预设方向上的偏移量。
具体地,计算机设备根据上述浮动图像的总偏移量,得到浮动图像在各预设方向上的偏移量。可选的,计算机设备可以将浮动图像的总体偏移量中各预设方向对应的偏移量,确定为浮动图像在各预设方向上的偏移量,得到浮动图像在各预设方向上的偏移量。示例性地,继续以待配准的浮动图像的各任务方向包括x,y,z方向为例,若计算机设备得到的浮动图像的总偏移量为(5,8,4),则计算机设备对浮动图像的总偏移量进行拆分,得到该浮动图像在x方向的偏移量为5,在y方向的偏移量为8,在z方向的偏移量为4。
S204,在各预设方向上,根据各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像。
具体地,计算机设备在各预设方向上,根据浮动图像在各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像。可选的,计算机设备得到各预设方向上的配准后的浮动图像后,还可以根据各预设方向上的配准后的浮动图像和参考图像,得到各预设方向上的相似性度量值,根据各预设方向上的相似性度量值,检查在各预设方向上的配准是否准确。可选的,本实施例中,各预设方向上的相似性度量值可以是各预设方向上的配准后的浮动图像与参考图像之间的均方误差,也可以是各预设方向上的配准后的浮动图像与参考图像之间的互信息或归一化互信息,还可以是互信息或归一化互信息的倒数。
上述图像配准方法中,计算机设备获取待配准的浮动图像的初始总偏移量,根据待配准的浮动图像的初始总偏移量和该浮动图像对应的参考图像,能够得到浮动图像的总偏移量,从而能够根据浮动图像的总偏移量,得到该浮动图像在各预设方向上的偏移量,进而可以根据各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像,该配准方法通过同时优化所有的配准任务,得到浮动图像的总偏移量,从而根据浮动图像的总偏移量能够得到浮动图像在各预设方向上的偏移量,考虑了浮动图像各预设方向互相之间在公共方向上的影响和约束,提高了得到的各预设方向上的偏移量的准确度,进而提高了得到的各预设方向上的配准后的浮动图像的准确度。
在上述根据待配准浮动图像的初始总偏移量和浮动图像对应的参考图像,得到浮动图像的总偏移量的场景中,在一个实施例中,上述S202,包括:执行迭代配准操作,得到浮动图像的总偏移量;其中,迭代配准操作包括:
步骤A:根据初始总偏移量,得到浮动图像在各预设方向上的初始偏移量。
具体地,计算机设备根据上述浮动图像的初始总偏移量,得到浮动图像在各预设方向上的初始偏移量。可选的,计算机设备可以对浮动图像的初始总偏移量进行拆分,得到浮动图像在各预设方向上的初始偏移量。示例性地,若浮动图像的初始总偏移量为(0,0,0),则计算机设备对浮动图像的初始总偏移量进行拆分,得到该浮动图像在x方向上的初始偏移量为0,在y方向上的初始偏移量为0,在z方向上的初始偏移量为0。
步骤B:在各预设方向上,根据各预设方向的初始偏移量对浮动图像进行配准,得到在各预设方向上的配准后的中间浮动图像。
具体地,计算机设备在上述各预设方向上,根据各预设方向的初始偏移量对上述浮动图像进行配准,得到在各预设方向上的配准后的中间浮动图像。可选的,计算机设备可以在各预设方向上,根据各预设方向的初始偏移量对浮动图像进行平移、旋转等操作,得到在各预设方向上的配准后的中间浮动图像。
步骤C:根据各预设方向上的配准后的中间浮动图像和参考图像,得到浮动图像在各预设方向上的相似性度量值。
具体地,计算机设备根据上述各预设方向上的配准后的中间浮动图像和该浮动图像对应的参考图像,得到该浮动图像在上述各预设方向上的相似性度量值。可选的,各预设方向上的相似性度量值可以是各预设方向上的配准后的浮动图像与参考图像之间的均方误差,也可以是各预设方向上的配准后的浮动图像与参考图像之间的互信息或归一化互信息,还可以是互信息或归一化互信息的倒数。
步骤D:根据各预设方向的相似性度量值,得到浮动图像的中间总偏移量,返回执行迭代配准操作,直至达到预设的收敛条件。
具体地,计算机设备根据上述得到的各预设方向的相似性度量值,得到上述浮动图像的中间总偏移量,返回执行该迭代配准操作,直至达到预设的收敛条件。可以理解的是,各预设方向的相似性度量值是用于表征在各预设方向上配准后的浮动图像与参考图像的相似程度的。可选的,计算机设备可以首先根据各预设方向的相似性度量值,得到该浮动图像的总体相似性度量值,然后采用穷举法,在每个循环中穷举多个总体相似性度量值,从中选取最优的相似性度量值,将该最优的相似性度量值对应的总偏移量确定为该浮动图像的中间总偏移量;也可以采用梯度下降法,向着梯度更小的方向,更新浮动图像的中间总偏移量,得到该浮动图像的中间总偏移量。可选的,计算机设备可以采用萤火虫算法执行上述迭代配准操作,那么,相应地,预设的收敛条件为迭代次数大于预设次数,且在最后的5次迭代中,相似性度量值最优的萤火虫间的距离小于给定的阈值。
步骤E:将达到预设的收敛条件时得到的中间总偏移量确定为浮动图像的总偏移量。
具体地,计算机设备将达到上述预设的收敛条件时得到的中间总偏移量确定为上述浮动图像的总偏移量。例如,达到上述预设的收敛条件时得到的中间总偏移量为(5,8,4),则计算机设备将此时的中间总偏移量(5,8,4)确定为上述浮动图像的总偏移量。
需要说明的是,在本实施例中,为了提高算法的收敛速度,可以采用阶梯式的搜索空间收缩方法,提高收敛速度,示例性地,图3给出了两种可能的搜索空间大小和萤火虫数目的组合。进一步地,若迭代配准操作采用的方法为萤火虫算法,在萤火虫算法中适合使用图形处理器(Graphics Processing Unit,GPU)进行加速,使用GPU将每次迭代中,计算每个平移距离下的相似性度量值的过程进行并行计算,降低计算耗时。
