醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)的研究與分析

河南科技大學(xué)畢業(yè)設(shè)計(jì)（論文）PAGE37醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)的研究與分析摘要醫(yī)學(xué)圖像配準(zhǔn)技術(shù)是目前醫(yī)學(xué)圖像處理中的研究熱點(diǎn)，具有重要的理論研究和臨床應(yīng)用價(jià)值，如在病灶定位、指導(dǎo)神經(jīng)手術(shù)、放射治療計(jì)劃以及檢查治療效果上，其目的是幫助醫(yī)生提高診斷、監(jiān)護(hù)和治療水平。本設(shè)計(jì)通過(guò)對(duì)醫(yī)學(xué)圖像配準(zhǔn)的有關(guān)背景、原理及方法進(jìn)行研究，采用Matlab來(lái)編程開(kāi)發(fā)一個(gè)醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)，從而實(shí)現(xiàn)對(duì)于人體相同部位而具有不同特征的兩種不同類(lèi)型的醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)。圖像配準(zhǔn)有兩個(gè)重要環(huán)節(jié)。一是基于圖像灰度的方法主要采用互信息，互信息表述了圖像像素灰度信息的統(tǒng)計(jì)特性?；诨バ畔⒌膱D像配準(zhǔn)方法具有不需要對(duì)圖像預(yù)處理、自動(dòng)化程度高、配準(zhǔn)精度高等優(yōu)點(diǎn)。在這里選用MI、EMI、GMI、RMI等互信息方法。二是圖像配準(zhǔn)的優(yōu)化算法。在本設(shè)計(jì)中主要選用了粒子群PSO和Powell優(yōu)化算法，粒子群PSO主要是通過(guò)迭代法尋求全局最優(yōu)解最終達(dá)到配準(zhǔn)，而Powell主要是直接搜索求最值最終達(dá)到配準(zhǔn)。配準(zhǔn)過(guò)程中首先提取圖像的輪廓邊界，然后選取算法計(jì)算參數(shù)進(jìn)行空間變換，最終實(shí)現(xiàn)了對(duì)兩幅不同類(lèi)型的醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)的目的。關(guān)鍵詞：圖像配準(zhǔn)，優(yōu)化算法，特征提取，灰度變換，互信息THEANALYSISANDRESEARCHOFMEDICALIMAGEREGISTRATIONABSTRACTMedicalimageregistrationisahighlightofcurrentresearchonmedicalimageprocessing.Ithasimportanteffectonclinicaldiagnosesandtherapies,suchasontheorientationofthedisease,theplanoftheradiationtherapy,guidingthenervoussurgeryandexaminingthetherapeuticeffect.Itspurposeistohelpdoctorsimprovethelevelofdiagnose,guidanceandtherapy.Studyingthebackground,principleandmethods,I’lldevelopasystemofmedicalimageregistrationbyMatlabinordertoregistertwodifferenttypesofmedicalimages.Imageregistrationhastwoimportantaspects.Theintensity-basedmethodsselectsmutualInformation,whichshowsthestatisticalcharacteristics.Becauseimageregistrationbasedonmutualinformationisofnotrequiredforimageprocessing,highautomatizationandhighaccuracyinregistration.HereitcanchooseMI,EMI,GMI,andRMIandsoon.Second,theoptimizationalgorithmofimageregistration.Inthisdesign,wecanmainuseeitherPSOorPowellalgorithmstoregisterimages,PSOmainlythroughtheiterativemethodforglobaloptimalsolutionsultimatelyachieveregistration,butPowellmainlydirectsearchminimumultimatelyachieveregistration.First,thecontourofimagesshouldbeobtainintheprocessofimageregistration,andthenselectoptimizationalgorithmstotransform,finallyitsucceedsinregisteringtwodifferenttypesofmedicalimages.KEYWORDS:imageregistration,mutualinformation,optimizationalgorithm,featureextraction,gray目錄前言 1第一章緒論 2§1.1圖像配準(zhǔn)依據(jù) 2§1.2設(shè)計(jì)研究的目的 2§1.3圖像配準(zhǔn)的應(yīng)用與概況 3§1.3.1圖像配準(zhǔn)應(yīng)用前景及展望 3§1.3.2國(guó)內(nèi)外同類(lèi)設(shè)計(jì)概況 4第二章基于互信息的醫(yī)學(xué)圖像配準(zhǔn) 5§2.1醫(yī)學(xué)圖像配準(zhǔn)的概念 5§2.2圖像配準(zhǔn)步驟 6§2.3圖像配準(zhǔn)方法分類(lèi) 6§2.3.1基于灰度圖像配準(zhǔn)方法 6§2.3.2基于特征的圖像配準(zhǔn)方法 8§2.3.3其他分類(lèi) 9§2.4互信息 10§2.4.1互信息的原理 10§2.4.2互信息的方法 11§2.5圖像配準(zhǔn)算法 14§2.5.1粒子群PSO優(yōu)化算法 14§2.5.2POWELL優(yōu)化算法 17§2.6圖像配準(zhǔn)的評(píng)價(jià) 19第三章醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)設(shè)計(jì) 20§3.1設(shè)計(jì)思路 20§3.2設(shè)計(jì)流程圖 20§3.3具體模塊設(shè)計(jì) 21§3.3.1圖像讀取 21§3.3.2優(yōu)化算法選擇 21§3.3.3互信息測(cè)度選擇 22§3.3.4圖像配準(zhǔn)與顯示 22§3.4系統(tǒng)設(shè)計(jì)GUI界面 23第四章醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)調(diào)試 24§4.1系統(tǒng)錯(cuò)誤類(lèi)型 24§4.2系統(tǒng)調(diào)試結(jié)果 25結(jié)論 27參考文獻(xiàn) 28致謝 31附錄 32前言在做醫(yī)學(xué)圖像分析時(shí)，經(jīng)常要將同一患者的幾幅圖像放在一起分析，從而得到該患者的多方面的綜合信息，提高醫(yī)學(xué)診斷和治療水平。對(duì)幾幅不同的圖像作定量分析，首先要解決這幾幅圖像的嚴(yán)格對(duì)齊問(wèn)題，這就是我們所說(shuō)的圖像的配準(zhǔn)。圖像配準(zhǔn)是對(duì)不同時(shí)間、不同視點(diǎn)或者不同成像模式的兩幅或多幅圖像進(jìn)行空間變換處理，使得各個(gè)圖像在幾何上能夠匹配對(duì)應(yīng)起來(lái)。圖像配準(zhǔn)的主要目的是去除或者抑制待配準(zhǔn)圖像和參考圖像之間幾何上的不一致，包括平移、旋轉(zhuǎn)和形變。它是圖像處理和分析的關(guān)鍵步驟，是圖像對(duì)比、數(shù)據(jù)融合、變化分析、運(yùn)動(dòng)檢測(cè)和目標(biāo)識(shí)別的必要前提。配準(zhǔn)技術(shù)主要應(yīng)用在遙感圖像處理、醫(yī)學(xué)圖像處理、制圖學(xué)、計(jì)算機(jī)視覺(jué)、軍事目的等等。在醫(yī)學(xué)領(lǐng)域中，圖像配準(zhǔn)在病灶定位、放射治療計(jì)劃、指導(dǎo)神經(jīng)手術(shù)以及檢查治療效果上有著重要的應(yīng)用價(jià)值，例如，在放射治療計(jì)劃中，需要用CT掃描來(lái)計(jì)算放射劑量的分布，而用MR來(lái)準(zhǔn)確地定位病變組織的輪廓；在外科手術(shù)導(dǎo)航系統(tǒng)中，將手術(shù)前所得到的CT或MR的病灶三維圖像與手術(shù)中所得到的實(shí)時(shí)X熒光圖像或超聲圖像進(jìn)行融合，或它們到物理空間的配準(zhǔn)與融合，以便實(shí)時(shí)地指導(dǎo)和觀察，確保手術(shù)順利準(zhǔn)確地進(jìn)行。圖像配準(zhǔn)的目的是幫助醫(yī)生提高診斷、監(jiān)護(hù)和治療水平。