国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于SIFT和SURF的醫(yī)學(xué)圖像特征匹配研究

2016-02-07 03:24鹿煜煒胡峻
中國醫(yī)療設(shè)備 2016年4期
關(guān)鍵詞:尺度空間參數(shù)估計(jì)特征向量

鹿煜煒,胡峻

安徽醫(yī)科大學(xué)第二附屬醫(yī)院 醫(yī)學(xué)工程與信息部,安徽 合肥 230601

基于SIFT和SURF的醫(yī)學(xué)圖像特征匹配研究

鹿煜煒,胡峻

安徽醫(yī)科大學(xué)第二附屬醫(yī)院 醫(yī)學(xué)工程與信息部,安徽 合肥 230601

本文采用基于特征點(diǎn)的匹配算法完成對實(shí)驗(yàn)醫(yī)學(xué)圖像的匹配,從特征點(diǎn)數(shù)量、特征提取時(shí)間和匹配準(zhǔn)確性等方面比較尺度不變特征變換(SIFT)和快速魯棒特征(SURF)算法,然后采用K最近鄰算法(KNN)去除誤匹配,統(tǒng)計(jì)分析不同閾值的隨機(jī)抽樣一致算法(RANSAC)和最小中值方差估計(jì)算法(LMEDS)與配準(zhǔn)結(jié)果的相關(guān)性。本研究建立了基于特征點(diǎn)的醫(yī)學(xué)圖像配準(zhǔn)算法程序?qū)嶒?yàn)平臺,實(shí)現(xiàn)了多算法融合的醫(yī)學(xué)圖像特征匹配,對進(jìn)一步探討和改進(jìn)醫(yī)學(xué)圖像配準(zhǔn)提供了研究基礎(chǔ)。

SIFT;SURF;圖像匹配;K最近鄰算法

醫(yī)學(xué)圖像配準(zhǔn)是指對兩幅或多幅醫(yī)學(xué)圖像求解最優(yōu)空間幾何變換,使匹配圖像經(jīng)過該變換與被匹配圖像達(dá)到空間上的對齊。醫(yī)學(xué)圖像是臨床診斷信息的重要來源,隨著醫(yī)學(xué)成像技術(shù)的持續(xù)進(jìn)步和醫(yī)學(xué)成像設(shè)備的不斷發(fā)展,可供利用的醫(yī)學(xué)圖像模式也在快速增加。序列圖像和多種模態(tài)圖像提供了比單幅圖像更豐富的信息,有利于全面獲取患者身體某部位或某器官的信息?,F(xiàn)代醫(yī)學(xué)的臨床應(yīng)用需要將不同視場、不同時(shí)間、不同模態(tài)的多幅圖像結(jié)合起來進(jìn)行分析,用非剛性變換來描述圖像之間的空間關(guān)系,以實(shí)現(xiàn)多模醫(yī)學(xué)圖像的融合、序列圖像的配準(zhǔn)及拼接,從而獲取更多的醫(yī)療信息。目前醫(yī)學(xué)圖像配準(zhǔn)主要應(yīng)用于CT、MR、PET等醫(yī)學(xué)圖像的配準(zhǔn)融合、顯微圖像的配準(zhǔn)拼接、實(shí)際醫(yī)學(xué)圖像和標(biāo)準(zhǔn)圖譜的比較、外科手術(shù)導(dǎo)航、心臟運(yùn)動估計(jì)等方面。