本实施例中,计算机设备通过执行迭代配准操作,能够得到浮动图像的总偏移量,其中,迭代配准操作包括根据浮动图像的初始总偏移量,得到浮动图像在各预设方向上的初始偏移量,从而在各预设方向上,根据各预设方向的初始偏移量对浮动图像进行配准,得到在各预设方向上的配准后的中间浮动图像,根据各预设方向上的配准后的中间浮动图像和参考图像,得到浮动图像在各预设方向上的相似性度量值,进而根据各预设方向的相似性度量值,得到浮动图像的中间总偏移量,返回执行迭代配准操作,直至达到预设的收敛条件,通过该迭代操作,对得到的浮动图像的总偏移量进行不断的迭代调整,能够得到准确度较高的浮动图像的总偏移量,提高了得到的浮动图像的总偏移量的准确度。
在上述执行迭代配准操作的场景中,在一个实施例中,如图4所示,上述步骤D中的“根据各预设方向的相似性度量值,得到浮动图像的中间总偏移量”包括:
S401,对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值。
具体地,计算机设备对上述得到的各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值。可以理解的是,在进行图像配准时,通过对各预设方向的相似性度量值进行归一化处理,能够调整各预设方向的图像对公共方向的移动距离的约束能力,但是,由于在对图像配准的过程中不知道每一个方向上的全局最优值的大小和平移距离,因此可以采用自适应的调整方案,即首先假设,在全局最优值附近一个足够小的邻域内,相似性度量值可以表示为一个严格突函数,此时,由于图像对移动距离的约束能力主要体现在相似性度量值的大小和相似性度量值的梯度的大小,因此,可以对相似性度量值的大小和相似性度量值的梯度的大小进行调整,调整的目标是使得每个方向的相似性度量值的最优值一致,并使得每个方向的相似性度量值的梯度与它们所包含的信息量正相关。
S402,根据各预设方向的归一化后的相似性度量值,得到浮动图像的总相似性度量值。
具体地,计算机设备根据得到的各预设方向的归一化后的相似性度量值,得到浮动图像的总相似性度量值。可选的,计算机设备可以对各预设方向的归一化后的相似性度量值求平均值,得到浮动图像的总相似性度量值;也可以将各预设方向的归一化后的相似性度量值赋给总相似性度量值对应的各预设方向,得到浮动图像的总相似性度量值。需要说明的是,得到浮动图像的总相似性度量值的计算方法有多种,只要能根据每个预设方向的归一化后的相似性度量值,得到一个总体值或者一个向量,作为浮动图像的总相似性度量值即可,本实施例在此对得到浮动图像的总相似性度量值的方法不做限制。
S403,根据浮动图像的总相似性度量值,得到浮动图像的中间总偏移量。
具体地,计算机设备根据上述浮动图像的总相似性度量值,得到浮动图像的中间总偏移量。可以理解的是,浮动图像的总相似性度量值是用于表征配准后的浮动图像整体与参考图像整体的相似程度的。可选的,计算机设备可以采用穷举法,在每个循环中穷举多个总相似性度量值,从中选取最优的相似性度量值,将该最优的相似性度量值对应的总偏移量确定为该浮动图像的中间总偏移量;也可以采用梯度下降法,向着梯度更小的方向,更新浮动图像的中间总偏移量,得到浮动图像的中间总偏移量。
本实施例中,计算机设备对各预设方向的相似性度量值进行归一化处理,能够调整各预设方向的图像对公共方向的移动距离的约束能力,即得到的各预设方向的归一化后的相似性度量值能够调整各预设方向的图像对公共方向的移动距离的约束能力,从而可以根据各预设方向的归一化后的相似性度量值,得到准确度较高的浮动图像的总相似性度量值,进而可以根据得到的准确度较高的浮动图像的总相似性度量值,得到准确度较高的浮动图像的中间总偏移量,提高了得到的浮动图像的中间总偏移量的准确度。
在上述对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值的场景中,相似性度量值可以是配准后的浮动图像与参考图像之间的均方误差,也可以是配准后的浮动图像与参考图像之间的互信息或归一化互信息,还可以是配准后的浮动图像与参考图像之间的互信息或归一化互信息的倒数,下边将从相似性度量值为均方误差、互信息两个场景对得到各预设方向的归一化后的相似性度量值的过程进行详细说明。
场景一:若相似性度量值为均方误差,在一个实施例中,如图5所示,上述S401,包括:
S501,从各预设方向的相似性度量值中,确定出各预设方向中的最小相似性度量值。
具体地,计算机设备从上述得到的各预设方向的相似性度量值中,确定出各预设方向中的最小相似性度量值。这里需要说明的是,在进行一次迭代配准操作的过程中能够得到各预设方向上的多个相似性度量值,计算机设备可以从各预设方向上的多个相似性度量值中,确定出各预设方向中的最小相似性度量值。示例性地的,可以将各预设方向中的最小相似性度量值记为S(xbest)。
S502,根据各预设方向中的最小相似性度量值对应的第一偏移量,得到第一偏移量对应的相似性度量值。
具体地,计算机设备根据确定的各预设方向中的最小相似性度量值对应的第一偏移量,得到该第一偏移量对应的相似性度量值。可选的,计算机设备可以根据确定出的各预设方向中的最小相似性度量值,确定出各预设方向中的最小相似性度量值对应的第一偏移量,进而根据该第一偏移量对浮动图像进行配准,根据配准后的浮动图像得到该第一偏移量对应的相似性度量值。示例性地的,可以将上述第一偏移量对应的相似性度量值记为Sbest(x)。