目前的技術(shù)水平可通過(guò)各種成像設(shè)備來(lái)獲取醫(yī)生所需要的信息，不同成像模式獲得的圖像包含著一定程度共同信息的基礎(chǔ)上，常常包含許多不同的互補(bǔ)信息，這些特點(diǎn)決定了多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)具有理論上的可能性，同時(shí)又有實(shí)現(xiàn)方面的困難性。Shannon在“Themathematicaltheoryofcommunication”中提出了建立在概率模型基礎(chǔ)上的信息度量，為圖像配準(zhǔn)測(cè)度的設(shè)計(jì)提供了有價(jià)值的理論模型。在此基礎(chǔ)上，人們提出了條件熵、聯(lián)合熵和互信息等測(cè)度，這些測(cè)度已成為多模態(tài)圖像配準(zhǔn)分廠重要的方法。本次設(shè)計(jì)主要是運(yùn)用Matlab軟件進(jìn)行的，選擇合適的配準(zhǔn)算法，如PSO粒子群優(yōu)化算法和POWELL混合優(yōu)化算法等，基于各種互信息測(cè)度來(lái)實(shí)現(xiàn)多模醫(yī)學(xué)圖像配準(zhǔn)。第一章緒論本章對(duì)論文涉及的研究領(lǐng)域進(jìn)行了較為詳細(xì)的綜述。簡(jiǎn)要介紹了醫(yī)學(xué)圖像配準(zhǔn)設(shè)計(jì)的基本依據(jù)與目的，論述了配準(zhǔn)設(shè)計(jì)的內(nèi)容和方法，給出了醫(yī)學(xué)圖像配準(zhǔn)的方法分類(lèi)，并介紹了圖像配準(zhǔn)應(yīng)用前景及展望，簡(jiǎn)要概括了圖像配準(zhǔn)的設(shè)計(jì)在國(guó)內(nèi)外的基本概況?！?.1圖像配準(zhǔn)依據(jù)隨著生物醫(yī)學(xué)工程和計(jì)算機(jī)技術(shù)的發(fā)展，醫(yī)學(xué)影像學(xué)為臨床診斷提供了多種模態(tài)的醫(yī)學(xué)圖像[1]，如X線斷層成像、MRI、fMRI、SPET、PET、DSA、超聲成像、腦磁圖等。不同的醫(yī)學(xué)影像可以提供人體相關(guān)臟器和組織的不同信息。如CT具有較高的空間分辨率，有利于定位病灶，MRI對(duì)軟組織成像清晰，有利于確定病灶范圍。而PET和SPET雖然空間分辨率較差，但卻提供了臟器的功能和代謝信息[2]。所以臨床醫(yī)生迫切希望對(duì)不同圖像信息進(jìn)行適當(dāng)?shù)募?。然而不同模態(tài)的醫(yī)學(xué)圖像成像原理不同，分辨率不同，成像參數(shù)等不同，因此在圖像融合前必須先進(jìn)行圖像配準(zhǔn)。醫(yī)學(xué)圖像配準(zhǔn)就是通過(guò)尋找一種（或一系列）空間變換，使兩幅圖像的對(duì)應(yīng)點(diǎn)達(dá)到空間位置和解剖結(jié)構(gòu)上的完全一致。配準(zhǔn)結(jié)果應(yīng)使兩幅圖像上所有的解剖點(diǎn)，或至少是所有具有診斷意義的點(diǎn)都達(dá)到匹配[2]?！?.2設(shè)計(jì)研究的目的隨著醫(yī)學(xué)影像工程和計(jì)算機(jī)技術(shù)的發(fā)展，醫(yī)學(xué)成像已經(jīng)成為現(xiàn)代醫(yī)療不可或缺的一部分，其應(yīng)用貫穿于整個(gè)臨床工作。由于不同設(shè)備的成像原理不同，臨床診斷上出現(xiàn)了多種醫(yī)學(xué)圖像。這些圖像反映了關(guān)于人體臟器和病變組織的不同信息。根據(jù)醫(yī)學(xué)圖像所提供的信息內(nèi)涵，可將醫(yī)學(xué)圖像分為兩大類(lèi)：解剖圖像和功能圖像。解剖圖像包括CT、MRI和B超等；功能圖像包括單光子發(fā)射型計(jì)算機(jī)斷層成像[3]和正電子發(fā)射型斷層成像[4]等。這兩類(lèi)圖像各有其優(yōu)缺點(diǎn)：解剖圖像以高分辨率提供了臟器的解剖形態(tài)信息，但無(wú)法反映臟器的功能情況；功能圖像可以提供臟器的代謝信息，可是圖像的分辨率較差。由此可見(jiàn)，不同成像技術(shù)對(duì)人體同一解剖結(jié)構(gòu)所得到的形態(tài)和功能信息是互不相同、互為補(bǔ)充的。在臨床診斷中，單一模態(tài)的圖像往往不能提供醫(yī)生所需要的足夠信息，因此，需要將不同模態(tài)的醫(yī)學(xué)圖像進(jìn)行適當(dāng)?shù)呐錅?zhǔn)，使解剖信息和功能信息有機(jī)地結(jié)合起來(lái)，在一幅圖像上同時(shí)表達(dá)來(lái)自多種成像源的信息，以便醫(yī)生了解病變組織或器官的綜合情況，并做出更加準(zhǔn)確的診斷或制定出更加合適的治療方案。做醫(yī)學(xué)圖像分析與研究時(shí)，往往將患者的幾幅不同類(lèi)型的圖像放在一起分析研究，從而可以獲得患者多方面的綜合信息，進(jìn)而提高醫(yī)學(xué)診斷和治療水平[5]。對(duì)幾幅不同類(lèi)型的圖像作定量分析時(shí)首先要解決這幾幅圖像的嚴(yán)格對(duì)齊問(wèn)題，這就是我們所要研究的圖像配準(zhǔn)。圖像配準(zhǔn)的主要目的是去除或者抑制待配準(zhǔn)圖像和參考圖像之間幾何上的不一致，包括平移、旋轉(zhuǎn)和形變。它是圖像處理和分析的關(guān)鍵步驟，是圖像對(duì)比、數(shù)據(jù)融合、變化分析、運(yùn)動(dòng)檢測(cè)和目標(biāo)識(shí)別的必要前提?！?.3圖像配準(zhǔn)的應(yīng)用與概況§1.3.1圖像配準(zhǔn)應(yīng)用前景及展望醫(yī)學(xué)圖像配準(zhǔn)的臨床新應(yīng)用有,在放射治療中應(yīng)用CT和MR圖像配準(zhǔn)和融合來(lái)進(jìn)行放療計(jì)劃和評(píng)估,用CT圖像精確計(jì)算放射劑量,用MR圖像描述腫瘤；在計(jì)算機(jī)輔助手術(shù)中,外科醫(yī)生根據(jù)配準(zhǔn)的CT/MR/DSA精確定位病灶,設(shè)計(jì)出慎密的手術(shù)計(jì)劃,在手術(shù)過(guò)程中利用三維空間定位系統(tǒng)使術(shù)前計(jì)劃的虛擬病人、手術(shù)臺(tái)上的真實(shí)病人和手術(shù)器械三者精確聯(lián)系起來(lái)進(jìn)行手術(shù)跟蹤。圖像配準(zhǔn)作為多源數(shù)據(jù)融合、時(shí)序圖像分析、目標(biāo)變化檢測(cè)、目標(biāo)識(shí)別、圖像鑲嵌等實(shí)際問(wèn)題中的重要步驟，其應(yīng)用遍及軍事、遙感、醫(yī)學(xué)、計(jì)算機(jī)視覺(jué)等多個(gè)領(lǐng)域。除上述在醫(yī)學(xué)中的應(yīng)用外，軍事上的應(yīng)用如在野戰(zhàn)環(huán)境中，熱紅外圖像能觀察到藏匿于樹(shù)叢中的人和坦克，但卻不能反映整個(gè)環(huán)境情形，可見(jiàn)光圖像能清楚地反映整個(gè)環(huán)境的面貌。對(duì)熱紅外和可見(jiàn)光圖像配準(zhǔn)融合后，能定位目標(biāo)隱藏的位置，協(xié)助作戰(zhàn)。醫(yī)學(xué)圖像配準(zhǔn)的最終目的是幫助醫(yī)生提高診斷、監(jiān)護(hù)和治療水平,因此它的發(fā)展方向是向著快速、準(zhǔn)確、穩(wěn)定、無(wú)創(chuàng)、簡(jiǎn)單易用的方向發(fā)展?？焖偈菫榱耸蛊溆袑?shí)際應(yīng)用的價(jià)值；準(zhǔn)確是配準(zhǔn)的基本要求；穩(wěn)定則可以使配準(zhǔn)方法有較廣泛的實(shí)用性；無(wú)創(chuàng)使得其對(duì)病人友好,減輕病人的痛苦；簡(jiǎn)單易用則方便了醫(yī)生的操作與診斷[8,9]。隨著計(jì)算機(jī)技術(shù)和醫(yī)學(xué)成像技術(shù)的發(fā)展,多模態(tài)醫(yī)學(xué)圖像的配準(zhǔn)技術(shù)也一定會(huì)得到迅速的發(fā)展,一些主要技術(shù)難題會(huì)得到相應(yīng)的解決,而與配準(zhǔn)相關(guān)的一些技術(shù)如放射治療、遠(yuǎn)程醫(yī)療、手術(shù)導(dǎo)航等也會(huì)得到更廣泛的應(yīng)用,有著更廣闊的前景?！?.3.2國(guó)內(nèi)外同類(lèi)設(shè)計(jì)概況醫(yī)學(xué)圖像配準(zhǔn)是近年來(lái)醫(yī)學(xué)圖像處理領(lǐng)域中的重要研究問(wèn)題，通過(guò)尋找某種適當(dāng)?shù)目臻g變換，使兩幅圖像達(dá)到空間位置上的定位和配準(zhǔn)，進(jìn)而進(jìn)行圖像融合。進(jìn)幾年，國(guó)內(nèi)外已涌現(xiàn)了大量關(guān)于圖像配準(zhǔn)技術(shù)的研究成果。醫(yī)學(xué)圖像配準(zhǔn)方法有多種，常用的有一下幾種：一、基于特征的配準(zhǔn)方法，特征可以是標(biāo)記點(diǎn)、分割區(qū)的質(zhì)心、輪廓、表面、容積，或是他們的組合。二、矩和主軸法，先計(jì)算圖像的零階和一階矩，得到兩幅圖像像素點(diǎn)的質(zhì)心和主軸，再通過(guò)平移和旋轉(zhuǎn)使兩幅圖像的質(zhì)心和主軸對(duì)齊，從而達(dá)到配準(zhǔn)的目的。三、基于灰度的方法包括最大互信息配準(zhǔn)法和相關(guān)法，基于灰度的方法由于對(duì)多模圖像的適用性，近幾年得到了廣泛應(yīng)用。這些方法先根據(jù)相似性測(cè)度決定代價(jià)函數(shù)，然后通過(guò)搜索技術(shù)使其最小，從而得到配準(zhǔn)。