圖像特征點(diǎn)匹配是基于局部特征的醫(yī)學(xué)圖像配準(zhǔn)的基礎(chǔ),特征點(diǎn)的提取和描述又是進(jìn)行圖像匹配的基礎(chǔ)和關(guān)鍵步驟。傳統(tǒng)技術(shù)采用人工提取特征點(diǎn)的方法,工作量大且精確度較低,醫(yī)學(xué)圖像的自動配準(zhǔn)是長期以來一直未能很好解決的一個重要問題。圖像工程領(lǐng)域經(jīng)典的局部特征點(diǎn)有Harris角點(diǎn)[1]、K-L角點(diǎn)[2]、HASAN角點(diǎn)[3]等,目前國內(nèi)外比較流行的是David G.Lowe提出并改進(jìn)的尺度不變特征變換(Scale-Invariant Feature Transform,SIFT)算法[4-5]及其多種改進(jìn)算法[6-7],該算法對圖像縮放、旋轉(zhuǎn)、位移等幾何變化具有不變性,對仿射變換、視角變化、光照變化及噪聲也保持較為穩(wěn)定的適應(yīng)性。Bay等人[8]提出的快速魯棒特征(Speeded up Robust Features,SURF)算法[9]與SIFT稍有不同,其核心是用黑塞矩陣代替SIFT的高斯差分尺度空間檢測特征值。作為圖像配準(zhǔn)領(lǐng)域的熱門研究方向,SIFT和SURF系列算法在醫(yī)學(xué)圖像自動提取特征和匹配方面的應(yīng)用尚有待于深入研究[10-12]。

1 特征點(diǎn)提取與配準(zhǔn)算法

基于SIFT和SURF算法的圖像配準(zhǔn)流程包括:① 特征點(diǎn)描述:檢測特征點(diǎn),確定特征點(diǎn)主方向,歸一化為一個多維的特征向量;② 特征點(diǎn)匹配:采用K最近鄰算法(K-Nearest Neighbor,KNN)保留最近鄰距離與次近鄰距離比值小于比例閾值的匹配關(guān)系;③ 去除誤匹配:采用隨機(jī)參數(shù)估計(jì)算法計(jì)算出數(shù)據(jù)的數(shù)學(xué)模型參數(shù),使得盡量多的匹配特征點(diǎn)間符合這個變換關(guān)系,得到有效配準(zhǔn)數(shù)據(jù)。

1.1 SIFT算法

SIFT是一種檢測局部特征的算法,該算法通過求一幅圖中的特征點(diǎn)及其描述子得到特征,整個算法分為以下幾個部分[4-5]:

1.1.1 構(gòu)建尺度空間

尺度空間的目的是模擬圖像數(shù)據(jù)的多尺度特征。一副二維圖像的尺度空間定義為:

圖像金字塔的建立:對于一幅圖像建立其在不同尺度(Scale)的圖像,也稱為子八度(Octave),這是為了Scale-invariant,也就是在任何尺度都能夠有對應(yīng)的特征點(diǎn),第一個子八度的Scale為原圖大小,后面每個Octave為上一個Octave降采樣的結(jié)果,即原圖的1/4(長寬分別減半),構(gòu)成下一個子八度(高一層金字塔)。金字塔建立見圖1,每一層相鄰的高斯圖像相減,就得到了高斯差分圖像。

1.1.2 檢測DOG尺度空間極值點(diǎn)

每一個采樣點(diǎn)和所有相鄰點(diǎn)比較,中間的檢測點(diǎn)和它同尺度的8個相鄰點(diǎn)和上下相鄰尺度對應(yīng)的9×2個點(diǎn)比較,以確保在尺度空間和二維圖像空間都檢測到極值點(diǎn)。一個點(diǎn)如果在DOG尺度空間本層以及上下兩層的26個鄰域中是最大或最小值時(shí),就認(rèn)為該點(diǎn)是圖像在該尺度下的一個特征點(diǎn),點(diǎn)X的所有相鄰點(diǎn),見圖2。

醫(yī)療設(shè)備是醫(yī)院影像科管理的重點(diǎn),如CT影像設(shè)備、超聲影像設(shè)備、腹腔鏡等醫(yī)療設(shè)備等,隨著現(xiàn)代醫(yī)療衛(wèi)生條件的進(jìn)步,這些醫(yī)療設(shè)備的精密程度以及造價(jià)也不斷提高,因此,加強(qiáng)對設(shè)備的管理與維護(hù),延長設(shè)備的使用壽命,是保證臨床治療效果,控制醫(yī)院運(yùn)行成本的關(guān)鍵。隨著現(xiàn)代信息技術(shù)的不斷發(fā)展,其在醫(yī)院影像科醫(yī)療設(shè)備管理中的運(yùn)用也得到了普及,因此,如何打造系統(tǒng)、完善的信息管理模式,推動影像科醫(yī)療設(shè)備的管理與維護(hù)是當(dāng)前醫(yī)院管理工作的重要內(nèi)容。

