基于雙向異步投票策略的醫(yī)學(xué)圖像特征點匹配

摘要：圖像特征點匹配作為圖像處理領(lǐng)域的一項基本技術(shù)，在臨床醫(yī)學(xué)圖像處理中具有很重要的意義，本文根據(jù)醫(yī)學(xué)圖像的特點提出一種基于雙向異步投票策略的特征點匹配方法。首先，利用改進的harris角點檢測算子提取圖像角點作為圖像的特征點；接著，采用本文提出的基于雙向異步的投票策略的角點匹配算法來完成角點的粗匹配，使待拼接圖像的特征點大致對應(yīng)；然后利用RANSAC優(yōu)化算法剔除誤匹配，使特征點達到精確匹配。

關(guān)鍵詞：特征點匹配；投票策略；圖像拼接

醫(yī)學(xué)影像學(xué)是現(xiàn)代醫(yī)學(xué)的主要組成部分之一，醫(yī)學(xué)圖像是醫(yī)生用來診斷疾病和確定治療方案的主要依據(jù)之一。醫(yī)學(xué)圖像配準、醫(yī)學(xué)圖像拼接以及醫(yī)學(xué)圖像的三維重建等圖像處理技術(shù)具有重要的臨床應(yīng)用價值。圖像特征點不僅能反映圖像的大致輪廓，而且對噪聲、角度、尺度等不敏感，并能大大較少計算量，因此基于特征點的配準、拼接等技術(shù)應(yīng)用較為廣泛[1，2]。但這些技術(shù)的關(guān)鍵在于如何提取圖像特征點，以及如何使特征點達到精確匹配。

醫(yī)學(xué)圖像與其它圖像相比，具有噪聲大、圖像細節(jié)多、對比度低等特點，本文采用對噪聲、旋轉(zhuǎn)不敏感的Harris改進算法[3，4]提取圖像的角點作為特征點。另外，人體解剖結(jié)構(gòu)存在相似性及對稱性，因此采用一般的方法很難做到特征點的精確匹配，從而嚴重影響圖像的后期處理。根據(jù)醫(yī)學(xué)解剖圖像的空間幾何變換屬于剛體變換[5]或近視為剛體變換，如脊柱、骨骼以及顱骨固定的大腦等圖像，本文提出一種基于雙向異步投票策略的特征點匹配算法。

1 角點投票策略

1.1投票策略 投票選舉[6]是生活中很常見的一種選舉方法，屬于社會選擇理論，且取得了很大的成效。由于兩個特征空間內(nèi)的角點匹配問題，從某種角度講可以認為角點匹配就是待配準圖像的角點之間按照某種規(guī)則進行一一選擇?；诖耍覀儗⑼镀辈呗詰?yīng)用于角點匹配當中，且算法的有效性已經(jīng)得到錢為等人[5]的證明。具體思想如下。

首先對投票選舉進行角色分配，如表1所示。

投票標準：特征空間A中角點間距離與特征空間B中角點間距離相等的個數(shù)作為每個候選者針對每個競爭職位所得的票數(shù)，票數(shù)最多著為相應(yīng)職位的勝出者。

投票規(guī)則：采用黑盒式投票，即每個候選者均可參與全程職位競爭，且每個在一個職位競爭中勝出者仍可參與其它職位的競爭，即投票過程當中，不進行投票結(jié)果的揭露。

根據(jù)文獻[5]可得具體投票思想如圖1所示。

當然，此種投票方式很可能出現(xiàn)\"一對多\"的現(xiàn)象，并不能使各角點達到一一對應(yīng)，也會嚴重影響優(yōu)化最佳變換模型的速度。基于此問題，本文提出如下的基于雙向異步投票的思想進行角點匹配。

1.2基于雙向異步投票策略的角點匹配 所謂\"雙向\"投票是指兩個特征空間互相對對方投票選擇，即當表1中的\"候選者\"對\"競選職位\"可進行角色互換，彼此對對方進行競選。若所有的成員都參與兩輪競選的話，尤其是孤立的特征點（沒有與之匹配的角點）或者噪聲點的參與，會嚴重影響角點匹配過程的計算速度?；诖藛栴}，本文提出\"雙向競選\"需建立在異步的基礎(chǔ)上，即必須在第一輪競選結(jié)束后，才能進行角色互換，并且在角色互換前應(yīng)剔除一些已經(jīng)篩選出來的孤立點和噪聲點。異步雙向投票的示意圖如圖2所示。

