结构
[7
,
8]
。检测到的点应该独立于任何改变,包括噪
声、模糊、对比度和几何变化。
在检测到控制点之后,下一步是获得代表处理图像中的
关键信息的这些点。提取这些点可以手动或自动完成
[9]
。
所提取的点可以是简单的点,例如包括均值和方差的统计
点。此外,它可以是复杂的,例如纹理点
[10]
。无论提取
的点的类型如何,它们都必须保证某些特性。这些特征是
对空间相邻点的区分、对原始图像变化的不变性、对噪声
的鲁棒性、计算效率和可比性,以便于检测其他图像中的
对应点
[11]
。
然后使用图像描述符来表示提取的临界点,以帮助估计
图像之间的相似性。因此,所有关键信息以及任何其他内
容信息也应包括在图像描述中。其目的是促进除图像内容
外的视觉查询的可访问性
[12]
。
减少用于进一步识别或匹配过程的提取点的数量是点选
择步骤的目的。所选点必须具有两个特征
[7]
。首先,它们
必须相互独立,以避免冗余信息。第二,它们必须提供关
于所识别的对象的完整信息,以确保在区分不同对象时最
少模糊。
然后,应用点模式匹配方法,旨在建立图像的控制点之
间的对应关系。目的是确定正确和不正确的对应关系。一
些控制点可能是异常值,而其他控制点可能由于噪声或其
他因素而略微偏离其真实位置
[7]
。
在接下来的步骤中,应用鲁棒参数估计和变换函数。这
样的函数的目的是使用控制点的所确定的对应性来估计在
图像配准中使用的变换函数的参数。许多估计器可用于执
行所需的参数,例如普通最小二乘(
OLS
)估计器、加权
最小二乘(
WLS
)估计器、尺度(
S
)估计器等
[7]
。
在定义相应控制点的坐标之后,变换函数估计图像之间
的几何关系。可以根据需要配准的图像的几何形状对变换
函数进行分类,但由于每个函数的优缺点,很难找到一个
对所有类型图像都更好的单一变换函数。在
transformation
函数中有很多理想的属性,如
[7]
:
单调性:确保变换函数不会产生高波动和超出控制
点。
适应密度和点
接下来在医学配准部分中给出了转换类别的详细描述。
在图像重建步骤中,扫描参考图像,并且对于该图像中的
每个点,将感测
图像确定。已发展出各种方法来估计所需的坐标。通常,
速度和精度是评价这些方法性能的主要关键因素
[7]
。最
后,图像合成步骤将配准的图像组合成称为合成图像或马
赛克图像的较大图像。由于采集过程中的环境和传感器参
数,配准图像的重叠区域可能具有不同的坐标
2.2.
特征提取
在该步骤中,配准图像的特性特征被提取并为每个输入图
像产生一个或多个特征图
[4]
。
2.3.
决策标注
基于给定的准则,通过应用决策算子产生一组决策图,该
决策算子旨在标记正则图像
2.4.
语义等价
在某些情况下,所获得的特征
/
决策图可能不涉及相同的对
象
/
现象。在这些情况下,语义等价被应用于将这些映射链
接到共同的对象
/
现象,以促进融合过程
[13]
。重要的是要
注意,对于从相同类型的传感器获得的输入,这样的过程
是不必要的。
2.5.
辐射定标
在该步骤中,将空间对齐的输入图像和特征图转换为通
用尺度,以产生通用表示格式,作为即将到来的融合步
骤的输入
[13]
。
2.6.
图像融合
最后一步是将结果图像组合成单个输出图像,该输出图像
包含比任何输入图像更好的场景描述。图像融合的最终好
处是输出图像中包含的信息的质量。其他好处包括
[4]
:扩
展操作范围,扩展空间和时间覆盖范围,减少不确定性,
提高可靠性,实现强大的系统性能,以及更复杂地表示信
息。
3. 医学图像配准
如前所述,配准过程的最终目标是将一些感测图像中的对
应特征相对于参考对准。这样的过程对于实现聚变过程是
必不可少的。其重要性在于主要基于这些图像的对应特征
来执行的图像合并
/
融合。一直以来,提出了各种方法来执
行图像对准配准任务。这些方法可以根据标准的数量进行
分类,如图
4
所示
[15]
。的