圖1 高斯金字塔中相鄰尺度兩幅高斯圖像相減得到DOG尺度空間圖像

圖2 DoG尺度空間局部極值檢測

1.1.3 除去不好的特征點(diǎn)

通過擬和三維二次函數(shù)以精確確定關(guān)鍵點(diǎn)的位置和尺度(達(dá)到亞像素精度),同時(shí)去除低對比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn),以增強(qiáng)匹配穩(wěn)定性、提高抗噪聲能力。

邊緣響應(yīng)的去除:一個定義不好的高斯差分算子的極值在橫跨邊緣的地方有較大的主曲率,而在垂直邊緣的方向有較小的主曲率。為了檢測主曲率是否在某域值r下,只需檢測默認(rèn)參數(shù)取r=10。

1.1.4 關(guān)鍵點(diǎn)方向分配

為了使描述符具有旋轉(zhuǎn)不變性,需要利用圖像的局部特征為每一個關(guān)鍵點(diǎn)分配一個方向。在以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)采樣,并用直方圖統(tǒng)計(jì)鄰域像素的梯度方向。梯度直方圖的范圍是0°~360°,其中每10°一個方向,總共36個方向。直方圖的峰值則代表了該關(guān)鍵點(diǎn)處鄰域梯度的主方向,即作為該關(guān)鍵點(diǎn)的方向。簡化為8個方向的梯度直方圖,見圖3。

圖3 梯度直方圖

1.1.5 關(guān)鍵點(diǎn)描述子(特征向量)的生成

圖4 由關(guān)鍵點(diǎn)鄰域梯度信息生成特征向量

1.2 SURF算法

SURF和SIFT的主要區(qū)別是圖像多尺度空間的構(gòu)建方法不同:SIFT建立一幅圖像的金字塔,在每一層進(jìn)行高斯濾波并求取圖像差進(jìn)行特征點(diǎn)的提取,而SURF采用的是Hessian Matrix黑森矩陣;SIFT特征建立圖像金字塔處理尺度不變特性,而SURF特征將高斯核近似為一個方波濾波,SURF金字塔僅僅用來作特征點(diǎn)的檢測。

1.3 K最近鄰算法

當(dāng)兩幅圖像的特征點(diǎn)和特征向量生成后,下一步采用特征向量的歐式距離Dj來作為兩幅圖像中特征點(diǎn)M和N的相似性判定度量[13-14]。

式中,TM=[a1a2…a128]和TN=[b1b2…b128]分別是M和N的特征向量。K最近鄰算法(k取2)比較最近鄰距離與次近鄰距離:如果圖像2的特征點(diǎn)N和P,分別是與圖像1中的特征點(diǎn)M歐式距離最近和次近的兩個特征點(diǎn),歐式距離分別為Dj=‖TMˉTN‖1和Dk=‖TMˉTP‖1,則保留的匹配,其中最大比例閾值一般取0.8。

1.4 隨機(jī)參數(shù)估計(jì)算法

隨機(jī)參數(shù)估計(jì)算法是根據(jù)包含異常數(shù)據(jù)的樣本數(shù)據(jù)集,計(jì)算出數(shù)據(jù)的數(shù)學(xué)模型參數(shù),從而得到有效樣本數(shù)據(jù)。目前有兩種隨機(jī)參數(shù)估計(jì)算法:隨機(jī)抽樣一致算法(Random Sample Consensus,RANSAC)和最小中值方差估計(jì)算法(LMEDS)。

RANSAC算法從樣本中隨機(jī)抽選出一個樣本子集計(jì)算模型參數(shù),然后計(jì)算所有樣本與該模型的偏差,再使用一個預(yù)先設(shè)定好的閾值與偏差比較,當(dāng)偏差小于閾值時(shí),該樣本點(diǎn)屬于模型內(nèi)點(diǎn),否則為模型外點(diǎn),重復(fù)迭代這一過程,最終的模型參數(shù)估計(jì)值就是最佳模型參數(shù)[15]。