S503,根据参考图像的信息熵、各预设方向中的最小相似性度量值和第一偏移量对应的相似性度量值,对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值;其中,各预设方向的归一化后的相似性度量值与参考图像的信息熵、各预设方向中的最小相似性度量值、第一偏移量对应的相似性度量值线性相关。
具体地,计算机设备根据参考图像的信息熵、各预设方向中的最小相似性度量值和第一偏移量对应的相似性度量值,对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值;其中,各预设方向的归一化后的相似性度量值与参考图像的信息熵、各预设方向中的最小相似性度量值、上述第一偏移量对应的相似性度量值线性相关。可选的,计算机设备可以根据公式:对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值,式中,|H(A)|表示参考图像的信息熵,s(x)表示偏移量为x时,参考图像和移动后的浮动图像的相似性度量值,S(xbest)为各预设方向中的最小相似性度量值,Sbest(x)为第一偏移量对应的各预设方向的相似性度量值,Grad(Sbest(x),S(xbest))表示S(xbest)与Sbest(x)的梯度值。
本实施例中,在对各预设方向的相似性度量值进行归一化处理的过程中,首先使用当前的总体最小相似性度量值的偏移量为x时,该方向的图像的相似性度量值Sbest(x)和在从第一次迭代到当前迭代中,该方向所有计算过的相似性度量值中最优的相似性度量值S(xbest),求得它们的平均值,对s(x)进行归一化,求得norm{s(x)},该步骤可以消除不同方向的图像的最优相似性度量值不同带来的约束能力的差异,同时,还可以使得当Sbest(x)和S(xbest)相差过大时,提高该方向的相似性度量值的约束能力,使得求得的移动距离更接近xbest,其次,通过计算两个最优位置的相似性度量值的相对变化率α(x),能够进一步提高该方向的图像在配准中的约束能力,同时,调整该方向的相似性度量值的梯度,能够增强约束能力强的方向在计算总体相似性测度时的权重,从而增强总体相似性测度的约束能力,防止陷入局部最优,另外,通过参考图像的信息熵,能够表征参考图像信息的丰富程度,参考图像的信息越丰富,参考图像的信息熵的绝对值越大,则浮动图像越容易陷入局部最优解,此时,应降低该方向的相似性测度的权重值,从而降低约束能力,进而提高得到的各预设方向的归一化后的相似性度量值的准确度。
在上述场景一中,在一个实施例中,如图6所示,上述S402,包括:
S601,将各预设方向的归一化后的相似性度量值与各预设方向的第一权重值相乘,得到各预设方向的处理后的相似性度量值;其中,各预设方向的第一权重值与第一参数负相关,各预设方向的第一权重值与第二参数正相关,第一参数为各预设方向中的最小相似性度量值与第一偏移量对应的相似性度量值之和,第二参数为各预设方向中的最小相似性度量值与第一偏移量对应的相似性度量值的梯度值。
具体地,计算机设备将上述各预设方向的归一化后的相似性度量值与各预设方向的第一权重值相乘,得到各预设方向的处理后的相似性度量值。其中,各预设方向的第一权重值与第一参数负相关,各预设方向的第一权重值与第二参数正相关,第一参数为各预设方向中的最小相似性度量值与第一偏移量对应的相似性度量值之和,第二参数为各预设方向中的最小相似性度量值与第一偏移量对应的相似性度量值的梯度值,即计算机设备可以根据公式得到各预设方向的处理后的相似性度量值,式中,S(xbest)为各预设方向中的最小相似性度量值,Sbest(x)为第一偏移量对应的各预设方向的相似性度量值,Grad(Sbest(x),S(xbest))表示S(xbest)与Sbest(x)的梯度值。
S602,根据各预设方向的处理后的相似性度量值,得到浮动图像的总相似性度量值。
具体地,计算机设备根据得到的各预设方向的处理后的相似性度量值,得到浮动图像的总相似性度量值。可选的,计算机设备可以对各预设方向的处理后的相似性度量值求平均值,得到浮动图像的总相似性度量值;也可以将各预设方向的处理后的相似性度量值赋给总相似性度量值对应的各预设方向,得到浮动图像的总相似性度量值。需要说明的是,得到浮动图像的总相似性度量值的计算方法有多种,只要能根据每个预设方向的处理后的相似性度量值,得到一个总体值或者一个向量,作为浮动图像的总相似性度量值即可,本实施例在此对得到浮动图像的总相似性度量值的方法不做限制。
本实施例中,计算机设备将各预设方向的归一化后的相似性度量值与各预设方向的第一权重值相乘,能够对各预设方向的归一化后的相似性度量值进行优化,从而提到了得到的各预设方向的处理后的相似性度量值的准确度,进而可以根据准确度较高的各预设方向的处理后的相似性度量值,准确地得到浮动图像的总相似性度量值,提高了得到的浮动图像的总相似性度量值的准确度。
场景二:若相似性度量值为互信息,在一个实施例中,如图7所示,上述S401,包括:
S701,从各预设方向的相似性度量值中,确定出各预设方向中的最大相似性度量值。
具体地,计算机设备从上述得到的各预设方向的相似性度量值中,确定出各预设方向中的最大相似性度量值。这里需要说明的是,在进行一次迭代配准操作的过程中能够得到各预设方向上的多个相似性度量值,计算机设备可以从各预设方向上的多个相似性度量值中,确定出各预设方向中的最大相似性度量值。示例性地的,可以将各预设方向中的最大相似性度量值记为S(xbest)。