具體實現(xiàn)步驟如下所述。

1.2.1按照圖1所示的投票競選流程圖所示進行第一輪投票競選，并暫時保存第一輪\"投票競選\"結(jié)果。

1.2.2剔除特征空間B中的孤立點：因為是以A中所有點作為\"競選職位\"進行投票，那么通過第一輪競選后，B中未找到與之匹配的點可認為是孤立點，剔除孤立點后的特征空間B另記為新的特征空間B'，但要保留特征點原來的序號。

1.2.3第二輪投票競選：此輪投票可按照以下步驟進行。

1.2.3.1重新分配投票當中的角色：將特征空間B'作為\"競選職位\"，特征空間A為\"候選者\"，其他角色不變。

1.2.3.2計算特征空間B'內(nèi)各個角點間的歐式距離矩陣 T。

1.2.3.3掃描第一輪的投票結(jié)果，若顯示A中Pi與B中^Pj匹配，那么就比較R中第i行與 T中各行相等的元素個數(shù)，若^Pj所得票數(shù)最多，那么可以確定Pi 與^Pj成功匹配，不再參與其他角點的匹配；若不成功，則進行其他點的投票匹配。

1.2.3.4第二輪投票結(jié)束后，若還存在\"一對多\"的現(xiàn)象，可剔除A中孤立點，將新的特征空間記為A'，然后按照步驟1～3進行二次投票。

由于我們在角點提取的時候，加入了區(qū)域因子和距離因子，因此在實際的角點匹配當中，步驟3結(jié)束就會準確找出一一對應(yīng)的匹配點。

2 結(jié)果與討論

對來自醫(yī)學(xué)影像技術(shù)論壇的兩幅待拼圖像進行試驗結(jié)果如下。采用單向投票以及異步雙向投票策略進行的角點匹配結(jié)果如圖3、圖4所示。

在角點初始匹配的基礎(chǔ)上，采用RANSAC算法剔除誤匹配，并優(yōu)化估計出最佳變換模型，角點最終匹配結(jié)果如圖5所示。

從圖3、圖4可以明顯看出，單向投票策略中避免不了\"一對多\"的現(xiàn)象發(fā)生；而基于異步雙向投票的角點匹配算法避開了\"一對多\"的現(xiàn)象，并且算法中并沒采用\"二次投票\"。本實驗中的異步雙向投票策略角點匹配算法的運行時間只需幾毫秒（采用VC++6.0編程）。。

3 結(jié)論

本文根據(jù)醫(yī)學(xué)圖像的特點，提出的基于雙向異步投票策略的角點匹配算法不僅能有效避免匹配當中的\"一對多\"現(xiàn)象，更能有效正確找出匹配點。并且粗匹配的高精度也有效減少了優(yōu)化算法的工作量。

文中的基于雙向異步投票策略的角點匹配算法，是采用像素點的歐氏距離作為投票標準，只能應(yīng)用于圖像的剛性變換。設(shè)想，利用仿射變換的性質(zhì)：變換后平行關(guān)系不變，在文中投票算法中引入\"方向一致性\"或馬氏距離作為投票標準，解決圖像的仿射變換配準問題。

參考文獻：

[1]AGFA company，ADC compact full-leg/full-spine application software user manual[M].published by Agfa-Gevaert N.V.，B-2640 Mortsel-Belgiun 2214A GB 1998，11

[2]P.Smith，D.Sinclair，R.Cipolla，K.Wood.Effective Corner Matching[J].British Machine Vision Conference

[3]C.HarrisandM.J.Stephens.A combined corner and edge detector[J].In Alvey V-ision Conference，1988，147-152.

[4]ZHANG Xiao-hong.LI Bo.YANG Dan A novel Harris multi-scale comer detection algorithm[J].]Journal of Electronics and Information Technology，2007（07）.

[5]QIAN Wei，F(xiàn)U Zhi-zhong，LIU Ling-qiao，etc.Voting-strategy-based Approach to Image Registration[J].Opto-Electronic Engineering，Oct，2008.

[6]Klaus Nehring，Clemens Puppe.Efficient and strategy-prof voting rules：A characterization[J].Games and Economic Behavior，2007（59）：132-153.

[7]Fischler MA，Bolles RC.Random sample consensus：A paradigm for model fitting with applications to image analysis and automated cartography[J].CACM，198 1，24（6）：381-395.

編輯/蔡睿琳