LMEDS算法與RANSAC不同的是:LMEDS記錄的是所有樣本中偏差值居中的那個樣本的偏差,以及本次計(jì)算得到的模型參數(shù),因此LMEDS不需要預(yù)先設(shè)定閾值。

2 實(shí)驗(yàn)方法與結(jié)果分析

測試數(shù)據(jù)集來自于“哈佛大學(xué)醫(yī)學(xué)圖像庫”連續(xù)序列MRI圖像,11幅分辨率為256×256的序列腦圖像。相鄰圖像兩兩建立匹配關(guān)系,共計(jì)10組配準(zhǔn)實(shí)驗(yàn),見表1。

表1 10組配準(zhǔn)實(shí)驗(yàn)用圖

實(shí)驗(yàn)開發(fā)和運(yùn)行環(huán)境:Intel i7-3537U CPU、8GB計(jì)算機(jī);Windows8 64bit操作系統(tǒng);Microsoft Visual Studio 2010、Opencv2.4、C++開發(fā)環(huán)境。

算法流程:① SIFT/SURF進(jìn)行特征提??;② K最近鄰算法對特征進(jìn)行匹配;③ RANSAC和LMEDS算法篩選正確匹配關(guān)系(圖5)。

圖5 程序算法基本流程

2.1 SIFT/SURF特征提取對比

分別采用SIFT和SURF算法進(jìn)行特征提取,提取出的特征點(diǎn),見圖6~7。11幅實(shí)驗(yàn)用圖提取特征點(diǎn)數(shù)量,見表2。10組實(shí)驗(yàn)匹配SIFT/SURF特征點(diǎn)提取時(shí)間,見表3。

圖6 MR-T1-62:SIFT特征點(diǎn)

圖7 MR-T1-62:SURF特征點(diǎn)

表2 11幅實(shí)驗(yàn)用圖SIFT/SURF特征點(diǎn)數(shù)(個)

表3 10組實(shí)驗(yàn)匹配SIFT/SURF特征點(diǎn)提取時(shí)間(ms)

由表2和表3可知,11幅實(shí)驗(yàn)用圖提取的SURF特征點(diǎn)數(shù)量均多于SIFT特征點(diǎn)數(shù),相應(yīng)10組匹配程序運(yùn)行時(shí)間也多于SIFT特征提取時(shí)間。理論上SURF特征點(diǎn)生成速度遠(yuǎn)快于SIFT算法,但是當(dāng)特征點(diǎn)數(shù)量變化時(shí),特征向量計(jì)算耗時(shí)會隨之增減。

2.2 特征匹配

采用K最近鄰算法對提取的特征點(diǎn)和特征向量進(jìn)行匹配,按照表1的10組配準(zhǔn)圖分別進(jìn)行實(shí)驗(yàn)(圖8),可以看到,在相鄰的兩幅序列圖像特征點(diǎn)中,采用K最近鄰算法可以建立大量的匹配對,但是其中存在明顯的誤匹配,需要進(jìn)一步剔除。

圖8 實(shí)驗(yàn)組1(MR-T1-62:MR-T1-63)的SIFT特征點(diǎn)匹配

對10組配準(zhǔn)實(shí)驗(yàn)圖的SIFT和SURF特征分別進(jìn)行K最近鄰匹配,結(jié)果見表4。

2.3 去除誤匹配

使用RANSAC算法計(jì)算參數(shù)模型時(shí),需要預(yù)設(shè)閾值,對實(shí)驗(yàn)組1~5的特征匹配結(jié)果測試RANSAC閾值不同取值時(shí)去除誤匹配的性能,閾值取1~19中的奇數(shù)。以實(shí)驗(yàn)組1的SIFT特征匹配為例,閾值取1時(shí)模型區(qū)分出內(nèi)點(diǎn)(符合模型視為正確匹配)和外點(diǎn)(不符合模型視為錯誤匹配)見圖9(a)~(b),觀察可知內(nèi)點(diǎn)保留了正確的匹配,但是外點(diǎn)中也存在大量的正確匹配。實(shí)驗(yàn)對象不變,調(diào)整閾值為7,結(jié)果見圖9(c)~(d),內(nèi)點(diǎn)中基本保留了全部正確匹配,而外點(diǎn)中除極個別外均為需要剔除的誤匹配。

