張群藝　楊?yuàn)^林

摘 要：引入符號函數(shù)建立了兼顧位移場光滑與不連續(xù)的自適應(yīng)全變分配準(zhǔn)模型，并給出了有效的不動(dòng)點(diǎn)迭代方法。實(shí)驗(yàn)表明，由自適應(yīng)全變分模型得到的圖像比全變分配準(zhǔn)模型的效果更好，花費(fèi)時(shí)間更少。

關(guān)鍵詞：圖像配準(zhǔn);自適應(yīng);全變分;不動(dòng)點(diǎn)方法

中圖分類號：BT

文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.19311/j.cnki.1672-3198.2020.19.096

0 引言

圖像配準(zhǔn)是醫(yī)學(xué)圖像應(yīng)用中最困難的任務(wù)之一。配準(zhǔn)的目的是自動(dòng)對齊圖像，并在顯示同一對象的不同視圖的圖像中建立特征之間的對應(yīng)關(guān)系。成功配準(zhǔn)后，可以將來自不同圖像的信息進(jìn)行比較，組合或融合，以完成進(jìn)一步的任務(wù)。

基于變分的圖像配準(zhǔn)結(jié)合了位移場形變的本質(zhì)特征，是圖像配準(zhǔn)中一類重要的方法。變分模型是圖像配準(zhǔn)應(yīng)用中非常有效的工具。擴(kuò)散模型是比較簡單的模型，能產(chǎn)生光滑的位移場，采用AOS方法可快速求解。TV配準(zhǔn)能保留位移場不連續(xù)。本文兼顧位移場的光滑與不連續(xù)，提出一種改進(jìn)的自適應(yīng)TVp配準(zhǔn)模型，并給出了不動(dòng)點(diǎn)迭代方法求解。

表1顯示TVP配準(zhǔn)的相似性測度比TV配準(zhǔn)少3.9241，TVP配準(zhǔn)的誤差相對于TV配準(zhǔn)減少了近0.86%，且迭代時(shí)間及步數(shù)約TV配準(zhǔn)的50%。

4 結(jié)語

本文將TVP模型引入圖像配準(zhǔn)，利用符號函數(shù)將模型正則項(xiàng)變?yōu)槿菀浊蠼獾膬绾瘮?shù)。該模型提高了TV模型的配準(zhǔn)質(zhì)量，花費(fèi)時(shí)間更短，迭代步數(shù)更少，誤差更低。

參考文獻(xiàn)

[1]Fischer B， Modersitzki J. Fast diffusion registration[J]. Contemporary Mathematics，2002，313：117-129.

[2]Frohn-Schauf C， Henn S， Witsch S. Multigrid based total variation image registration[J]. Computing and Visualization in Science，2008，11（2）：101-113.

[3]Vogel C R， Oman M E. Iterative Methods for Total Variation Denoising[J]. SIAM Journal on Scientific Computing，1996，17（1）：227-238.

[4]Blomgren P， Chan T F， Mulet P， et al. Total variation image restoration： Numerical methods and extensions[C]. IEEE International Conference on Image Processing，1997，3：384-387.

[5]Blomgren P， Chan T F， Mulet P. Extensions to total variation denoising[J]. Proceedings of SPIE the International Society for Optical Engineering，1999，3162：367-375.

[6]Chen Q， Montesinos P， Sun Q S， et al. Adaptive total variation denoising based on difference curvature[J]. Image and Vision Computing，2010，28（3）：298-306.