摘 要

医学图像配准是现代医学领域里面十分重要的一项应用技术，病人的病灶分析需要经过医生对其所采集到的多模态的用于诊断的图像进行对比分析。图像配准就是应用于此，让医生能够越发具体直观的去剖析病灶。

论文主要研究了基于形状描述的医学器官图像配准。经由过程对比分析了均值滤波和高斯滤波，本次实验应用高斯低通滤波进行图像的平滑滤波，完成对参考图像与浮动图像进行配准前的平滑去噪。采用基于求两幅图像的最大互信息值的图像配准方法，完成对两幅图像的相似性的测度。主要内容为参考图像与浮动图像的录入，图像的平滑去噪，图像的空间几何变换，最大互信息值的计算，优化算法的参数优化。完成两幅图像的配准变换以及最大相似性测度值的计算。本实验应用的算法特点是配准可靠，图像不失真，灰度均匀，数据丢失较少；基于MATLAB平台。图像来源于剑桥大学的ORL数据集。在本次实验下，医学图像的配准能够实现，能够得到配准时的最大互信息值。

实验结果表明：本次实验能够实现利用最大互信息法的图像配准，配准精度高。

关键词：医学图像配准；互信息；形状描述；熵

Abstract

Medical image registration is a very important application in the field of modern medicine. The analysis of the patient's focus needs to be compared and analyzed by the doctor for the multi-modal image used by the doctor. Image registration is applied here, allowing doctors to analyze lesions more specifically and intuitively.

This thesis mainly studies the registration of medical organ images based on shape description. By comparing and analyzing the mean filtering, this experiment uses the Gauss low pass filter to smooth the image, and completes the smooth denoising before the registration of the reference image and the floating image. Image similarity based on mutual information is used to measure the similarity of two images. The main contents are reference image input, image preprocessing, image spatial transformation, maximum mutual information computation, optimization algorithm parameter optimization. The registration of two images and the calculation of the maximum similarity measure are completed. The characteristic of the algorithm is that the registration is reliable, the image is not distorted, the gray level is uniform, and the loss of the data is less. Based on MATLAB platform .The image comes from the ORL data set at the University of Cambridge. In this experiment, the registration of medical images can be realized, and the maximum mutual information value can be obtained.

The results show that this experiment can achieve the maximum mutual information method of image registration, registration accuracy is high.

Key Words：medical image registration; mutual information; shape description; entropy.

目录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 本文研究内容及安排 2

第2章 医学图像配准算法 4

2.1 图像配准流程 4

2.2 平滑去噪 5

2.3 互信息法 8

2.4 Powell算法 9

2.5 图像的空间变换 10

2.6 图像插值处理 14

第3章 医学图像配准实现 16

3.1 医学图像配准过程 16

3.2 实验结果 19

第4章 总结与展望 23

4.1 总结 23

4.2 展望 23

参考文献 24

致 谢 25

第1章 绪论

1.1 研究背景及意义

在当下的信息科技时代，各行各业都有了巨大发展。在医疗医学领域中应用到的新技术图像配准技术也得以迅速发展。以前，医生对病人的检查必须是医生与病人的近距离接触，并且检查的时间很长，有时候得让病人保持一个动作便于检查分析。随着医学图像配准的出现，医生根据不同的成像技术以及设备所得到的图像对病人的病状进行分析比较，当两幅或几幅图像的模态不同时，对医生的分析就会带来很大的影响，此时就是图像配准发挥其重要作用的时候。医生可以对不同模态的图像进行图像融合，观察分析比较其差别。那么，融合的前提就是要求图像能够基本配准。

医学图像配准是指对于一幅图像寻求一种（或一系列）空间几何变换，使它与另一幅待配准的图像中的对应的点达到空间上的相互对应^[1]。这种相互对应是指所要研究或者所要观察分析的器官特征点在两张匹配图像上有相同的空间位置^[2]。医学图像配准的最佳结果是让需要深入剖析的所有特征点，或至少是让所有具有诊断意义的点都达到相互对应。在所有的医学成像技术中，没有一种技术能够使所得到的图像完全体现出病人的病情：X射线计算机断层成像对人体的骨骼成像十分清晰，但是对人体器官，软组织成像就显得灰度不够;磁共振成像具有优秀的人体软组织分辨力，缺点是对钙化、结石及骨皮质等不敏感，会有明显的干扰噪声的影响；超声成像可跟踪病情，动态的观察病情器官，但分辨率，清晰度不够^[3]。所以需要利用图像的配准将不同模态的图像配准以方便医生的进一步剖析诊断。

1.2 国内外研究现状

医学图像配准算法在国内的相对研究较少。医学图像配准技术是20世纪90年代才蓬勃发展起来的医学图像处理的一个重要分支领域。医学图像配准技术主要研究的是图像数据获取后的具体配准 ,也被称为回顾式配准。目前的图像配准可以大致的分为基于特征的配准和基于灰度的配准^[4]。

基于特征的配准可以分为基于外部特征的配准与基于内部特征的配准。基于外部特征的配准可以说不是一种回顾式配准，因为它需要在成像前就做好准备，成像以后就不能改变^[5]。特征的选取是选用特定的标志性物体比如：牙齿适配器，玻璃球等附着在人体外部或者内部需要检查的位置作为成像以后的特征，以便后面的图像配准，这是一种最简单的配准方法。基于内部的特征配准是在外部的基础上进行改进的，其特征点选取比较敏感的人体自身上的点，比如手术点，解剖标志点和有诊断意义的点。此方法是计算两幅图像上的特征点的广义距离，经过一系列空间变换后得到计算和参数优化，得到最小距离^[6]。目前应用到的图像特征有点特征、直线特征、边缘轮廓、闭合区域和统计矩^[7]。应用到特征提取算法有Harris角点检测算子，Moravec检测算子，DOG检测算子，Harris-laplace检测算子^[8]。随着图像边缘检测和图像分割的发展，基于图像边缘，区域等的配准算法成为现代研究的热门。