S702,根据各预设方向中的最大相似性度量值对应的第二偏移量,得到第二偏移量对应的相似性度量值。
具体地,计算机设备根据确定的各预设方向中的最大相似性度量值对应的第二偏移量,得到该第二偏移量对应的相似性度量值。可选的,计算机设备可以根据确定出的各预设方向中的最大相似性度量值,确定出各预设方向中的最大相似性度量值对应的第二偏移量,进而根据该第二偏移量对浮动图像进行配准,根据配准后的浮动图像得到该第二偏移量对应的相似性度量值。示例性地的,可以将上述第二偏移量对应的相似性度量值记为Sbest(x)。
S703,根据参考图像的信息熵、各预设方向中的最大相似性度量值和第二偏移量对应的相似性度量值,对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值;其中,各预设方向的归一化后的相似性度量值与参考图像的信息熵、各预设方向中的最大相似性度量值、第二偏移量对应的相似性度量值线性相关。
具体地,计算机设备根据参考图像的信息熵、各预设方向中的最大相似性度量值和第二偏移量对应的相似性度量值,对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值;其中,各预设方向的归一化后的相似性度量值与参考图像的信息熵、各预设方向中的最大相似性度量值、上述第二偏移量对应的相似性度量值线性相关。可选的,计算机设备可以根据公式:对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值,式中,|H(A)|表示参考图像的信息熵,s(x)表示偏移量为x时,参考图像和移动后的浮动图像的相似性度量值,S(xbest)为各预设方向中的最大相似性度量值,Sbest(x)为第二偏移量对应的相似性度量值,Grad(Sbest(x),S(xbest))表示S(xbest)与Sbest(x)的梯度值。
本实施例中,在对各预设方向的相似性度量值进行归一化处理的过程中,首先使用当前的总体最大相似性度量值的偏移量为x时,该方向的图像的相似性度量值Sbest(x)和在从第一次迭代到当前迭代中,该方向所有计算过的相似性度量值中最优的相似性度量值S(xbest),求得它们的平均值,对s(x)进行归一化,求得norm{s(x)},该步骤可以消除不同方向的图像的最优相似性度量值不同带来的约束能力的差异,同时,还可以使得当Sbest(x)和S(xbest)相差过大时,提高该方向的相似性度量值的约束能力,使得求得的移动距离更接近xbest,其次,通过计算两个最优位置的相似性度量值的相对变化率α(x),能够进一步提高该方向的图像在配准中的约束能力,同时,调整该方向的相似性度量值的梯度,能够增强约束能力强的方向在计算总体相似性测度时的权重,从而增强总体相似性测度的约束能力,防止陷入局部最优,另外,通过参考图像的信息熵,能够表征参考图像信息的丰富程度,参考图像的信息越丰富,参考图像的信息熵的绝对值越大,则浮动图像越容易陷入局部最优解,此时,应降低该方向的相似性测度的权重值,从而降低约束能力,进而提高得到的各预设方向的归一化后的相似性度量值的准确度。
在上述场景二中,在一个实施例中,如图8所示,上述S402,包括:
S801,将各预设方向的归一化后的相似性度量值与各预设方向的第二权重值相乘,得到各预设方向的处理后的相似性度量值;其中,各预设方向的第二权重值与第三参数负相关,各预设方向的第二权重值与第四参数正相关,第三参数为各预设方向中的最大相似性度量值与第二偏移量对应的相似性度量值之和,第四参数为各预设方向中的最大相似性度量值与第二偏移量对应的相似性度量值的梯度值。
具体地,计算机设备将上述各预设方向的归一化后的相似性度量值与各预设方向的第二权重值相乘,得到各预设方向的处理后的相似性度量值。其中,各预设方向的第二权重值与第三参数负相关,各预设方向的第二权重值与第四参数正相关,第三参数为各预设方向中的最大相似性度量值与第二偏移量对应的相似性度量值之和,第四参数为各预设方向中的最大相似性度量值与第二偏移量对应的相似性度量值的梯度值,即计算机设备可以根据公式得到各预设方向的处理后的相似性度量值,式中,S(xbest)为各预设方向中的最大相似性度量值,Sbest(x)为第二偏移量对应的相似性度量值,Grad(Sbest(x),S(xbest))表示S(xbest)与Sbest(x)的梯度值。
S802,根据各预设方向的处理后的相似性度量值,得到浮动图像的总相似性度量值。
具体地,计算机设备根据得到的各预设方向的处理后的相似性度量值,得到浮动图像的总相似性度量值。可选的,计算机设备可以对各预设方向的处理后的相似性度量值求平均值,得到浮动图像的总相似性度量值;也可以将各预设方向的处理后的相似性度量值赋给总相似性度量值对应的各预设方向,得到浮动图像的总相似性度量值。需要说明的是,得到浮动图像的总相似性度量值的计算方法有多种,只要能根据每个预设方向的处理后的相似性度量值,得到一个总体值或者一个向量,作为浮动图像的总相似性度量值即可,本实施例在此对得到浮动图像的总相似性度量值的方法不做限制。
本实施例中,计算机设备将各预设方向的归一化后的相似性度量值与各预设方向的第二权重值相乘,能够对各预设方向的归一化后的相似性度量值进行优化,从而提到了得到的各预设方向的处理后的相似性度量值的准确度,进而可以根据准确度较高的各预设方向的处理后的相似性度量值,准确地得到浮动图像的总相似性度量值,提高了得到的浮动图像的总相似性度量值的准确度。