此外還有許多其他配準(zhǔn)方法，如最大相似性法、局部頻率法、能用于大尺度變形的流體動(dòng)力學(xué)法、基于FFT的方法和由粗到精進(jìn)行迭代的金字塔法等。醫(yī)學(xué)圖像配準(zhǔn)根據(jù)成像模式的不同，以及配準(zhǔn)對(duì)象間的關(guān)系等，可分為多種不同的類(lèi)型，其中我們研究的醫(yī)學(xué)圖像配準(zhǔn)是指待配準(zhǔn)的兩幅圖像來(lái)源于不同的成像設(shè)備[10]。例如，CT和MR圖像都有較高的空間分辨率，前者對(duì)密度差異較大的組織效果較好，后者則可識(shí)別軟組織；SPECT，PET能反映人體的功能和代謝信息，但空間分辨率差。因此在臨床應(yīng)用中，常需要將CT（或MR）與SPECT（或PET）配準(zhǔn)。二者的結(jié)合能夠同時(shí)提供功能與解剖的信息，具有臨床應(yīng)用價(jià)值。第二章基于互信息的醫(yī)學(xué)圖像配準(zhǔn)醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像處理的一個(gè)基本問(wèn)題，是一切多源圖像信息處理中必不可少的一個(gè)基本環(huán)節(jié)。如果配準(zhǔn)算法有較好的配準(zhǔn)精度和自動(dòng)化能力，就可以為后續(xù)醫(yī)學(xué)圖像處理工作的正確有意義進(jìn)行提供保障。§2.1醫(yī)學(xué)圖像配準(zhǔn)的概念對(duì)幾幅不同的圖像作定量分析，首先要解決這幾幅圖像的嚴(yán)格對(duì)齊問(wèn)題，這就是我們所說(shuō)的圖像配準(zhǔn)。醫(yī)學(xué)圖像配準(zhǔn)是現(xiàn)代醫(yī)學(xué)圖像處理技術(shù)應(yīng)用的一個(gè)重要方面，它是指對(duì)于一幅醫(yī)學(xué)圖像尋求一種（或一系列）空間變換，使它與另一幅醫(yī)學(xué)圖像上的對(duì)應(yīng)點(diǎn)達(dá)到空間上的一致。這種一致是指人體上的同一解剖點(diǎn)在兩張匹配圖像上有相同的空間位置。配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上所有的解剖點(diǎn)，或至少是所有具有診斷意義的點(diǎn)及手術(shù)感興趣的點(diǎn)都達(dá)到匹配。圖像配準(zhǔn)的主要目的是去除或者抑制待配準(zhǔn)圖像和參考圖像之間集合上的不一致，包括平移、旋轉(zhuǎn)等形變。它是圖像分析和處理的關(guān)鍵步驟，是圖像對(duì)比、圖像融合、變化分析和目標(biāo)識(shí)別的必要前提。圖2-1是配準(zhǔn)的示意圖。該圖是同一個(gè)人從不同角度不同位置拍攝的兩幅圖像，由于拍攝環(huán)境和條件的不同，每幅圖像僅反映圖片的某些方面的特征。要將兩幅圖像進(jìn)行配準(zhǔn)就要先將一幅圖像（即浮動(dòng)圖像）做空間變換，使它與另一幅圖像對(duì)奇，即選擇合適的相似度測(cè)度(similaritymeasure)使得他們相似度達(dá)到最大，然后再配準(zhǔn)。圖2-1配準(zhǔn)示意圖§2.2圖像配準(zhǔn)步驟圖像配準(zhǔn)是基于一個(gè)配準(zhǔn)準(zhǔn)則，也稱(chēng)匹配準(zhǔn)則[9]。配準(zhǔn)準(zhǔn)則是判斷兩幅圖像達(dá)到配準(zhǔn)的衡量標(biāo)準(zhǔn)，即在什么意義下，認(rèn)為達(dá)到圖像的配準(zhǔn)。根據(jù)這個(gè)準(zhǔn)則可以將圖像配準(zhǔn)的步驟分解如下：（1）建立參考圖像和浮動(dòng)圖像坐標(biāo)系；為圖像配準(zhǔn)提供一個(gè)參考系統(tǒng)。對(duì)于相對(duì)配準(zhǔn)通常是取一幅圖像的圖像坐標(biāo)系作為待校正圖像坐標(biāo)系，而另一幅圖像的坐標(biāo)系為參考坐標(biāo)系或者校正圖像坐標(biāo)系。（2）判定圖像大小是否相等；兩幅圖像大小相等是配準(zhǔn)的必要前提，第一步完成后對(duì)圖像配準(zhǔn)，觀察兩幅圖像是否大小相等，不等，則調(diào)整其中一幅圖像的大小使其與另一幅相等?？梢匀斯ふ{(diào)換圖像，也可以采用自動(dòng)放縮圖像大小。在本設(shè)計(jì)中主要采用人工調(diào)換圖像。當(dāng)圖像大小相等時(shí)進(jìn)行下一步操作。（3）選擇配準(zhǔn)互信息尺度和算法；這設(shè)計(jì)中主要采用多種互信息尺度和兩種優(yōu)化算法，對(duì)于尺度和算法的選擇可以通過(guò)下拉菜單進(jìn)行實(shí)現(xiàn)，選擇需要的類(lèi)型。（4）原始圖像和待配準(zhǔn)圖像的平滑拼接。在上面步驟的基礎(chǔ)上，確立原始圖像和待配準(zhǔn)圖像之間的函數(shù)坐標(biāo)關(guān)系，完成圖像的匹配。由于本設(shè)計(jì)采用了基于灰度圖像的互信息配準(zhǔn)，所以不需要對(duì)圖像進(jìn)行預(yù)處理?！?.3圖像配準(zhǔn)方法分類(lèi)醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像融合的前提,是目前醫(yī)學(xué)圖像處理中的熱點(diǎn),具有重要的臨床診斷和治療價(jià)值[11]。根據(jù)如何確定RCP的方法和圖像配準(zhǔn)中利用的圖像信息區(qū)別可將圖像配準(zhǔn)方法分為三個(gè)主要類(lèi)別：基于灰度信息法、變換域法和基于特征法[12,13]，本設(shè)計(jì)主要采用基于灰度信息法對(duì)圖像進(jìn)行配準(zhǔn)。§2.3.1基于灰度圖像配準(zhǔn)方法一、基于灰度圖像配準(zhǔn)方法的原理基于灰度信息的圖像配準(zhǔn)方法一般不需要對(duì)圖像進(jìn)行復(fù)雜的預(yù)先處理，而是利用圖像本身具有灰度的一些統(tǒng)計(jì)信息來(lái)度量圖像的相似程度。經(jīng)過(guò)幾十年的發(fā)展，人們提出了許多基于灰度信息的圖像配準(zhǔn)方法，大致可以分為三類(lèi)：互信息法（也稱(chēng)模板匹配法）、序貫相似度檢測(cè)匹配法、交互信息法?；诨叶鹊膱D像配準(zhǔn)方法主要特征:（1）是實(shí)現(xiàn)簡(jiǎn)單，但應(yīng)用范圍較窄，不能直接用于校正圖像的非線性形變；（2）在最優(yōu)變換的搜索過(guò)程中往往需要巨大的運(yùn)算量；（3）對(duì)目標(biāo)的旋轉(zhuǎn)、形變及遮擋比較敏感。因此，在全自動(dòng)圖像配準(zhǔn)中，很少采用這類(lèi)圖像配準(zhǔn)方法。如圖2-2所示的基于灰度圖像的配準(zhǔn)方法。A為參考圖像，B為浮動(dòng)圖像，對(duì)浮動(dòng)圖像進(jìn)行平移和翻轉(zhuǎn)等幾何變換獲得圖像TB，然后根據(jù)灰度信息統(tǒng)計(jì)特性定義取得參考圖像與變換后的浮動(dòng)圖像之間的相似性度量Y(A)，在相似性度量極值處取得配準(zhǔn)參數(shù)。所以配準(zhǔn)問(wèn)題就轉(zhuǎn)化為極值問(wèn)題，通過(guò)一定的最優(yōu)化方法求得最合適的配準(zhǔn)參數(shù)。AATB幾何變換B配準(zhǔn)參數(shù)相似性度量Y(A)最優(yōu)化圖2-2基于灰度圖像的配準(zhǔn)方法示意圖圖像配準(zhǔn)的結(jié)果(采用了EMI互信息和PSO優(yōu)化算法)應(yīng)如下圖2-3所示。醫(yī)學(xué)圖像配準(zhǔn)主要是通過(guò)灰度互信息法，并采用優(yōu)化算法來(lái)實(shí)現(xiàn)的，根據(jù)配準(zhǔn)結(jié)果可以看出參考圖像、浮動(dòng)圖像及這兩幅圖像的一致信息的邊緣輪廓。不論采用哪種互信息或哪種優(yōu)化算法得到的大致配準(zhǔn)結(jié)果圖像都是一樣的，但是在某些特征點(diǎn)上會(huì)有或多或少的差別，可能會(huì)有一些有用的信息沒(méi)有顯示出來(lái)，所以采用不同的互信息和不同的優(yōu)化算法，通過(guò)綜合這些配準(zhǔn)結(jié)果顯示出來(lái)的信息可以顯示所需要的有用信息。圖2-3配準(zhǔn)結(jié)果§2.3.2基于特征的圖像配準(zhǔn)方法基于特征的匹配方法的共同之處是首先要對(duì)待配準(zhǔn)圖像進(jìn)行預(yù)處理，也就是圖像分割和特征提取的過(guò)程，再利用提取得到的特征完成兩幅圖像特征之間的匹配，通過(guò)特征的匹配關(guān)系建立圖像之間的配準(zhǔn)映射關(guān)系。由于圖像中有很多種可以利用的特征，因而產(chǎn)生了多種基于特征的方法。常用到的圖像特征有：特征點(diǎn)（包括角點(diǎn)、高曲率點(diǎn)等）直線段、邊緣、輪廓、閉合區(qū)域、特征結(jié)構(gòu)以及統(tǒng)計(jì)特征如矩不變量、重心等等。根據(jù)所提取的圖像特征的不同，特征提取算子可分為點(diǎn)特征提取算子（如Moravec算子、Forstner算子）、線特征提取算子（如LOG算子、Hough變換算子）和面特征提取算子（主要通過(guò)區(qū)域分割）。其基本步驟和方法是一致的，包括：（1）圖像預(yù)處理圖像預(yù)處理是用來(lái)消除或減小待匹配圖像之間的灰度偏差和幾何變形，使圖像匹配過(guò)程能夠順利地進(jìn)行。（2）特征提取在參考圖像與待配準(zhǔn)圖像上，選擇邊界、線狀物交叉點(diǎn)、區(qū)域輪廓線等明顯的特征，或者利用特征提取算子自動(dòng)提取特征?？