一种基于形状信息的图像相似度度量方法及图像配准方法

摘要

本发明公开了一种基于形状信息的图像相似度度量方法及图像配准方法，属于计算机技术领域。本发明基于两两图像之间粗略配准得到的形变场信息，即根据判据公式

说明书

技术领域

本发明属于计算机技术领域，更具体地说，涉及一种基于形状信息的图像相似度度量方法及图像配准方法。

背景技术

图像配准就是将不同传感器或相同传感器在不同时间获取的相同场景的两幅或更多幅图像进行空间上的校准，使得配准后参考图像和浮动图像对应像素在空间上表达的信息一致。基于图的图像集配准的主要思想是将输入的图像集中每个图像看作为图的节点，然后节点间的边的距离与两个节点图像的相似度相关。接着基于图确定图的中心节点，即所有其他节点到该中心节点最短路径的长度之和最小。如附图1所示，I_t为中心节点，最后各个图像按照其到中心节点的最短路径配准到其父节点上，最后每个图像配准到中心节点的形变场由该图像到中心节点的最短路径上的形变场复合得到。如图1中的图像I_k，其配准到I_t的最终形变场为D_x→y(此处x，y指k，t，i，j…)表示配准图像I_x到图像I_y的形变场。

图像相似度的度量方法在基于图的图像集的配准方法中起着至关重要的作用。在基于图的图像集的配准方法中，输入的待配准图像集被看作是图中的节点，每个节点之间有边相连，节点间边的距离与两节点的相似度成反比。基于图，我们就可以确定中心图像，以及每个非中心图像配准到中心图像的最短路径(也就是图中非中心图像到中心图像的最短路径)。图像相似度的度量方法就应用在计算节点间距离的任务中。

目前常用的图像相似度的度量方法主要为欧氏距离，假设I_i和I_j为两张图像，则其欧式距离为其中Ω为图像区域，x为图像区域中每个点的坐标。例如在H.Jia,et al.,"Intermediate templates guided groupwise registration ofdiffusion tensor images,"Neuroimage,vol.54,pp.928-39,Jan 152011.中欧氏距离就被用作计算图中节点之间的距离。这种方法的优点在于计算简单，缺点在于对于输入的图像集，其计算相似度时只考虑了2个图像，没有使用其它图像的信息。由于欧式距离使用局部图像信息(即使用2张图像)而忽略了其它图像信息，使得最终得到的图像距离不能很好地反映每张图像与其它所有图像的关系，还需要后续的人工处理。例如基于欧氏距离得到的结果建立图时，通常需要对指定每个图像最近的k个指定图像进行手动连接，而k的值对最终的图的拓扑结构有着重大的影响。

目前使用所有图像信息计算图像间相似度的方法有稀疏表示方法(sparsecoding)，如在Z.Tang and Y.Fan,"Groupwise Image Registration Guided by aDynamic Digraph of Images,"Neuroinformatics,vol.14,pp.1-15,2016中，输入的图像集为{I_i，i＝1，…，n}，也就是说有n个图像。每个图像I_i与其他图像的相似度由稀疏表示方法计算得到，即其中B是包含其它图像(列向量)的矩阵B＝(I₁,…,I_i-1,I_i+1,…,I_n)∈R^m×(n-1)，m为每个图像的维度。可以看到该方法在计算图像间相似度时使用到了所有图像的信息。因此基于该方法建立图时，每个图像节点的近邻点是自动确定的即相似度不为0的图像。但该方法主要是基于图像的灰度值计算的，而图像配准的本质是图像中物体的形状对齐，图像灰度值并不能准确的反映图像中物体的形状，因此基于图像灰度判断图像的近邻点并不能保证图像的高配准精度。

发明内容

1.发明要解决的技术问题

本发明的目的在于克服现有技术中通常是采用基于灰度值的图像相似度度量方法进行图像配准，从而导致配准精度相对较差的不足，提供了一种基于形状信息的图像相似度度量方法及图像配准方法。采用本发明的技术方案使得图像间的相似度更加适用于基于图的图像集的配准方法，从而保证最终能够达到更高的图像集配准精度。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种基于形状信息的图像相似度度量方法，该方法是基于两两图像之间粗略配准得到的形变场信息对图像间的相似度进行计算的，其具体步骤为：