對實(shí)驗(yàn)組1~5的SIFT和SURF特征匹配結(jié)果進(jìn)行實(shí)驗(yàn),不同RANSAC閾值下結(jié)果,見圖10~11。通過對內(nèi)外點(diǎn)圖和結(jié)果折線圖進(jìn)行觀察可知,閾值在1~7時(shí),內(nèi)點(diǎn)數(shù)隨之明顯上升;閾值>9時(shí),內(nèi)點(diǎn)數(shù)基本保持穩(wěn)定,而內(nèi)點(diǎn)圖中開始出現(xiàn)部分誤匹配。

圖9 實(shí)驗(yàn)組1的SIFT特征匹配

圖10 實(shí)驗(yàn)組1~5的SIFT特征匹配內(nèi)點(diǎn)數(shù)隨RANSAC閾值變化情況

表4 10組配準(zhǔn)實(shí)驗(yàn)圖SIFT/SURF特征點(diǎn)匹配數(shù)

對10組實(shí)驗(yàn)組的SIFT和SURF特征匹配,分別采用LMEDS算法和閾值取9的RANSAC算法去除誤匹配,正確匹配的數(shù)量見圖12,兩種隨機(jī)參數(shù)估計(jì)算法結(jié)果相近,SURF特征正確匹配數(shù)量多于SIFT特征正確匹配數(shù)量。由于實(shí)驗(yàn)用圖為相鄰序列醫(yī)學(xué)圖像,K近鄰算法生成的匹配正確率較高,故簡潔的LMEDS算法依然保持了與RANSAC算法相似的高性能。若處理對象偏差或干擾較大,LMEDS算法性能可能隨之快速下降,使用可調(diào)閾值的RANSAC算法可獲得更好的性能。

圖11 實(shí)驗(yàn)組1~5的SURF特征匹配內(nèi)點(diǎn)數(shù)隨RANSAC閾值變化情況

圖12 LMEDS與RANSAC(Th=9)計(jì)算正確匹配數(shù)量

3 結(jié)論

本文選擇MR序列圖像作為實(shí)驗(yàn)研究對象,分別采用SIFT和SURF算法自動提取特征點(diǎn),對比兩種算法可生成特征點(diǎn)的數(shù)量和算法運(yùn)行時(shí)間;使用特征點(diǎn)之間的歐式距離作為相似性判定度量,采用K最近鄰法建立匹配關(guān)系;分別采用兩種隨機(jī)參數(shù)估計(jì)算法:隨機(jī)抽樣一致算法和最小中值方差估計(jì)算法得到全局最優(yōu)的參數(shù)估計(jì),從匹配中去除錯誤匹配,分析RANSAC閾值選擇與匹配篩選之間的關(guān)系,對比兩種隨機(jī)參數(shù)估計(jì)算法的實(shí)驗(yàn)結(jié)果;在實(shí)驗(yàn)結(jié)果分析基礎(chǔ)上建立一套可行的醫(yī)學(xué)圖像特征自動提取和配準(zhǔn)的程序方案,為后續(xù)深入研究基于特征的醫(yī)學(xué)圖像配準(zhǔn)提供了基礎(chǔ)數(shù)據(jù)和平臺條件。

[1]Harris C,Stephens M.A combined corner and edge detector[A].Proceding of the Fourth Alvey Vision Conference[C].Manchester,UK,1988:147-151.

[2]Tomasi C,Kanade T.Detection and Tracking of Point Features[R].Carnegie Mellon University Technical Report CMU-CS-91-132,1991.

[3]Smith SM,Brady JM.SUSAN:A new approach to low level image Processing[J].Int J Comput Vis,1997,23(1):45-78.