商崛〉奶卣靼c(diǎn)、線、面三類(lèi)。（3）特征匹配采用一定配準(zhǔn)算法，實(shí)現(xiàn)兩幅圖像上對(duì)應(yīng)的明顯特征點(diǎn)的匹配，將匹配后的特征點(diǎn)作為控制點(diǎn)或同名點(diǎn)。“控制點(diǎn)”的選擇應(yīng)注意一下幾個(gè)方面：一是分布盡量均勻，二是在相應(yīng)圖像上有明顯的識(shí)別標(biāo)志，三是要有一定的數(shù)量保證。（4）空間變換根據(jù)控制點(diǎn)的圖像坐標(biāo)，建立圖像的映射關(guān)系。（5）重采樣通過(guò)灰度變換，對(duì)空間變換后的待配準(zhǔn)圖像的灰度值進(jìn)行重新賦值。基于圖像特征的配準(zhǔn)方法在實(shí)際中的應(yīng)用越來(lái)越廣泛。圖像的特征只考慮圖像的局部信息，較大地減少了匹配過(guò)程的計(jì)算量，從而提高了配準(zhǔn)的速度；同時(shí)，特征點(diǎn)的匹配度量值對(duì)位置的變化比較敏感，可以提高匹配的精確度。但是，該方法只依賴(lài)于所提取的圖像特征，所以對(duì)于圖像的細(xì)微情節(jié)不太敏感?；谔卣鞯膱D像配準(zhǔn)方法有兩個(gè)重要環(huán)節(jié)：特征提取和特征匹配。特征匹配一般采用互相關(guān)來(lái)度量，但互相關(guān)度量對(duì)旋轉(zhuǎn)處理比較困難，尤其是圖像之間存在部分圖像重疊的情況。最小二乘匹配算法和全局匹配的松弛算法能夠取得比較理想的結(jié)果。小波變換、神經(jīng)網(wǎng)絡(luò)和遺傳算法等新的數(shù)學(xué)方法的應(yīng)用，進(jìn)一步提高了圖像配準(zhǔn)的精度和運(yùn)算速度。基于特征的圖像配準(zhǔn)方法可以克服基于灰度的圖像配準(zhǔn)方法的缺點(diǎn)，從而在圖像配準(zhǔn)領(lǐng)域得到了廣泛應(yīng)用。其優(yōu)點(diǎn)主要體現(xiàn)在三個(gè)方面：（1）圖像的特征點(diǎn)比圖像的像素點(diǎn)要少很多，因此大大減少了匹配過(guò)程的計(jì)算量；（2）特征點(diǎn)的匹配度量值對(duì)位置的變化比較敏感，可以大大提高匹配的精確程度；（3）特征點(diǎn)的提取過(guò)程可以減少噪聲的影響，對(duì)灰度變化、圖像形變以及遮擋等都有較好的適應(yīng)能力?！?.3.3其他分類(lèi)除上述兩類(lèi)配準(zhǔn)方法外最主要的變換域的圖像配準(zhǔn)方法是傅氏變換方法。它主要有以下一些優(yōu)點(diǎn)：圖像的平移、旋轉(zhuǎn)、仿射等變換在傅氏變換域中都有相應(yīng)的體現(xiàn)；利用變換域的方法還有可能獲得一定程度的抵抗噪聲的魯棒性；由于傅氏變換有成熟的快速算法和易于硬件實(shí)現(xiàn)，因而在算法實(shí)現(xiàn)上有其獨(dú)特的優(yōu)勢(shì)。另一種是根據(jù)配準(zhǔn)基準(zhǔn)的特性將圖像配準(zhǔn)的方法分為兩大類(lèi)：基于外部特征（有框架）的圖像配準(zhǔn)和基于內(nèi)部特征（無(wú)框架）的圖像配準(zhǔn)。前者指強(qiáng)加于患者的各種人造標(biāo)記，這些標(biāo)記必須在各種配準(zhǔn)模式中灌入不同的顯影物質(zhì)使其清晰可見(jiàn)且可準(zhǔn)確檢測(cè)。此法簡(jiǎn)單易行，易實(shí)現(xiàn)自動(dòng)化，能夠獲得較高的精度，可以作為評(píng)估無(wú)框架配準(zhǔn)算法的標(biāo)準(zhǔn)。但對(duì)標(biāo)記物的放置要求高，只能用于同一患者不同影像模式之間的配準(zhǔn)，不適用于患者之間和患者圖像與圖譜之間的配準(zhǔn)，不能對(duì)歷史圖像做回溯性研究?；趦?nèi)部特征的圖像配準(zhǔn)方法是根據(jù)一些用戶(hù)能識(shí)別出的解剖點(diǎn)醫(yī)學(xué)圖像中相對(duì)運(yùn)動(dòng)較小的結(jié)構(gòu)及圖像內(nèi)部體素的灰度信息進(jìn)行配準(zhǔn)[12]。內(nèi)部特征的圖像配準(zhǔn)是一種交互性方法，可以進(jìn)行回顧性研究，不會(huì)造成患者不適，故基于內(nèi)部特征的圖像配準(zhǔn)成為研究的重點(diǎn)?！?.4互信息醫(yī)學(xué)圖像配準(zhǔn)的關(guān)鍵問(wèn)題是圖像的相似性測(cè)度，它用來(lái)衡量?jī)煞鶊D像配準(zhǔn)的程度，最常用的圖像相似性測(cè)度是互信息，因此本設(shè)計(jì)研究的重點(diǎn)之一是互信息法?；バ畔⑹腔叶葓D像配準(zhǔn)中常用的方法，所以本設(shè)計(jì)主要采用基于灰度圖像配準(zhǔn)方法來(lái)對(duì)圖像進(jìn)行配準(zhǔn)。下面主要介紹有關(guān)互信息的原理及分類(lèi)?！?.4.1互信息的原理互信息表示的是一個(gè)系統(tǒng)包含另一個(gè)系統(tǒng)信息的多少。Collignon、Wells等人用互信息作為醫(yī)學(xué)圖像的配準(zhǔn)測(cè)度。以互信息作為兩幅圖像的相似性測(cè)度進(jìn)行配準(zhǔn)時(shí)，如果兩幅基于共同解剖結(jié)構(gòu)的圖像達(dá)到最佳配準(zhǔn)時(shí)，它們對(duì)應(yīng)的圖像特征互信息應(yīng)為最大。最大互信息法幾乎可以用在任何不同模式圖像的配準(zhǔn)中，特別是當(dāng)其中一個(gè)圖像的數(shù)據(jù)部分缺損時(shí)，所以這種方法廣泛用于圖像的配準(zhǔn)中。但是，當(dāng)待匹配圖像是低分辨率、圖像包含的信息不夠充分或兩幅待匹配圖像的重疊部分較少時(shí)，基于互信息的配準(zhǔn)目標(biāo)函數(shù)就會(huì)極不光滑，出現(xiàn)較多局部最優(yōu)解，為目標(biāo)函數(shù)最優(yōu)解的搜索帶來(lái)較大的難度。由于該測(cè)度不需要對(duì)不同成像模式下圖像灰度間的關(guān)系作任何假設(shè)，也不需要對(duì)圖像進(jìn)行分割或任何預(yù)處理，因此該測(cè)度可以被廣泛地應(yīng)用于CT-MR，PET-MR等多種圖像的配準(zhǔn)工作?；谧畲蠡バ畔⒌膱D像配準(zhǔn)取得了很大的成功，但是它也存在一些缺陷，眾多研究者提出了許多改進(jìn)的方法，如將梯度信息與互信息相結(jié)合的方法、區(qū)域互信息（RMI）[13]等。邊緣概率密度函數(shù)和聯(lián)合概率密度函數(shù)分別為p(a)，p(b)和p(a,b)的隨機(jī)變量A與B的個(gè)體熵和聯(lián)合熵分別定義為：（2-1）（2-2）（2-3）互信息定義為：在醫(yī)學(xué)圖像配準(zhǔn)中，雖然兩幅圖像可能來(lái)自不同的成像設(shè)備，但它們基于共同的人體解剖信息，所以當(dāng)兩幅圖像的空間位置達(dá)到一致時(shí)，其中一幅圖像表達(dá)另一幅圖像的信息，也就是其互信息應(yīng)為最大。通常用聯(lián)合概率分布和完全獨(dú)立時(shí)的概率分布間的廣義距[25]來(lái)估計(jì)互信息：這就是用互信息表示的相似性測(cè)度。基于互信息的配準(zhǔn)過(guò)程實(shí)質(zhì)上是搜索最佳的幾何變換，使兩幅圖像的互信息達(dá)到最大?；バ畔⑾嗨菩詼y(cè)度利用圖像的灰度統(tǒng)計(jì)信息來(lái)進(jìn)行圖像配準(zhǔn)，在兩幅圖像的重疊區(qū)域，根據(jù)像素的灰度值直接計(jì)算相似性測(cè)度函數(shù)，免去了圖像特征點(diǎn)提取或用戶(hù)手工標(biāo)記過(guò)程?；バ畔⒂渺貋?lái)定義，熵有多種形式，如Shannon熵[14]、Renyi熵、Tsallis熵[15]等，其中基于Shannon熵的相似性測(cè)度是目前使用最廣泛的圖像配準(zhǔn)測(cè)度。§2.4.2互信息的方法對(duì)醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)也就是尋找圖像的最大相似度，本設(shè)計(jì)主要通過(guò)互信息來(lái)實(shí)現(xiàn)的，即尋求互信息的最大值使兩幅圖像在空間上達(dá)到最大的相似。不同的互信息有自己更適合的應(yīng)用范圍。EMI幾乎可以用在任何不同模式圖像的配準(zhǔn)中，特別是當(dāng)其中一個(gè)圖像的數(shù)據(jù)部分缺損時(shí)，所以這種方法廣泛用于多模態(tài)圖像的配準(zhǔn)中。但當(dāng)待匹配圖像是低分辨率、圖像包含的信息不夠充分或兩幅待匹配圖像的重疊部分較少時(shí)，基于互信息的配準(zhǔn)目標(biāo)函數(shù)就會(huì)極不光滑，出現(xiàn)較多局部最優(yōu)解，為目標(biāo)函數(shù)最優(yōu)解的搜索帶來(lái)較大的難度?；バ畔⒌闹禃?huì)受到圖像重疊區(qū)域變化的影響，所以互信息最大的變換不一定就是最佳的配準(zhǔn)變換。由于每種互信息的特點(diǎn)不同，配準(zhǔn)結(jié)果也會(huì)有所不同。下列采用幾種互信息測(cè)度法來(lái)對(duì)圖像進(jìn)行配準(zhǔn)(均采用PSO優(yōu)化算法)，從圖中可以看出不同互信息的坐標(biāo)和角度都不相同。1、分別選擇MI、HiMI、EMI對(duì)圖像配準(zhǔn)，將這三個(gè)互信息函數(shù)輸入?yún)?shù)個(gè)數(shù)設(shè)為0。配準(zhǔn)結(jié)果分別如圖2-4、圖2-5、圖2-6。