可以理解的是,在本申请中若相似性度量值为归一化互信息、互信息或归一化互信息的倒数时,得到各预设方向的归一化后的相似性度量值的过程可参考上述场景一、场景二中的实施例的描述,本申请在此不再赘述。需要说明的是,上述各预设方向的相似性度量值中各方向的相似性度量值可以不同,以预设的方向包括第一方向和第二方向为例,则第一方向的相似性度量值可以为均方误差,第二方向的相似性度量值可以为互信息,在这种场景下,得到各预设方向的归一化后的相似性度量值的过程可参考上述场景一、场景二中的实施例的描述,本实施例对此场景的得到各预设方向的归一化后的相似性度量值的过程不再赘述。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种图像配准装置,包括:第一获取模块、第二获取模块、第三获取模块和配准模块,其中:
第一获取模块,用于获取待配准的浮动图像的初始总偏移量。
第二获取模块,用于根据初始总偏移量和浮动图像对应的参考图像,得到浮动图像的总偏移量。
第三获取模块,用于根据浮动图像的总偏移量,得到浮动图像在各预设方向上的偏移量。
配准模块,用于在各预设方向上,根据各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像。
可选的,待配准的浮动图像包括电子射野影像***图像,参考图像包括数字重建放射影像图像。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取模块,包括:获取单元,其中:
获取单元,用于执行迭代配准操作,得到浮动图像的总偏移量;
其中,迭代配准操作包括:
根据初始总偏移量,得到浮动图像在各预设方向上的初始偏移量;
在各预设方向上,根据各预设方向的初始偏移量对浮动图像进行配准,得到在各预设方向上的配准后的中间浮动图像;
根据各预设方向上的配准后的中间浮动图像和参考图像,得到浮动图像在各预设方向上的相似性度量值;
根据各预设方向的相似性度量值,得到浮动图像的中间总偏移量,返回执行迭代配准操作,直至达到预设的收敛条件;
将达到预设的收敛条件时得到的中间总偏移量确定为浮动图像的总偏移量。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述获取单元,具体用于对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值;根据各预设方向的归一化后的相似性度量值,得到浮动图像的总相似性度量值;根据浮动图像的总相似性度量值,得到浮动图像的中间总偏移量。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,若相似性度量值为均方误差,可选的,上述获取单元,具体用于从各预设方向的相似性度量值中,确定出各预设方向中的最小相似性度量值;根据各预设方向中的最小相似性度量值对应的第一偏移量,得到第一偏移量对应的相似性度量值;根据参考图像的信息熵、各预设方向中的最小相似性度量值和第一偏移量对应的相似性度量值,对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值;其中,各预设方向的归一化后的相似性度量值与参考图像的信息熵、各预设方向中的最小相似性度量值、第一偏移量对应的相似性度量值线性相关。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述获取单元,具体用于将各预设方向的归一化后的相似性度量值与各预设方向的第一权重值相乘,得到各预设方向的处理后的相似性度量值;其中,各预设方向的第一权重值与第一参数负相关,各预设方向的第一权重值与第二参数正相关,第一参数为各预设方向中的最小相似性度量值与第一偏移量对应的相似性度量值之和,第二参数为各预设方向中的最小相似性度量值与第一偏移量对应的相似性度量值的梯度值;根据各预设方向的处理后的相似性度量值,得到浮动图像的总相似性度量值。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,若相似性度量值为互信息,可选的,上述获取单元,具体用于从各预设方向的相似性度量值中,确定出各预设方向中的最大相似性度量值;根据各预设方向中的最大相似性度量值对应的第二偏移量,得到第二偏移量对应的相似性度量值;根据参考图像的信息熵、各预设方向中的最大相似性度量值和第二偏移量对应的相似性度量值,对各预设方向的相似性度量值进行归一化处理,得到各预设方向的归一化后的相似性度量值;其中,各预设方向的归一化后的相似性度量值与参考图像的信息熵、各预设方向中的最大相似性度量值、第二偏移量对应的相似性度量值线性相关。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述获取单元,具体用于将各预设方向的归一化后的相似性度量值与各预设方向的第二权重值相乘,得到各预设方向的处理后的相似性度量值;其中,各预设方向的第二权重值与第三参数负相关,各预设方向的第二权重值与第四参数正相关,第三参数为各预设方向中的最大相似性度量值与第二偏移量对应的相似性度量值之和,第四参数为各预设方向中的最大相似性度量值与第二偏移量对应的相似性度量值的梯度值;根据各预设方向的处理后的相似性度量值,得到浮动图像的总相似性度量值。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第三获取模块,包括:确定单元,其中:
