envi配准窗口最小化后_（十七）医学图像配准原则

配准技术的发展

1、基于解刨结构特征点的配准【人工】

采用 人工的特征点配准，利用 迭代最近领点、欧氏距离等。一般只适用于 单模态，而且 准确率不高、主观性

2、计算机辅助基于图像特征的配准配准【计算机】

借助 计算机实现图像的配准。 外部特征和 内部特征两种方法 外部特征：用支架、皮肤标记法等 标记 内部特征：图像采集点 匹配后在对其进行配准

3、基于灰度的多模态的医学图像配准

新生很多技术对人体进行图像生成（CT、MRP、PET等），这个时候需要找出一个衡量不同模态的相适度测量，对其不同模态间具有鲁棒性（稳定性）

基于信息论：联合墒（基于概率分部随机性，但是对噪音比较敏感）； 互信息：可以自动实现，不需要对其进行分割。它基于图像含有对方的信息的多少 相关性配准：两幅图像灰度定值时，存在相同类似的 Demons算法：非刚性医学图像配准【非相似性度量！是搜索空间的弹性配准】 基于特征空间：基于 熵图的配准；
基于 结构特征的多模态医学图像配准 基于三维的图像来说，比较耗费时间，学者提出了由粗到精的分层配准。避免陷入局部最优点。

基于模型的非刚性配准

非刚性：就是柔弱的，例如人体、线虫这种。

PDE：基于 偏微分方程的配准；偏微分方程或相似性度量的构造（光流、流体力学、扩展模型）；Demons是比较有名的算法。（简单来说就是把图片套上一个网格，根据特征点对网格进行变换） FFD：基于 B样条自由形态形变模型的配准（也是一个网格，但是是一个非均匀的网格，进而控制形变的精细程度和大小）

---

配准方法详解

1）基于特征提取的^[1]

1、 基于外来特征【人工】

• 优点：技术量小，速度快
• 缺点：但是依赖于人工的标记等，只适合刚性配准

2、 基于图像内部特征点

基于内部的特征就涉及到特征提取的技术，比如点、面、线、边缘、角点等提取

• 寻找配准图像的几何变换。图像的特征点提取后进行配准
• 三维图像的配准，基于最小化距离准则进行快速的配准
• 矩不变量配准：一般对数字减影血管照影图像配准

---

2）基于灰度提取的「技术量大，复杂」

迭代优化一个相似度测量进行寻找待配准图像的图像转化。（类似于深度学习，不断的重复重复直到达到某一个标准）

2.1、力矩和主轴法

将两幅待配准图像的质点和主轴计算出来，再通过平移、旋转等方法进行两幅图像的配准，对图像的数据确实是比较敏感的，而且精度较差。

2.2、体素相似性法

使用了全部的灰度信息，能够获得较为准确的结果，是一种较为稳定的方法；优点在于可以自动化、不需要特殊的处理。缺点是计算量大而且复杂。

基于体素的方法有：灰度差异比较、互相关、相位相关法、直方图互相关最大法、均方差、相关系数、互信息、Demons配准

• 灰度差异

灰度差异需要相同的灰度，一般用于 单模态的配准「差值平方和以及归一化形式」

• 互相关

一个图像中包含另外一个图像的内容。并不可以处理灰度分布不均匀的图片。
他是一个包含关系，包括 互信息在内的很多测量。【提前估计两个图片的概率分布，并不需要特征提取和分割、线性关系】
发展：互信息-》归一化互信息-》信息测量-》信息熵-》广义墒的信息论测度-》散度测量
像素间的空间信息问题：高阶互信息等

（为了更好的利用图片的空间信息）：

• RMI：局部互信息。线性加权，降低其局部灰度的变化，引起起配准误差
• cMI（条件互信息）：增加其鲁棒性以及精确度
• SEMI（空间编码互信息）：进行局部相似的判断衡量整体

总结：将其特征与基于灰度的结合在一起是常用的。采用字典学习（标签）、K近领图（多特征互信息）、特征领域互信息（空间与结构信息）、待配准的图像局部结构自相关作为相似度。

---

3）基于变换域的图像配准【傅里叶变换】

参考

1. ^姚保琛,柏春松.基于特征的图像配准技术综述[J].现代计算机,2020(20):52-56.