圖2-4MI配準(zhǔn)結(jié)果圖2-5HiMI配準(zhǔn)結(jié)果圖2-6EMI配準(zhǔn)結(jié)果2、分別選擇RMI、GMI配準(zhǔn)，將這兩個(gè)互信息函數(shù)輸入?yún)?shù)個(gè)數(shù)設(shè)為1。RMI的屬性值為9，GMI的屬性值為0.5。配準(zhǔn)結(jié)果顯示如圖2-7、2-8。圖2-7RMI配準(zhǔn)結(jié)果圖2-8GMI配準(zhǔn)結(jié)果3、選擇FPMI對(duì)醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)，將這個(gè)互信息函數(shù)輸入?yún)?shù)個(gè)數(shù)設(shè)為2，F(xiàn)PMI的屬性值為3，并當(dāng)canny算法的值在0-1之間時(shí)還會(huì)有另一個(gè)屬性null。配準(zhǔn)結(jié)果顯示如圖2-9。圖2-9FPMI配準(zhǔn)結(jié)果根據(jù)前三種互信息所取的屬性值相同及后三種所取的屬性值不同可以知道屬性值的取值對(duì)配準(zhǔn)的影響不大。坐標(biāo)和角度的不同只是改變配準(zhǔn)后的圖像在空間位置的不同，這樣可以從不同的空間位置研究配準(zhǔn)后兩幅圖像的一致信息。§2.5圖像配準(zhǔn)算法圖像配準(zhǔn)算法也本設(shè)計(jì)研究的重點(diǎn)。優(yōu)化算法有很多種，如基于粒子群PSO的優(yōu)化算法、基于最大互信息和量子粒子群的優(yōu)化算法、基于Powell的優(yōu)化算法等等。在本設(shè)計(jì)的過(guò)程中主要采用兩種配準(zhǔn)優(yōu)化算法，即粒子群PSO優(yōu)化算法和Powell優(yōu)化算法?！?.5.1粒子群PSO優(yōu)化算法粒子群PSO優(yōu)化算法是一種基于群智能方法的演化計(jì)算技術(shù)，主要用來(lái)求全局最優(yōu)解，有Eberhart博士和kennedy博士發(fā)明，源于對(duì)鳥(niǎo)群捕食的行為研究。PSO同遺傳算法類(lèi)似，是一種基于疊代的優(yōu)化工具。系統(tǒng)初始化為一組隨機(jī)解，通過(guò)疊代搜尋最優(yōu)值。粒子在解空間追隨最優(yōu)的粒子進(jìn)行搜索，每個(gè)優(yōu)化問(wèn)題的解都是搜索空間中的一只鳥(niǎo)。我們稱(chēng)之為“粒子”[16]，所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值(fitnessvalue)，每個(gè)粒子還有一個(gè)速度決定他們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。PSO初始化為一群隨機(jī)粒子，然后通過(guò)迭代找到最優(yōu)解。在每一次迭代中，粒子通過(guò)跟蹤兩個(gè)極值來(lái)更新自己，第一個(gè)就是粒子本身到當(dāng)前時(shí)刻找到的最好解，這個(gè)解稱(chēng)為個(gè)體最好值，另一個(gè)極值就是整個(gè)種群到當(dāng)前時(shí)刻找到的最好解，這個(gè)值是全局最好值。PSO算法與其他演化算法相似，也是基于群體的，根據(jù)對(duì)環(huán)境的適應(yīng)度將群體中的個(gè)體移動(dòng)到好的區(qū)域，然而它不像其他演化算法那樣對(duì)個(gè)體使用演化算子，而是將每個(gè)個(gè)體看作D維搜索空間中的一個(gè)沒(méi)有體積的微粒（點(diǎn)），在搜索空間中以一定的速度飛行。這個(gè)速度根據(jù)它本身的飛行經(jīng)驗(yàn)以及同伴的飛行經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整。第個(gè)微粒表示為，它經(jīng)歷過(guò)的最好位置（有最好的適應(yīng)值）記為，也稱(chēng)為。在群體所有微粒經(jīng)歷過(guò)的最好位置的索引號(hào)用符號(hào)表示，即，也稱(chēng)為。微粒的速度用表示。對(duì)每一代，其第維（）根據(jù)如下方程式變化[19]其中，為慣性權(quán)重（inertiaweight），和為加速常數(shù)（accelerationconstants），和為兩個(gè)在[0,1]范圍內(nèi)變化的隨機(jī)函數(shù)[15]。標(biāo)準(zhǔn)PSO的算法流程如下：Step1：初始化一群微粒（群體規(guī)模為m），包括隨機(jī)位置和速度；Step2：評(píng)價(jià)每個(gè)微粒的適應(yīng)度；Step3：對(duì)每個(gè)微粒，將其適應(yīng)值與其經(jīng)歷過(guò)的最好位置作比較，如果較好，則將其作為當(dāng)前的最好位置；Step4：對(duì)每個(gè)微粒，將其適應(yīng)值與全局所經(jīng)歷的最好位置作比較，如果較好，則重新設(shè)置的索引號(hào)；Step5：根據(jù)方程（1）變化微粒的速度和位置；Step6：如未達(dá)到結(jié)束條件（通常為足夠好的適應(yīng)值或達(dá)到一個(gè)預(yù)設(shè)最大代數(shù)），則返回Step2。PSO優(yōu)化算法框架圖如下：初始化粒子及粒子速度初始化粒子及粒子速度粒子適應(yīng)度檢測(cè)粒子速度更新粒子位置更新Present=pBestPresent=gBest輸出gBestPresent優(yōu)于pBest?Present優(yōu)于gBest?算法準(zhǔn)則滿(mǎn)足？否否否是是是圖2-10粒子群優(yōu)化算法框架圖在MATLAB工作環(huán)境下，采用粒子群PSO優(yōu)化算法對(duì)醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)（采用的是MI互信息）。配準(zhǔn)結(jié)果如圖2-11、圖2-12，分別對(duì)胸部和骨盆圖像的配準(zhǔn)。對(duì)不同類(lèi)型的兩幅圖像進(jìn)行配準(zhǔn)，可以從顯示結(jié)果中看到粒子群PSO算法配準(zhǔn)的效果，圖中紅線表示參考圖像的邊緣輪廓，綠線表示浮動(dòng)圖像的邊緣輪廓，黃線表示兩幅圖像中空間位置一致的信息。圖2-11PSO配準(zhǔn)結(jié)果顯示（一）圖2-12PSO配準(zhǔn)結(jié)果顯示（二）§2.5.2POWELL優(yōu)化算法Powell算法是直接搜索法中比較有效的一種方法，它不需要求目標(biāo)函數(shù)的一階或者二階導(dǎo)數(shù)，且對(duì)目標(biāo)函數(shù)只要求連續(xù)即可。該方法的要點(diǎn)是在每一階段的迭代中，總有一個(gè)出發(fā)點(diǎn)和m個(gè)線性獨(dú)立的搜索方向向量[17]。由于在經(jīng)過(guò)多次迭代后容易得到m個(gè)線性相關(guān)或者接近線性相關(guān)的方向，這將會(huì)給收斂性帶來(lái)嚴(yán)重后果，而得不到全局最優(yōu)結(jié)果。它的主要計(jì)算步驟如下:首先,將方向集ui初始化為坐標(biāo)向量，i=0,?,m-1，然后,重復(fù)以下各步驟直至函數(shù)值不再減少：（1）記初始位置為。（2）對(duì)i=0,?,n-1,將移至目標(biāo)函數(shù)方向的最優(yōu)值點(diǎn),并記為+1。（3）對(duì)i=0,?,n-2,置=+1。（4）置-1=-。（5）將移至函數(shù)在-1方向上的最優(yōu)點(diǎn),并記該點(diǎn)為。圖像配準(zhǔn)過(guò)程就是一求極值問(wèn)題，不用計(jì)算函數(shù)梯度Powell優(yōu)化算法，計(jì)算速度快，但容易陷入局部極值；混合算法等可以有效地避免陷入局部極值，但是算法復(fù)雜，計(jì)算量大，不易實(shí)現(xiàn)[18]。因此一般采用經(jīng)過(guò)改進(jìn)的Powell優(yōu)化醫(yī)學(xué)圖像配準(zhǔn)方法，該方法基本思想是新產(chǎn)生的方向代替最大下降方向并去掉多余搜索。在該方法中，圖像互信息作為配準(zhǔn)測(cè)度，腦部MRI/CT圖像、T1/PD圖像配準(zhǔn)實(shí)驗(yàn)證明了該方法可以有效性地避免算法陷入局部極值，而且配準(zhǔn)速度更快是一種穩(wěn)定、快速的配準(zhǔn)方法。同粒子群PSO優(yōu)化算法相同，在MATLAB工作環(huán)境下，采用Powell優(yōu)化算法對(duì)兩幅不同類(lèi)型的圖像進(jìn)行配準(zhǔn)(同樣采用MI)，配準(zhǔn)結(jié)果顯示如圖2-13、圖2-14。從配準(zhǔn)結(jié)果看，采用這種優(yōu)化算法對(duì)圖像配準(zhǔn)，配準(zhǔn)效果不是太理想，兩幅圖像的一致信息較少。圖2-13POWELL配準(zhǔn)結(jié)果顯示（一）圖2-14POWELL配準(zhǔn)結(jié)果顯示（二）§2.6圖像配準(zhǔn)的評(píng)價(jià)在實(shí)驗(yàn)的過(guò)程中發(fā)現(xiàn)不同的優(yōu)化算法在圖像配準(zhǔn)的速度和精確度上的差異，PSO算法速度較慢，精確度高，相比PSO算法而言，Powell優(yōu)化算法輪流對(duì)變化參數(shù)進(jìn)行優(yōu)化，由于無(wú)需計(jì)算梯度，因而加快了搜索最大互信息的速度，但是它的計(jì)算結(jié)果準(zhǔn)確性極差，在正常的應(yīng)用中是不可接受的。另外，不同的互信息測(cè)度有自己更適合的應(yīng)用范圍。最大互信息法（EMI）幾乎可以用在任何不同模式圖像的配準(zhǔn)中，特別是當(dāng)其中一個(gè)圖像的數(shù)據(jù)部分缺損時(shí)，所以這種方法廣泛用于多模態(tài)圖像的配準(zhǔn)中。但是，當(dāng)待匹配圖像是低分辨率、圖像包含的信息不夠充分或兩幅待匹配圖像的重疊部分較少時(shí)，基于互信息的配準(zhǔn)目標(biāo)函數(shù)就會(huì)極不光滑，出現(xiàn)較多局部最優(yōu)解，為目標(biāo)函數(shù)最優(yōu)解的搜索帶來(lái)較大的難度。但由于該測(cè)度不需要對(duì)不同成像模式下圖像灰度間的關(guān)系作任何假設(shè)，也不需要對(duì)圖像進(jìn)行分割或任何預(yù)處理。因此，該測(cè)度可以被廣泛應(yīng)用于CT-MRI，PET-MR等多種圖像的配準(zhǔn)工作。因?yàn)榛バ畔⒌闹禃?huì)受到圖像重疊區(qū)域變化的影響，所以互信息最大的變換不一定就是最佳的配準(zhǔn)變換。第三章醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)設(shè)計(jì)§3.1設(shè)計(jì)思路以MATLAB為工作環(huán)境，對(duì)人體相同部位而具有不同特征的兩幅圖像（MRI、CT、SPECT等）進(jìn)行配準(zhǔn)?？蛇x擇粒子群PSO優(yōu)化算法和Powell優(yōu)化算法來(lái)實(shí)現(xiàn)對(duì)兩幅不同類(lèi)型的醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)[19,20]，圖像配準(zhǔn)的問(wèn)題實(shí)質(zhì)上是一個(gè)多參數(shù)優(yōu)化問(wèn)題，本設(shè)計(jì)主要采用灰度圖像的互信息法進(jìn)行圖像配準(zhǔn)，通過(guò)尋找互信息到最大時(shí)的幾個(gè)空間變換參數(shù)值，配準(zhǔn)的關(guān)鍵是相似性測(cè)度[21]，它用來(lái)衡量?jī)煞鶊D像配準(zhǔn)的程度，在這里選用MI、EMI、RMI、PFMI等，配準(zhǔn)過(guò)程中首先提取圖像的輪廓邊界，然后選取算法計(jì)算參數(shù)進(jìn)行空間變換，最終實(shí)現(xiàn)了對(duì)兩幅不同類(lèi)型的醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)的目的[22]。§3.2設(shè)計(jì)流程圖根據(jù)上述設(shè)計(jì)思路,設(shè)計(jì)流程圖如下:讀取圖像讀取圖像選擇算法配準(zhǔn)圖像顯示結(jié)果開(kāi)始結(jié)束圖3-1醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)設(shè)計(jì)流程圖§3.3具體模塊設(shè)計(jì)§3.3.1圖像讀取本課題主要要求設(shè)計(jì)一個(gè)醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)，所以該設(shè)計(jì)要實(shí)現(xiàn)讀取不同類(lèi)型的醫(yī)學(xué)圖像。一般來(lái)講,醫(yī)學(xué)影像分為形態(tài)成像和功能成像兩大類(lèi),前者包括X線成像、CT、DSA、單純MRI、US形態(tài)學(xué)顯像,以及各種內(nèi)窺鏡圖像等；后者包括PET、SPECT、功能MRI、MR波譜和US功能成像等[23]，如下表4-1所示。常見(jiàn)的配準(zhǔn)模式有:CT/MRI、PET/CT、CT/SPECT、DSA/MRI、PET/MRI、PET/US、SPECT/MRI、SPECT/US、TMS/MRI、US/CT、US/MRI等。表3-1醫(yī)學(xué)成像模式形態(tài)成像功能成像X光照相術(shù)SPECT單光子發(fā)射斷層掃描成像CT計(jì)算機(jī)斷層掃描技術(shù)PET正電子發(fā)射斷層掃描成像MRI磁共振成像MRI功能磁共振成像US超聲成像MR波譜成像MRA磁共振血管造影術(shù)US功能成像DSA數(shù)字減影血管造影術(shù)本設(shè)計(jì)沒(méi)有對(duì)圖像進(jìn)行預(yù)處理，因?yàn)榈谝辉O(shè)計(jì)中讀取的圖像是清晰、噪聲極小、干擾小的；第二設(shè)計(jì)采用的是基于灰度的互信息法，運(yùn)用時(shí)不需要預(yù)處理。除此之外，在做圖像處理時(shí)預(yù)處理是必不可少的。由于圖像類(lèi)型不同顯示方式也不盡相同，因此本設(shè)計(jì)根據(jù)讀取圖像的類(lèi)型使用相關(guān)的顯示函數(shù)，但不論使用哪種函數(shù)都能自動(dòng)創(chuàng)建句柄圖像對(duì)象，并自動(dòng)設(shè)置各種句柄圖形屬性和圖像特征，以?xún)?yōu)化顯示效果[24]?！?.3.2優(yōu)化算法選擇圖像配準(zhǔn)在本質(zhì)上是一個(gè)多參數(shù)優(yōu)化問(wèn)題[25]，即尋找互信息達(dá)到最大時(shí)的幾個(gè)空間變換參數(shù)值。在本次設(shè)計(jì)中所采用的優(yōu)化算法是PSO粒子群優(yōu)化算法和POWELL混合優(yōu)化算法。PSO算法概念簡(jiǎn)單，實(shí)現(xiàn)容易，只需很少的代碼和參數(shù)，在各種問(wèn)題的求解與應(yīng)用中展現(xiàn)了其特點(diǎn)和魅力。該算法為人們提供了如下一種思路[26,27]：使智慧出現(xiàn)而不是努力強(qiáng)迫它；模擬自然而不是力圖控制它；尋求使事情簡(jiǎn)單化而不是讓它復(fù)雜。Powell算法是直接搜索法中比較有效的一種方法，它不需要求目標(biāo)函數(shù)的一階或者二階導(dǎo)數(shù)[28]，所以配準(zhǔn)速度快，但精確度不是很高，配準(zhǔn)結(jié)果比較滿(mǎn)意。§3.3.3互信息測(cè)度選擇圖像配準(zhǔn)的關(guān)鍵問(wèn)題是相似性測(cè)度，它用來(lái)衡量?jī)煞鶊D像配準(zhǔn)的程度。最常用的相似性測(cè)度是互信息。它被用于描述兩個(gè)系統(tǒng)之間的統(tǒng)計(jì)相關(guān)性，或者一個(gè)系統(tǒng)中所含的另一個(gè)系統(tǒng)中信息的多少[29]。作為相似性測(cè)度，它具有許多的優(yōu)點(diǎn)：它對(duì)圖像之間的關(guān)系沒(méi)有任何先驗(yàn)假設(shè)、不需要對(duì)圖像進(jìn)行預(yù)處理、自動(dòng)化程度高、配準(zhǔn)精度高等。但是，作為一種統(tǒng)計(jì)型測(cè)度，互信息測(cè)度也有不足：它只考慮了圖像的全局統(tǒng)計(jì)關(guān)系而忽略了圖像的局部信息，沒(méi)能充分利用圖像的空間信息。本設(shè)計(jì)選擇不同類(lèi)型的互信息對(duì)圖像進(jìn)行配準(zhǔn)，有MI、HiMI、EMI、RMI、GMI、FPMI，通過(guò)不同類(lèi)型的互信息函數(shù)可以得到不同的配準(zhǔn)結(jié)果?！?.3.4圖像配準(zhǔn)與顯示圖像配準(zhǔn)原理是對(duì)在不同時(shí)間或不同條件下獲取的兩幅圖像和配準(zhǔn)，就是要定義一個(gè)相似性測(cè)度，并尋找一個(gè)空間變換關(guān)系，經(jīng)過(guò)該空間變換后，兩幅圖像間的相似性測(cè)度達(dá)到最大，使圖像上的每一個(gè)點(diǎn)在圖像都有唯一的點(diǎn)與之相對(duì)應(yīng)。圖像配準(zhǔn)的過(guò)程中我們首先提取圖像邊緣，然后對(duì)邊緣圖像進(jìn)行內(nèi)部填充，獲得外輪廓圖像。邊緣提取方法的基本思想是利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，然后定義圖像的邊緣強(qiáng)度，通過(guò)設(shè)置門(mén)限的方法提取邊緣點(diǎn)集[30]。常用的算子有：拉普拉斯算子、Soble算子、Prweitt算子、Roberts算子、Canny算子等，本設(shè)計(jì)采用Canny算子?！?.4系統(tǒng)設(shè)計(jì)GUI界面根據(jù)上述設(shè)計(jì)思路,在MATLAB環(huán)境下,設(shè)計(jì)的GUI界面如下：圖3-2醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)設(shè)計(jì)GUI界面第四章醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)調(diào)試§4.1系統(tǒng)錯(cuò)誤類(lèi)型系統(tǒng)在對(duì)圖像進(jìn)行配準(zhǔn)時(shí)通常會(huì)出現(xiàn)兩種出錯(cuò)情況：一、未選擇配準(zhǔn)圖像或選擇不完全只選擇了其中一個(gè)就進(jìn)行圖像配準(zhǔn)的，在實(shí)驗(yàn)中給出提示，實(shí)驗(yàn)結(jié)果如下：圖4-1系統(tǒng)出錯(cuò)情況一二、當(dāng)選取的兩幅圖像大小不相等時(shí)，如參考圖像大小為482×298，浮動(dòng)圖像大小為283×178也是無(wú)法進(jìn)行配準(zhǔn)的，這種情況不符合圖像配準(zhǔn)原理，所以最終得不到配準(zhǔn)結(jié)果，如圖5-2所示，雖然讀入了兩幅圖像，但是無(wú)法配準(zhǔn)。