(1)输入一组包含n个图像的图像集{I_i|i＝1,…,n}；

(2)对输入的图像集中两两图像之间进行粗略配准，得到形变场{D_i→j|i,j＝1,…,n,i≠j}，其中D_i→j为配准图像I_i到I_j的形变场；

(3)基于以上得到的图像之间的形变场，采用如下判据公式计算得到每个图像I_i与其他所有图像{I_j|j＝1,…,n,j≠i}间的相似度S_i：

上式中，是图像I_i配准到其它图像的形变场经过标准化的结果，即M_i＝[||D_i→1||₂，…，||D_i→i-1||₂，||D_i→i+1||₂，…，||D_i→n||₂]为图像I_i配准到其它图像的形变场中所有形变向量的大小；λ表示权重。

更进一步的，所述步骤(2)中采用Diff.Demons方法对输入的图像集中两两图像之间进行粗略配准。

更进一步的，所述步骤(2)中在图像的3层尺度空间中进行粗略配准，每层迭代次数为3。

更进一步的，所述相似度S_i判据公式中，权重λ取0.3。

本发明的一种基于形状信息的图像配准方法，该方法首先采用本发明的上述方法对待配准图像间的相似度进行度量，然后基于相似度结果构建图，最后再进行配准。

更进一步的，本发明的图像配准方法具体包括以下步骤：

(1)采用本发明的上述方法对待配准图像间的相似度进行度量，得到待配准图像集中两两图像之间的相似度S_i；

(2)基于得到的每个图像与其他所有图像的相似度构建一个有向图，有向图中的节点为每一个图像I_i，图像I_i节点到图像I_j的有向边的距离为若S_i→j＝0，则图像I_i到图像I_j不存在有向边；若S_i→j不为0，则加入自图像I_i到I_j的有向边；

(3)计算图中两两图像节点间的最短路径：L(I_i，I_j)＝minD_z(I_i，I_j)，z＝1,…,m；然后使用如下公式求得图中的中心点图像：

其中，L(I_i,I_j)代表图像节点I_i和I_j之间最短路径的长度，D_z(I_i,I_j)为图像节点I_i和I_j之间第z个路径的长度；

(4)将每个非中心点图像根据其到中心点图像的最短路径，配准到其父节点上，以此得到相邻图像节点的配准形变场；

(5)最终每个非中心点图像配准到中心图像的形变场由其最短路径上所有相邻图像节点的配准形变场复合得到配准到中心点图像的形变场由该图像到中心节点的最短路径上的形变，从而完成图像集配准。

更进一步的，所述步骤(3)中使用Dijkstra方法计算图中两两图像节点间的最短路径。

3.有益效果

采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：

(1)本发明的一种基于形状信息的图像相似度度量方法，该方法基于两两图像之间粗略配准得到的形变场信息对图像间的相似度进行计算，与现有常用图像相似度计算方法相比，可以显著提高相似度度量的准确性，有效解决现有技术中采用基于灰度值的图像相似度度量方法进行图像配准时配准精度相对较差的不足，且该方法更加适合用于基于图的图像集的配准方法。

(2)本发明的一种基于形状信息的图像相似度度量方法，根据判据公式对图像相似度进行度量，同时对权重λ的数值进行优化，从而进一步保证度量结果的准确性，有利于保证后续图像配准的精度。

(3)本发明的一种基于形状信息的图像配准方法，该方法首先采用基于两两图像之间粗略配准得到的形变场信息对图像间的相似度进行度量，然后基于相似度结果构建图，最后再进行配准，从而可以有效提高图像配准的精度。

附图说明

图1为基于图的图像集配准方法简单实例，其中I_i,I_j,I_k和I_t代表图像，D_it,D_ji和D_kj分别代表图像I_i配准到I_t，图像I_j配准到I_i，和图像I_k配准到I_j的形变场；

图2为基于4种方法得到的配准结果，分别计算54个脑区的平均重合率；

图3为基于4种方法得到的配准结果，计算所有图相对之间全脑区的重合率(780对)。

具体实施方式

由于图像的灰度信息可以直接从图像中取得，且符合我们观察事物的习惯，因此图像灰度值是目前大多数图像相似度度量方法所使用的信息，现有技术中在图像配准时基本上都是采用欧氏距离或稀疏表示方法对图像间的相似度进行度量。而图像配准实质上是对图像中物体形状的变换以达到每个图像中的物体形状对齐，即一致。也就是说基于图的图像集的配准方法的主要目的是将输入的图像集中包含的物体形状对齐，因此基于灰度值的图像相似度度量方法的准确性相对较差，从而难以有效保证图像配准的精度。为了解决基于图像灰度值的图像相似度度量方法和基于图的图像集配准间不匹配的问题，本发明提出一种新的基于图像中包含的物体形状信息的图像相似度的度量方法。

但对于输入图像集中每个图像包含的物体形状信息通常是未知的，因此无法直接使用形状信息，而两图像间配准时产生的形变场(即形变—图像的内容使其对齐于另一个图像的内容)是可以通过配准得到的，该形变场反映了两图像中包含物体的形状差异。因此本发明基于两两图像之间粗略配准得到的形变场信息对图像间的相似度进行计算，从而使得得到的图像间的相似度更加是适合基于图的图像集的配准方法，最终达到更高的图像集配准精度。

具体的，为进一步了解本发明的内容，现结合具体实施例对本发明作详细描述。

实施例1

本实施例的一种基于形状信息的图像相似度度量方法，是基于两两图像之间粗略配准得到的形变场信息对图像间的相似度进行计算的，具体包括以下步骤：

(1)输入一组包含n个图像的图像集{I_i|i＝1,…,n}。

(2)使用Diff.Demons方法对输入的图像集中两两图像之间进行粗略配准，得到形变场{D_i→j|i,j＝1,…,n,i≠j}，其中D_i→j为配准图像I_i到I_j的形变场。具体的，本实施例在图像的多尺度空间(3层尺度空间)中进行粗略配准，每层迭代次数为3，即得到n×(n-1)个形变场。

(3)利用如下公式计算每个图像I_i与其他所有图像{I_j|j＝1,…,n,j≠i}间的相似度S_i：

即，使取得最小值的S_i＝[S_i→1,…,S_i→i-1,…,S_i→i+1,…,S_i→n]^T∈R^n-1即为图像I_i与其他所有图像之间的相似度，其中，S_i→n表示图像I_i与图像I_n的相似度，如S_i→1表示图像I_i与图像I₁的相似度。

是图像I_i配准到其它图像的形变场经过标准化的结果，即M_i＝[||D_i→1||₂，…，||D_i→i-1||₂，||D_i→i+1||₂，…，||D_i→n||₂]为图像I_i配准到其它图像的形变场中所有形变向量的大小(magnitude)，λ表示权重，本实施例中λ取0.3。

(4)基于得到的每个图像与其他所有图像的相似度构建一个有向图，有向图中的节点为每一个图像I_i，图像I_i节点到图像I_j的有向边的距离为若S_i→j＝0，则图像I_i到图像I_j不存在有向边；若S_i→j不为0，则加入自图像I_i到I_j的有向边。

(5)使用Dijkstra方法计算图中两两图像节点间的最短路径：L(I_i,I_j)＝minD_z(I_i,I_j),z＝1,…,m，其中D_z(I_i,I_j)为图像节点I_i和I_j之间第z个路径的长度(假设共m条可能的路径)。然后使用如下公式求得图中的中心点图像：

上式中，L(I_i,I_j)代表图像节点I_i和I_j之间最短路径的长度，即当所有图像到某图像的最短路径之和最小时，则该图像被设定为中心图像。

(6)将每个非中心点图像根据其到中心点图像的最短路径，配准到其父节点上，以此得到相邻图像节点的配准形变场。

(7)最后每个图像配准到中心图像的形变场由其最短路径上所有相邻图像节点的配准形变场复合得到，从而完成图像集配准。即如图1所示，图像I_k配准到中心点图像I_t的形变场为

将目前流行的3种图像相似度计算方法与本实施例的方法作对比。具体地，将使用相同的基于图的框架，分别应用每种方法进行图像集配准，然后通过计算配准后两两图像的重合率来量化配准的精度。3种图像相似度计算方法与本实施例的方法的详细定义如下表所示：

实验使用的数据为三维的核磁脑图像集(公共数据集LPBA40)，共包含40个来自不同人的脑图像。结果表明采用本实施例的方法得到了最高的配准精度。附图2显示了使用4种方法后平均两两图像间每个脑区重合率的平均值(54个脑区)，附图3显示了使用4种方法得到的配准结果，计算两两图像间整体脑区域的重合率的分布(共780对)。本实施例还使用Wilcoxon signed rank test方法检测结果的显著性，结果表明本实施例的方法的结果优于其他3种方法的结果是具有显著性的。