确定单元,用于将浮动图像的总体偏移量中各预设方向对应的偏移量,确定为浮动图像在各预设方向上的偏移量。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于图像配准装置的具体限定可以参见上文中对于图像配准方法的限定,在此不再赘述。上述图像配准装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待配准的浮动图像的初始总偏移量;
根据初始总偏移量和浮动图像对应的参考图像,得到浮动图像的总偏移量;
根据浮动图像的总偏移量,得到浮动图像在各预设方向上的偏移量;
在各预设方向上,根据各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待配准的浮动图像的初始总偏移量;
根据初始总偏移量和浮动图像对应的参考图像,得到浮动图像的总偏移量;
根据浮动图像的总偏移量,得到浮动图像在各预设方向上的偏移量;
在各预设方向上,根据各预设方向上的偏移量对浮动图像进行配准,得到各预设方向上的配准后的浮动图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种图像配准方法,其特征在于,所述方法包括:
获取待配准的浮动图像的初始总偏移量;
根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量;
根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量;
在各所述预设方向上,根据各所述预设方向上的偏移量对所述浮动图像进行配准,得到各所述预设方向上的配准后的浮动图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量,包括:
根据所述初始总偏移量和所述浮动图像对应的参考图像,执行迭代配准操作,得到所述浮动图像的总偏移量。
3.根据权利要求2所述的方法,其特征在于,所述迭代配准操作包括:
根据所述初始总偏移量和所述参考图像,得到所述浮动图像在各所述预设方向上的相似性度量值;
根据各所述预设方向的相似性度量值,得到所述浮动图像的中间总偏移量,返回执行所述迭代配准操作,直至达到预设的收敛条件;
将达到所述预设的收敛条件时得到的中间总偏移量确定为所述浮动图像的总偏移量。
4.根据权利要求3所述的方法,其特征在于,所述根据各所述预设方向的相似性度量值,得到所述浮动图像的中间总偏移量,包括:
对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值;
根据各所述预设方向的归一化后的相似性度量值,得到所述浮动图像的总相似性度量值;
根据所述浮动图像的总相似性度量值,得到所述浮动图像的中间总偏移量。
5.根据权利要求4所述的方法,其特征在于,若所述相似性度量值为均方误差,所述对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值,包括:
从各所述预设方向的相似性度量值中,确定出各所述预设方向中的最小相似性度量值;
根据各所述预设方向中的最小相似性度量值对应的第一偏移量,得到所述第一偏移量对应的相似性度量值;
根据所述参考图像的信息熵、各所述预设方向中的最小相似性度量值和所述第一偏移量对应的相似性度量值,对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述预设方向的归一化后的相似性度量值,得到所述浮动图像的总相似性度量值,包括:
将各所述预设方向的归一化后的相似性度量值与各所述预设方向的第一权重值相乘,得到各所述预设方向的处理后的相似性度量值;
根据各所述预设方向的处理后的相似性度量值,得到所述浮动图像的总相似性度量值。
7.根据权利要求4所述的方法,其特征在于,若所述相似性度量值为互信息,所述对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值,包括:
从各所述预设方向的相似性度量值中,确定出各所述预设方向中的最大相似性度量值;
根据各所述预设方向中的最大相似性度量值对应的第二偏移量,得到所述第二偏移量对应的相似性度量值;
根据所述参考图像的信息熵、各所述预设方向中的最大相似性度量值和所述第二偏移量对应的相似性度量值,对各所述预设方向的相似性度量值进行归一化处理,得到各所述预设方向的归一化后的相似性度量值。
8.根据权利要求7所述的方法,其特征在于,所述根据各所述预设方向的归一化后的相似性度量值,得到所述浮动图像的总相似性度量值,包括:
将各所述预设方向的归一化后的相似性度量值与各所述预设方向的第二权重值相乘,得到各所述预设方向的处理后的相似性度量值;
根据各所述预设方向的处理后的相似性度量值,得到所述浮动图像的总相似性度量值。
9.根据权利要求1所述的方法,其特征在于,所述根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量,包括:
将所述浮动图像的总体偏移量中各所述预设方向对应的偏移量,确定为所述浮动图像在各所述预设方向上的偏移量。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述待配准的浮动图像包括电子射野影像***图像,所述参考图像包括数字重建放射影像图像。
11.一种图像配准装置,其特征在于,所述装置包括:
第一获取模块,用于获取待配准的浮动图像的初始总偏移量;
第二获取模块,用于根据所述初始总偏移量和所述浮动图像对应的参考图像,得到所述浮动图像的总偏移量;
第三获取模块,用于根据所述浮动图像的总偏移量,得到所述浮动图像在各预设方向上的偏移量;
