一种多相似性测度图像配准方法

摘要

本发明公开了一种多相似性测度图像配准方法，主要包括以下步骤：(1)根据退火系数设置当前温度，在变换空间内选取单纯形各顶点，并计算各顶点的互信息值，采用可变多面体搜索方法搜索单纯形顶点的局部极小点，记为最优解；(2)获取最优解邻域的采样数列，选择不同相似性测度作为证据测度，计算相似性测度在邻域的采样数列下的函数值作为证据样本值，按照证据样本值计算证据测度的基本概率分配，并对基本概率分配进行融合，根据融合结果对最优解进行判决，获取决策结果；(3)根据决策结果更新退火系数，转入步骤(1)；(4)记最优解为配准最终解，输出。本发明克服了单一测度配准方法容易陷入局部极值的问题，提高了配准精度和可靠性。

主权项

1.一种多相似性测度图像配准方法，其特征在于，本发明按照以下步骤完成：步骤①设置初始温度t₀和退火系数λ初值，令循环次数h＝1；步骤②计算第h次循环时的温度值t_h＝λt_h-1，t_h-1。为第h-1次循环时的温度值；步骤③在变换空间内随机选取单纯形的各顶点，m＝1，2，…，5，并按照公式(1)计算基准图像和浮动图像在单纯形各顶点的互信息值，m＝1，2，...，5， $f_{{\bar{\alpha }}_{\mathrm{SM}}}^m=\underset{e,f}{\Sigma }{p}_1(e,f){\log }_2\frac{p_1(e,f)}{p_2\left(e\right)p_3\left(f\right)}+t_h\log \left(\mathrm{rand}\left(\right)\right),m=\mathrm{1,2},...,5---\left(1\right)$其中，e和f分别表示基准图像和浮动图像的像素灰度值，p₁(e，f)表示基准图像和浮动图像的像素灰度值联合概率密度分布函数，p₂(e)表示基准图像的像素灰度值概率密度分布函数，p₃(f)表示浮动图像的像素灰度值概率密度分布函数，rand()返回0～1内均匀分布的随机变量；步骤④根据互信息值，m＝1，2，...，5，采用可变多面体搜索方法搜索单纯形顶点，m＝1，2，...，5的局部极小点，记该局部极小点为最优解；步骤⑤若气t_h＜t_min，t_min为预定的终止温度，进入步骤⑩；否则，进入步骤⑥；步骤⑥若t_ε≤t_h，t_ε为预定的温度阈值，则h＝h+1，转入步骤②；否则，进入步骤⑦；步骤⑦对最优解进行判决：获取最优解邻域的采样数列，选择不同相似性测度作为证据测度，计算相似性测度在最优解邻域的采样数列下的函数值作为证据样本值，根据证据样本值计算证据测度的基本概率分配，并对基本概率分配进行融合，根据融合结果计算决策上变量r₁和决策下变量r₂，参照决策上变量r₁和决策下变量r₂对最优解进行判决，获取决策结果V；步骤⑧按照公式(2)更新退火系数λ； $\lambda =\left\{\begin{array}{cc}{\lambda }_c^{(1+{ϵ}_1/r_1),}& V=\mathrm{True}\\ {\lambda }_c^{-(1+{ϵ}_2/r_2),}& V=\mathrm{False}\\ {\lambda }_c& V=\mathrm{Question}\end{array}\right.---\left(2\right)$其中，λ_c为预定的退火常数，ε₁为预定的决策上阈值，ε₂为预定的决策下阈值；步骤⑨h＝h+1，转入步骤②；步骤⑩记最优解为配准最终解，输出最终解。