圖4-2系統(tǒng)出錯(cuò)情況二§4.2系統(tǒng)調(diào)試結(jié)果在實(shí)驗(yàn)的過(guò)程中，進(jìn)行CT/MRI配準(zhǔn)，這是比較常見(jiàn)的配準(zhǔn)模式，圖中配準(zhǔn)的兩種圖像分別是取自于胸部和骨盆。圖4-3我們選擇PSO粒子群優(yōu)化算法對(duì)這兩種不同模式的圖像進(jìn)行配準(zhǔn)。由于PSO配準(zhǔn)算法計(jì)算參數(shù)的復(fù)雜度，所以配準(zhǔn)過(guò)程速度較慢，但從圖像可看出配準(zhǔn)的精確度較高。圖中，紅色顯示出參考圖像的輪廓邊界，綠色顯示出浮動(dòng)圖像的輪廓邊界，而黃色則顯示出了兩幅圖像中空間位置一致的信息，以下實(shí)驗(yàn)結(jié)果均如此顯示。配準(zhǔn)過(guò)程使兩幅圖像的空間位置基本上一致，該步驟完成后就進(jìn)行圖像間的融合，為醫(yī)生提供更多更詳細(xì)更有用的信息，提高醫(yī)生診斷、監(jiān)護(hù)和治療的水平?；诓煌惴ú煌バ畔y(cè)度的圖像配準(zhǔn)實(shí)驗(yàn)結(jié)果分別如下所示：圖4-3圖像配準(zhǔn)結(jié)果（一）圖4-3圖像配準(zhǔn)結(jié)果（二）結(jié)論醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)是目前醫(yī)學(xué)圖像處理中的研究熱點(diǎn)，具有重要的理論研究和臨床應(yīng)用價(jià)值。本設(shè)計(jì)主要通過(guò)分析和研究圖像配準(zhǔn)的方法與優(yōu)化算法來(lái)完成任務(wù)的。設(shè)計(jì)內(nèi)容：查閱相關(guān)資料文獻(xiàn)、搜索醫(yī)學(xué)灰度圖像、編寫(xiě)各部分的程序、調(diào)試程序并顯示結(jié)果。本設(shè)計(jì)應(yīng)用Matlab編程，采用的基于互信息的圖像配準(zhǔn)方法雖然具有精度高、不需要對(duì)圖像進(jìn)行預(yù)處理等優(yōu)點(diǎn)，但由于可能存在較好的局部匹配，以及插值計(jì)算帶來(lái)的誤差，從而使目標(biāo)函數(shù)存在大量局部極值。選用配準(zhǔn)精度較高的PSO算法和Powell優(yōu)化算法對(duì)圖像進(jìn)行配準(zhǔn)，配準(zhǔn)結(jié)果理想。實(shí)驗(yàn)中發(fā)現(xiàn)，程序運(yùn)行時(shí)Powell算法比PSO算法要快得多。用PSO算法配準(zhǔn)圖像時(shí)，速度非常慢，常需要幾分鐘時(shí)間。但其配準(zhǔn)結(jié)果與Powell算法相比，效果更好。設(shè)計(jì)中的醫(yī)學(xué)圖像配準(zhǔn)系統(tǒng)最終實(shí)現(xiàn)了圖像的配準(zhǔn)，但是效果不是很好，圖像配準(zhǔn)的主要目的是去除或者抑制待配準(zhǔn)圖像和參考圖像之間幾何上的不一致，包括平移、旋轉(zhuǎn)和形變。它是圖像處理和分析的關(guān)鍵步驟，是圖像對(duì)比、數(shù)據(jù)融合、變化分析、運(yùn)動(dòng)檢測(cè)和目標(biāo)識(shí)別的必要前提。從最終的配準(zhǔn)結(jié)果可以看出，信息丟失很?chē)?yán)重。因此，配準(zhǔn)算法還需改善。目前，很多學(xué)者對(duì)其進(jìn)行了深入的研究，提出了很多改進(jìn)的優(yōu)化算法和優(yōu)化策略，但是至今還沒(méi)有一種完全成熟的方法，選取什么優(yōu)化算法、如何避免局部極值、怎樣提高優(yōu)化速度等問(wèn)題仍然需要繼續(xù)深入研究。參考文獻(xiàn)[1]C.E.Shannon.Themathematicaltheoryofcommunication(part1and2).BellSyst.Tech.J.1948:379-423and623-656[2]羅述謙,周果宏.醫(yī)學(xué)圖像處理與分析.北京：科學(xué)出版社，2003：140-148[3]LuoShuqian,liXiang.Implementationofmutualinformationbasedmulti-modalitymedicalimageregistration.EngMedBiolSocProc22ndAnnIntConventionCenterChicago,Illinois,USA:TheInstituteofElectricalandElectronicsEngineers,Ind,2000,2:1447-1450[4]SharmanR,TylerJM,PianykhOL,etc.Afastandaccuratemethodtoregistermedicalimagesusingwaveletmodulusmaxima.PattRecogLett,2000,21:447-462[5]王小睿,李軍等.模擬退火算法的改進(jìn)策略在模板匹配上的應(yīng)用.小型微型計(jì)算機(jī)系統(tǒng),1997,18（8）,32-37[6]AVERBUCHA,KELLERY.FFTbasedimageregistration.Proceedingsof2002IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing.Orlan-do,USA:IEEE,2002,4:3608-3611[7]MaesF,CollignonA,VandermeulenD,etc.Multimodalityimageregistrationbymaximizationofmutualinformation.IEEETransMedImaging,1997,16(2):187-198[8]Studholmec,HillDLG,HawkesDJ.Anoverlapinvariantentropymeasureof3Dmedicalimage.PatternRecognition,1999,32:71-86[9]HillDLG,StudholemC,HawkesDJ.Voxelsimilaritymeasuresforautomatedimageregistration.SPIE,1994,2359:205-216[10]FONSECALMG,COSTAMHM.Automaticregistrationofsatelliteimages.IEEEBrazilianSymposiumonComputerGraphicsandImageProcessing.CamposdoJordo,BRAZIL:IEEE,1997.219-226[11]HSIEHJW,LIAOHYM,FANKC,etc.Imageregistrationusinganewedge-basedapproach.ComputerVisionandImageUnderstanding,1997,67(2):112-130[12]鈕永勝.可見(jiàn)光與熱紅外圖像配準(zhǔn)技術(shù)研究[博士后出戰(zhàn)報(bào)告].北京理工大學(xué)光電工程系,1999[13]賈春光,呂維雪等.醫(yī)學(xué)圖像的匹配方法.國(guó)外醫(yī)學(xué)生物醫(yī)學(xué)工程分冊(cè),1998,21（3）,140-149[14]MaurerJrAC,MaciunasRJ,FitzpatrickJM.RegistrationofheadCTimagestophysicalspaceusingaweightedcombinationofpointsandsurfaces.IEEETransMedImaging,1998,17(5):753-761[15]Petra,CopperJ,etc.Asurveyofimageregistrationtechniques.ACMComputingSurveys,1992,24(4):325-376[16]謝曉鋒,楊之廉等.微粒群算法綜述.控制與決策,2003,18（2）,129-130[17]KennedyJ,EberhartR.Particleswarmoptimization.ProcIEEEIntConfonNeuralNetworks.Perth,1995:1942-1948[18]EberhartR,KennedyJ.Anewoptimizerusingparticleswarmtheory.6thIntSymposiumonMicroMachineandHumanScience.Nagoya,1995:39-43[19]ShiYuhui,EberhartR.Amodifiedparticleswarmoptimizer.ProcIEEEIntConfonEvolutionaryComputation.Anchorage,1998:69-73[20]Jiann-Derlee,Chung-HsienHuang,etc.ImprovedaccuracyofbrainMRI/SPECTregistrationusingatwo-clusterSPECTnormalizationalgorithmandacombinativesimilaritymeasure:applicationtotheevaluationofParkinson’sdisease,AnnNuclMed,2007,21-201[21]RitterN,andEikelboomRH.Registrationofstereoandtemporalimagesoftheretina.IEEETransonMedicalImaging,1999,18(5):404-418[22]張汗靈,楊帆.基于互信息和混合優(yōu)化算法的多模醫(yī)學(xué)圖像配準(zhǔn).