配准模块,用于在各所述预设方向上,根据各所述预设方向上的偏移量对所述浮动图像进行配准,得到各所述预设方向上的配准后的浮动图像。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110061395.6A CN112750152B (zh) | 2021-01-18 | 2021-01-18 | 图像配准方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110061395.6A CN112750152B (zh) | 2021-01-18 | 2021-01-18 | 图像配准方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750152A true CN112750152A (zh) | 2021-05-04 |
CN112750152B CN112750152B (zh) | 2023-04-07 |
Family
ID=75652308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110061395.6A Active CN112750152B (zh) | 2021-01-18 | 2021-01-18 | 图像配准方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750152B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204561A (zh) * | 2016-07-04 | 2016-12-07 | 西安电子科技大学 | 基于混合模型的***多模态图像非刚性配准方法 |
CN106408509A (zh) * | 2016-04-29 | 2017-02-15 | 上海联影医疗科技有限公司 | 一种配准方法及其装置 |
CN106960449A (zh) * | 2017-03-14 | 2017-07-18 | 西安电子科技大学 | 基于多特征约束的异源配准方法 |
CN107146243A (zh) * | 2017-04-19 | 2017-09-08 | 珠海市魅族科技有限公司 | 图像配准方法及装置 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN109598745A (zh) * | 2018-12-25 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置和计算机设备 |
CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
CN109767462A (zh) * | 2018-12-29 | 2019-05-17 | 西安电子科技大学 | 基于量子粒子群的VideoSAR帧间配准方法 |
CN110310314A (zh) * | 2019-03-26 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN110473233A (zh) * | 2019-07-26 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
CN110533641A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗***股份有限公司 | 一种多模态医学图像配准方法和装置 |
CN111307163A (zh) * | 2018-12-11 | 2020-06-19 | 北京地平线机器人技术研发有限公司 | 可移动设备的定位方法、定位装置及电子设备 |
CN111681237A (zh) * | 2020-06-12 | 2020-09-18 | 上海联影医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
-
2021
- 2021-01-18 CN CN202110061395.6A patent/CN112750152B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408509A (zh) * | 2016-04-29 | 2017-02-15 | 上海联影医疗科技有限公司 | 一种配准方法及其装置 |
CN106204561A (zh) * | 2016-07-04 | 2016-12-07 | 西安电子科技大学 | 基于混合模型的***多模态图像非刚性配准方法 |
CN106960449A (zh) * | 2017-03-14 | 2017-07-18 | 西安电子科技大学 | 基于多特征约束的异源配准方法 |
CN107146243A (zh) * | 2017-04-19 | 2017-09-08 | 珠海市魅族科技有限公司 | 图像配准方法及装置 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN111307163A (zh) * | 2018-12-11 | 2020-06-19 | 北京地平线机器人技术研发有限公司 | 可移动设备的定位方法、定位装置及电子设备 |
CN109598745A (zh) * | 2018-12-25 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置和计算机设备 |
CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
CN109767462A (zh) * | 2018-12-29 | 2019-05-17 | 西安电子科技大学 | 基于量子粒子群的VideoSAR帧间配准方法 |
CN110310314A (zh) * | 2019-03-26 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN110473233A (zh) * | 2019-07-26 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
CN110533641A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗***股份有限公司 | 一种多模态医学图像配准方法和装置 |
CN111681237A (zh) * | 2020-06-12 | 2020-09-18 | 上海联影医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
H. ÓLAFSDÓTTIR, H. PEDERSEN, M. S. HANSEN, H. LARSSON AND R. LAR: "Improving image registration by correspondence interpolation", 《2011 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING: FROM NANO TO MACRO》 * |
桑斯尔: "基于RANSAC和信息熵约束的遥感图像配准算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112750152B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230225B (zh) | 三维重建的方法和装置 | |
CN107133946B (zh) | 医学图像处理方法、装置及设备 | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
JP5706389B2 (ja) | 画像処理装置および画像処理方法、並びに、画像処理プログラム | |
WO2007010537A2 (en) | Reconstruction stabilizer and active vision | |
CN108742679B (zh) | 结节检测装置和方法 | |
CN111179372A (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN111210465B (zh) | 图像配准方法、装置、计算机设备和可读存储介质 | |
CN111028212B (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
WO2016178115A1 (en) | Data-driven surrogate respiratory signal generation for medical imaging | |
CN111583099A (zh) | 图像摆正方法、计算机设备和存储介质 | |
CN112001979B (zh) | 运动伪影处理方法、***、可读存储介质和设备 | |
US8433159B1 (en) | Compressed target movement model using interpolation | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN114943690A (zh) | 医学图像处理方法、装置、计算机设备及可读存储介质 | |
CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
CN112150485B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112750152B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN110687585B (zh) | 获取晶体效率的方法、装置、计算机设备和存储介质 | |
EP3272288B1 (en) | Apparatus and method for ct data reconstruction based on motion compensation | |
CN115836872A (zh) | 扫描舱偏移确定方法、装置、***、计算机设备及介质 | |
CN111681237B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
JP7459243B2 (ja) | 1以上のニューラルネットワークとしての画像形成のモデル化による画像再構成 | |
CN111080734B (zh) | 一种处理正电子发射断层扫描pet数据的方法及终端 | |
TWI500412B (zh) | 一種影像品質的改善處理方法及其造影系統 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |