论文部分内容阅读
在多模医学图像配准中,互信息方法以其许多优点,得到了广泛的应用,尽管不同模态的医学图像灰度会有差异,但成像对象却是同一器官或组织,因此两幅图像完全对齐时,图像互信息应为最大值。可见,互信息取得最大的位置就是图像的配准位置。虽然互信息法比基于特征的方法,在鲁棒性和配准精度方面表现较好,但互信息本身也有缺点,一是互信息的度量会受待配准图像间的重叠部分的多少的影响,这一问题可通过归一化的互信息或熵相关系数来解决。二是互信息在空间信息表达方面的固有缺陷-忽略了图像的空间信息,可能无法正确的反映图像间的关系,从而导致误配的情况发生,可通过加入梯度信息来弥补这一不足之处。本文提出了一种新的配准方法,新配准方法把归一化的互信息和梯度信息结合起来作为相似性测度,利用遗传算法和Powell算法相结合混合算法优化配准参数。通过对新配准函数特性进行分析,新配准函数的光滑性相对于传统互信息有一定改善,但仍表现出的局部极值特性,使像Powell这类局部搜索算法在优化配准参数时易陷入局部极值点,从而导致配准精度不高,甚至可能配准失败。为解决这一问题,使得须考虑使用全局策略来寻找最优值。针对新相似性测度,利用遗传算法在低精度条件下进行粗略的全局配准,把获得的最优解做Powell算法的初始点,利用Powell算法在高精度条件下在进行局部搜索,逼近全局最优解。混合优化算法继承了遗传算法和Powell算法各自优势,使配准结果可以以较高的精度收敛于全局最优值。由于加入了空间信息,采用了归一化的互信息,并对新配准函数使用混合优化策略进行优化,实验结果表明,本文提出的配准方法有更好的准确性和精度。