基于DTW的序列医学图像匹配方法研究

摘要

图像匹配技术已经有了数十年的发展，起初人们主要是通过对图像手工标记关键字，然后通过关键字进行检索匹配。而后随着图像处理技术的飞速发展，基于图像特征的图像匹配技术也得到了快速发展和应用，然而由于医学图像匹配在医学临床辅助诊断和医学科研中需要极大的准确性和实用性，然而由于医疗诊断的严谨性要求以及建立规范的医学图像数据库比较困难，医学图像匹配一直未能得以实际有效的应用，然而其研究的必要性以及可能带来的作用使得这个技术得到了越来越多的关注。本文就此进行了研究。
　　本论文详尽阐述了医学图像匹配技术研究的意义、现状、基本原理以及关键技术。通过分析医学图片特殊性，提取图像的特征（Hu矩，LBP，SIFT特征）进行匹配，主要采用LIDC医学图像数据库进行实验，用已经手动分割好病灶区域的图片来减小自动分割带来的误差以及非兴趣区域的干扰，结合CT图像多切片特征采用动态时间规整算法来进行距离计算，实现序列图片之间匹配。
　　针对医学图像的发展以及本领域研究现状，本文先单独利用SIFT特征（局部特征）得到图像的特征点集和相应特征向量，对特征点进行相似性度量，最后得到图片之间的匹配率，排序得出最相似的几个病例图片，此方法为医学图像匹配常用方法，作为本文比较实验，分析了整副图片匹配的缺陷以及本实验设计的合理性。根据实验数据库的特殊性以及减少误匹配原则，设计利用Hu矩，LBP两种全局特征对数据库中已分割好的病灶序列切片图进行匹配，同时对比了预处理后图片与未预处理图片特征匹配的差异，然后根据匹配结果的差异，根据匹配准确率对两种特征的距离测量值赋以不同的权值，提出融合多底层视觉特征进行图像匹配的算法，对距离进行加权求和，以提高匹配准确率。实验结果表明，融合多特征匹配得到的匹配准确率比单特征得到的准确率高，与以往单张整幅图像匹配相比，减少误匹配，能够提高匹配准确率。

目录

声明

致谢

摘要

1 引言

1．1 课题背景

1．2 图像匹配方法研究现状介绍

1．3 图像匹配算法性能评价标准

1．4 本文工作介绍

2 医学图像匹配技术原理及关键技术

2．1 医学图像的基本特征

2．2 图像匹配技术基本原理

2．3 医学图像匹配关键技术介绍

2．3．1 图像分割

2．3．2 特征提取

2．3．3 特征匹配

2．4 本章小结

3 底层图像特征提取

3．1 几何不变矩算法

3．1．1 几何不变矩算法简介

3．2 局部二值模式算法

3．2．1 原始局部二值模式算法简介

3．2．2 改进局部二值模式算法

3．2．3 LBP特征用于检测的原理

3．2．4 对LBP特征向量提取步骤

3．3 SIFT算法

3．3．1 尺度不变算法简介

3．3．2 特征点主方向的提取

3．3．3 特征描述子的生成

4 图像预处理及特征融合

4．1 图像预处理

4．1．1 Gabor变换

4．2 图像特征融合

4．2．1 特征融合技术简介

4．2．2 特征融合技术实现步骤

4．3 图像匹配

4．3．1 动态时间规整简介

4．3．2 动态时间规整算法介绍

5 实验结果

5．1 数据库介绍

5．2 实验结果比较

5．2．1 局部特征SIFT算法检索结果

5．2．2 本文全局特征相关算法检索结果

5．3 实验总结

6 总结与展望

6．1 总结

6．2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集