医学图像配准技术是近年来医学图像处理领域中的关键技术之一,具有很高的临床和实践意义。由于人体内部软体组织形态的多变性,采集到的医学图像往往同时存在刚性形变和非刚性形变,传统的图像配准技术,如经典的基于B样条方法在对这类同时存在两种形变的图像进行配准时,如果存在较大的仿射变换,容易造成局部极值问题导致配准失败。针对这一问题,提出一种结合深度学习与SIFT尺度不变特征转换)的多尺度B样条配准方法。首先用SIFT对图像进行仿射变换,然后B样条进行局部形变校正,同时引入多分辨率策略,降低计算的复杂度,提高精度。最后利用超像素重建方法,消除低尺度配准时造成的图像失真问题。实验结果表明,本文算法针对同时存在2种形变的图像,解决传统B样条算法配准失败的问题,在NMI(互信息)与SSIM(结构相似性)评价下相对传统B样条算法配准性能得到大幅度提升。仿射变换时，基于B样条的算法存在局部极值问题，导致配准失败。本文由张家港倒角机网站采集转载中国知网网络资源整理! http://www.daojiaoji.cc   针对这一问题本文结合SIFT与B样条算法，提出了基于超分辨率重建的多尺度B样条配准算法。1算法框架首先通过SIFT对医学图像进行仿射变换，然后利用高斯金字塔对图像进行尺度变换，得到低尺度下的图像，用该图像进行B样条配准后最后经过超分辨率重建还原到原始图像分辨率大小，该算法不仅减少了配准时间同时也保证了图像质量。算法流程如图1所示图1本文算法流程图Fi配准SIFT是文献［11］提出的一种基于特征的图像配准算法，该方法在尺度缩放、光照变化样条医学图像配准-电动滚圆机滚弧机折弯机张家港数控滚圆机滚弧机倒角机、图像旋转和仿射变换等条件下都能获得良好的匹配结果。SIFT算法的主要步骤包括:(1)提取2幅图像的SIFT特征点;(2)匹配这些特征点;(3)通过匹配的特征点计算仿射变换矩阵;(4)对需要配准的图像进行仿射变换。为了让计算机在不同的图像尺度下感知是同一物体，需要让计算机预先知道图片在不同视觉程度上的信息。在实际中如果离物体远，则在视觉上感觉很小，随着距离的缩小，视觉上就逐渐变大，最后变模糊，所以可以用高斯核函数来描述这一过程。用9个尺度不同的高斯掩模分别对中值滤波之后的图像卷积，得到9种在不同高斯掩模处理的图片由图5可以看出，虽然对图像进行了旋转、尺度等变化，但局部形变依然没有得到很好的配准。将经过SIFT特征配准后的图像作为基于深度学习的B样条配准的输入，同时也作为传统B样条配准的输入，最后对比二者与原图的NMI(互信息)和SSIM(结构相似性)作为评价指标。由图6(a)可知，由于图像存在较大仿射变换，传统B样条局部会严重扭曲，导致配准失败。图5(c)为多尺度B样条配准结果，虽然在形变上做到了配准的要求，但是由于多尺度和降采样的原因使得图像模糊不清。图(d)基于深度学习的配准算法，通过超像素重建，图像在清晰度上获得了较大质量的提升，实验结果见表1。!"#!"，利用的高斯掩模函数如下:Gi(x，y)=Ki12πσi2e－(x－mi/2)2+(y－ni2)2σi2(1)其中，Gi(x，y)代表第i个高斯掩模样条医学图像配准-电动滚圆机滚弧机折弯机张家港数控滚圆机滚弧机倒角机本文由张家港倒角机网站采集转载中国知网网络资源整理! http://www.daojiaoji.cc