互信息
[3]
、傅里叶变换等等方法。其中互相关算法是以待配准图像灰度值之间的
互相关评价指标来度量,采用窗口搜索方式,针对不同窗口模板进行互相关矩阵
计算,当互相关评价指标达到最大时,便可以根据当前窗口位置确定匹配关系。
这种方法的缺点在于需要参与计算量过大,并且图像对在不同的模态下存在不同
形式的畸变,会严重影响匹配效果。而互信息的算法脱胎于信息论,主要强调信
息间包含程度,重合度越高,相似度越高,相关性则越大,互信息也就越大。早
在 2006 年,哈工大就提出基于最大互信息的人脑多模图像快速配准算法
[4]
,对
预处理后的数码图像和 MRI 图像,首先提取图像的轮廓,采用基于轮廓的力矩主
轴法计算初始平移量和旋转量,然后设定初始缩放系数,将此初始配准参数作为改
进单纯形法的初始参数,以互信息作为相似性测度迭代搜索,使互信息最大,从而
实现最佳配准。2011 年,北京航空航天大学提出了基于感兴趣区域互信息的多
模图像配准方法
[5]
,该算法从两个方面做了改进,首先,为了提高算法性能,对图像
做了预处理抑制噪声,然后通过对图像进行灰度级降采样操作,合理选择较少的灰
度级达到减少计算量的目的;其次,提取图像中复杂度高的区域作为感兴趣区域来
代替整幅图像进行配准,这样不仅可以提高像素灰度在互信息计算中的可用性,同
时可以提高互信息配准方法的配准效率和精度。之后,上海交通大学又在 2012
年提出基于加权互信息的多模图像配准算法
[6]
,通过全局滤波和边缘提取进行图
像预处理,突出图像特征,采用加权互信息方法实现配准,实验结果表明,该算法能
够提高多模图像配准的准确率,加快匹配速度。2016 年,苏州大学也提出了一种
互信息与梯度信息结合的多模图像配准方法
[7]
,首先,对正侧面图像进行小波分解,
获得低分辨率子图像并配准,使用粒子群优化(particle swarm optimization,PSO)算
法进行全局寻优;然后,根据配准结果,判断互信息与梯度信息配准结果是否正确,
如果配准错误,则在下一阶段中不使用该结果作为配准依据;最后,以 PSO 算法寻
优结果作为 Powell 算法的寻优初始点,对原始正侧图像进行精确配准。
采用傅里叶公式配准的算法
[8]
对于存在位移、旋转和尺度变换的配准任务也
十分有效。在图像配准任务当中,位相关技术
[9]
同样是一种针对存在平移关系的
配准任务十分有效的配准算法。此外还有一些类似相关的方法,如采用交叉相关
函数相似度配准法等。