一种基于互信息的非刚性声纳图像配准方法

摘要

本发明属于声纳图像处理领域，具体涉及一种基于互信息的非刚性图像配准方法。本发明包括：确定并提取浮动图像的梯度信息；将梯度信息和互信息的结合，构建联合互信息量；以联合互信息量作为相似性测度，进行全局刚性配准；根据全局刚性配准结果，结合Active Demons模型进行非刚性声纳连续帧图像配准。本发明在配准的鲁棒性与准确性均有显著的提高。互信息的计算精度被极大的提高。

主权项

一种基于互信息的非刚性声纳图像配准方法，其特征在于，包括如下步骤：（1）确定并提取浮动图像的梯度信息：对声纳图像中大小均为M×N的参考图像r，浮动图像f，设定阈值： Th = 1 2 Σ x = 1 M Σ y = 1 N | ▿ r ( x , y ) | 2 M × N , 其中，M，N为参考图像大小，|▽r(x,y)|为参考图像中像素点(x,y)的梯度模值，将小于阈值的梯度方向角调整为0， α r ( x , y ) f ( x , y ) = arccos ▿ r ( x , y ) · ▿ f ( x , y ) | ▿ r ( x , y ) | · | ▿ f ( x , y ) | | r ( x , y ) | > Th 0 | r ( x , y ) | < Th , 计算参考图像和浮动图像对应像素点的梯度权函数： ω ( α r ( x , y ) , f ( x , y ) ) = cos ( 2 α ) + 1 2 , 计算参考图像和浮动图像对应像素点的梯度模值： g r ( x , y ) , f ( x , y ) = min ( | ▿ r ( x , y ) | , | ▿ f ( x , y ) | ) max ( | ( ▿ r ( x , y ) | , | ▿ f ( x , y ) | ) max ( | ▿ r ( x , y ) | , | ▿ f ( x , y ) | ) ≠ 0 1 max ( | ▿ r ( x , y ) | , | ▿ f ( x , y ) | ) = 0 , 获得梯度项系数： IG ( r , f ) = Σ r , f ∈ R ∩ F ω ( α r ( x , y ) , f ( x , y ) ) · g r ( x , y ) , f ( x , y ) ) , 对梯度项系数进行归一化： NIG ( r , f ) = IG ( r , f ) count ( r , f ) , 其中，count(r,f)表示r，f重叠区域像素的总个数；（2）将梯度信息和互信息的结合，构建联合互信息量：IGMI=NIG(r,f)·NMI(r,f)，其中，NMI(r,f)为归一化互信息值；（3）以联合互信息量作为相似性测度，进行全局刚性配准；将IGMI作为图像配准中的相似性测度，对声纳图像进行配准；（4）根据全局刚性配准结果，结合Active Demons模型进行非刚性声纳连续帧图像配准：其中Gσ表示高斯滤波器，v表示从浮动图像向参考图像变化的速度场，▽r为r的梯度向量，▽f为f的梯度向量，α表示系数，可以控制扩散速度的大小，β表示权重系数。