湖南大學(xué)學(xué)報(bào)（自然科學(xué)版）,2006,33（1）,117-120[23]ViolaP,WellsW.Alignmentbymaximizationofmutualinformation[C]//In:Proceedingsofthe5thInternationalConferenceonComputerVision.Boston:MA,1995:16-23[24]陳煜,田裕鵬.圖像融合中的圖像配準(zhǔn)方法.激光與紅外,2004,34（1）,17～26[25]謝曉鋒,楊之廉等.微粒群算法綜述.控制與決策,2003,18（2）,129-130[26]王進(jìn),季薇,鄭寶玉.粒子種群優(yōu)化（PSO）算法的性能研究.南京郵電學(xué)院學(xué)報(bào),2005,25（4）,25-31[27]朱齊亮,樊要玲等.基于互信息的醫(yī)學(xué)圖像配準(zhǔn)中的優(yōu)化算法.科技信息,2007,（32）,368[28]梁瑋,羅立民等.基于互信息的2D-3D醫(yī)學(xué)圖像配準(zhǔn).生物醫(yī)學(xué)工程研究,2004,23（1）,14-15[29]周友兵.基于歸一化互信息的CT-MRI腦圖像配準(zhǔn).現(xiàn)代電子技術(shù),247（8）,102[30]劉貴喜,楊萬(wàn)海.基于小波分解的圖像融合方法及性能評(píng)價(jià).西安電子科技大學(xué)自動(dòng)化學(xué)報(bào),2002,28（6）,27-45致謝到這里畢業(yè)設(shè)計(jì)也接近尾聲了，回顧整個(gè)設(shè)計(jì)過(guò)程，感慨良多，有不會(huì)做時(shí)的煩惱，也有有進(jìn)展時(shí)的快樂(lè)，通過(guò)這次的設(shè)計(jì)讓我真正學(xué)會(huì)了如何分析問(wèn)題如何解決問(wèn)題，也學(xué)會(huì)了很多以前不會(huì)的不懂的東西，這些對(duì)我今后的學(xué)習(xí)無(wú)疑是一個(gè)很大的幫助。這除了我的努力外，更多的還是來(lái)自于老師和同學(xué)的幫助和鼓勵(lì)。首先我要感謝我的指導(dǎo)老師。在整個(gè)設(shè)計(jì)的過(guò)程中，老師不斷的給我鼓勵(lì)，并且提供了許多資料來(lái)幫助我完成設(shè)計(jì)。衷心地感謝侯老師！其次，我要感謝我的同組人員，在設(shè)計(jì)中，我們不斷地相互交流著，學(xué)習(xí)著。也正是他們的美好友誼使得我在十分沮喪的時(shí)候能堅(jiān)持到底。真心地謝謝我的伙伴們。即將畢業(yè)了，就要離開(kāi)親愛(ài)的母校，親愛(ài)的同學(xué)了，心中有太多的不舍。真誠(chéng)的祝愿母校越來(lái)越好，老師們一切順利，同學(xué)們夢(mèng)想成真。我也會(huì)努力拼搏，走好我的路！附錄%讀入圖像globalI[filename1,pathname1]=...uigetfile({'*.*';'*.bmp';'*.tif';'*.png';'*.gif';'*.jpg'},'selectpicture');handles.filenameI=[pathname1filename1];I=imread(handles.filenameI);axes(handles.image_axes1);imshow(I);%讀入待配準(zhǔn)圖像globalJ[filename2,pathname2]=...uigetfile({'*.*';'*.bmp';'*.tif';'*.png';'*.gif';'*.jpg'},'selectpicture');handles.filenameJ=[pathname2filename2];J=imread(handles.filenameJ);axes(handles.image_axes2);imshow(J);%最優(yōu)化算法選擇"PSO"和"POWELL"popupmenu1string=get(handles.OA_popupmenu,'string');popupmenu1value=get(handles.OA_popupmenu,'value');popupmenu1context=get(handles.OA_popupmenu,{'value','string'});vvv1=deblank(popupmenu1context{2}(popupmenu1context{1}));handles.OAname=vvv1{1};%選擇互信息尺度函數(shù)（MI）popupmenu2string=get(handles.popupmenu2,'string');popupmenu2value=get(handles.popupmenu2,'value');popupmenu2context=get(handles.popupmenu2,{'value','string'});vvv2=deblank(popupmenu2context{2}(popupmenu2context{1}));handles.vvv2=vvv2switchvvv2{1}case{'MI','EMI','HiMI'}set(handles.edit1,'visible','on');set(handles.edit2,'visible','on');handles.Interpalotion={'MI','EMI','HiMI'}NumOfVar=0;case'RMI'set(handles.edit1,'visible','on','string','9');set(handles.edit2,'visible','on');handles.Interpalotion='RMI'NumOfVar=1;case'GMI'set(handles.edit1,'visible','on','string','0.5');set(handles.edit2,'visible','on');handles.Interpalotion='GMI'NumOfVar=1;case'FPMI'set(handles.edit1,'visible','on','string','3');set(handles.edit2,'visible','on','string','null');handles.Interpalotion='FPMI'NumOfVar=2;endhandles.NumOfVar=NumOfVar;handles.MIname=vvv2{1};%顯示圖像出錯(cuò)程序set(handles.text6,'string','ResultOfRegistration&MIValue');axesIbox=get(handles.showRI_axes,'box');axesJbox=get(handles.showFI_axes,'box');ifstrcmp(axesIbox,'off')|strcmp(axesJbox,'off')errordlg('請(qǐng)選擇配準(zhǔn)圖像','錯(cuò)誤')error('未選擇配準(zhǔn)圖像')endglobalIJ;handles.isSameSizeIJ=strcmp(size(I),size(J));ifhandles.isSameSizeIJ~=1errordlg('請(qǐng)選擇相同尺寸的圖像','錯(cuò)誤')error('配準(zhǔn)圖像大小不同')endI=imread(handles.filenameI);J=imread(handles.filenameJ);handles.I=I;handles.J=J;%程序設(shè)計(jì)的核心handles.edit1visible=get(handles.edit1,'visible');%獲取窗口on、off信息handles.edit2visible=get(handles.edit2,'visible');edit1visible=strcmp(handles.edit1visible,'on');%比較字符是否相同。為了后面的判斷用edit2visible=strcmp(handles.edit2visible,'on');ifedit1visible==1%如果輸入第一個(gè)參數(shù)，則獲取該參數(shù)handles.edit1string=get(handles.edit1,'string');handles.var1=str2num(handles.edit1string);endifedit2visible==1%如果輸入第二個(gè)參數(shù)，則獲取該參數(shù)handles.edit2string=get(handles.edit2,'string');%handles.var2=str2num(handles.edit2string{1});handles.var2=str2num(handles.edit2string);end%整個(gè)程序的核心switchhandles.OAnamecase'PSO'out=PSO(handles);case'POWELL'out=POWELL(handles);endhandles.out=out;%終結(jié)x=out(1);y=out(2);ang=out(3);miValue=out(4);FinalResult=['X,Y,Angle=',num2str(x)',',num2str(y)',',num2str(ang),'MI_Value=',num2str(miValue)];axes(handles.showresult_axes)Q=restore(handles);%獲取將”固定圖像“和”校正圖像“的邊緣重疊，以觀察配準(zhǔn)效果imshow(Q)set(handles.text6,'string',FinalResult);目錄目