張群藝 楊?yuàn)^林
摘 要:引入符號(hào)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(hào):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(duì)齊圖像,并在顯示同一對(duì)象的不同視圖的圖像中建立特征之間的對(duì)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(duì)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(hào)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.