[4]Lowe DG.Object recognition from local scale-invariant features[A].International Conference on Computer Vision[C].Corfu,Greece,1999:1150-1157.

[5]Lowe DG.Distinctive image features from scale-invariant keypoints[J].Int J Comput Vis,2004,60(2):91-110.

[6]Ke Y,Sukthankar R.PCA-SIFT:A more distinctive representation for local image descriptors[C].Conf Proc Computer Vision and Pattern Recognition,2004:511-517.

[7]Mikolajczyk K,Schmid C.A performance evaluation of local descriptor[J].IEEE Trans Pattern Anal Mach Intell,2005,27(10):1615-1630.

[8]Bay H,Ess A,Tuytelaars T,et al.SURF:Speeded-up robust features[J].Comput Vis Image Underst,2008,110(3):346-359.

[9]Juan L,Gwun O.A Comparison of SIFT,PCA-SIFT and SURF[J].Int J Image Proc,2009,3(4):143-152.

[10]王如杰.基于特征融合的醫(yī)學(xué)圖像檢索[D].南京:南京理工大學(xué),2013.

[11]王玉亮,沈建新,廖文和.基于SIFT特征的眼底圖像自動拼接[J].中國圖象圖形學(xué)報(bào),2011,16(4):654-659.

[12]張少敏,支力佳,趙大哲,等.融合SIFT特征的熵圖估計(jì)醫(yī)學(xué)圖像非剛性配準(zhǔn)[J].中國圖象圖形學(xué)報(bào),2012,17(3):412-418.

[13]余小鵬,周德翼.一種自適應(yīng)k-最近鄰算法的研究[J].計(jì)算機(jī)應(yīng)用研究,2006,23(2):70-72.

[14]王曉嘩,王正歐.K-最近鄰分類技術(shù)的改進(jìn)算法[J].電子與信息學(xué)報(bào),2005,27(3):487-491.

[15]曲天偉,安波,陳桂蘭.改進(jìn)的RANSAC算法在圖像配準(zhǔn)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用,2010,30(7):1849-1851.

Research on Medical Image Matching Based on SIFT and SURF Features

The paper adopted the matching algorithm based on characteristic points to accomplish image matching in experimental medicine.The two algorithms: scale-invariant feature transform (SIFT) and speeded up robust features (SURF) were compared in aspects of characteristic points,characteristic extraction time and matching veracity.Then the K-nearest neighbor (KNN) algorithm was used to eliminate mismatching points.The paper also carried on statistical analysis of the results of random sample consensus (RANSAC) and least median of squres (LMEDS) as well as the correlation between matching veracity and algorithms.This research established a medical image matching platform based on characteristic points in order to provide a research basis for the further research and improvement of medical image matching.

scale-invariant feature transform;speeded up robust features;image matching;K-nearest neighbor algorithm

LU Yu-wei,HU Jun
Department of Medical Engineering and Information,the Second Affiliated Hospital of Anhui Medical University,Hefei Anhui 230601,China

TN911.23

A

10.3969/j.issn.1674-1633.2016.04.008

1674-1633(2016)04-0040-05

2015-11-11

安徽省級質(zhì)量工程項(xiàng)目(2015sjjd008、2015jyxm191)。

胡峻,安徽醫(yī)科大學(xué)第二附屬醫(yī)院醫(yī)學(xué)工程與信息部部長,正高級工程師。

通訊作者郵箱:70602345@qq.com

猜你喜歡
尺度空間參數(shù)估計(jì)特征向量
二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
基于新型DFrFT的LFM信號參數(shù)估計(jì)算法
克羅內(nèi)克積的特征向量
誤差分布未知下時(shí)空模型的自適應(yīng)非參數(shù)估計(jì)
基于AHP的大尺度空間域礦山地質(zhì)環(huán)境評價(jià)研究
一種GTD模型參數(shù)估計(jì)的改進(jìn)2D-TLS-ESPRIT算法
一類三階矩陣特征向量的特殊求法
居住區(qū)園林空間尺度研究
EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
淺談死亡力函數(shù)的非參數(shù)估計(jì)方法