基于等效子午面与互信息量的医学图像配准

提出了一种新的基于等效子午面和互信息量的三维医学图像快速配准算法--EMP-MI算法.传统的互信息量的方法需要考虑整个三维数据的信息,计算复杂度大,无法满足临床需要.而本算法将三维数据的配准转化为二维数据的配准,在保证精度的前提下,减少了配准所需时间.文中创新点在于利用主成分分析计算出图像的等效子午面并将图像转化到标准坐标系下,从而将质心和等效子午面粗配准,精细配准时只需要对浮动图像进行微小的调整计算等效子午面的互信息量,这就大大提高了配准速度,减少了陷入局部极值的可能.实验结果表明这种先整体后局部的方法能准确、快速地处理图像刚性配准问题,特别适用于三维医学图像的配准.     

基于区域特征的图像自动配准方法

通过分析比较不同配准方法的原理及优缺点,提出了一种基于图像区域特征的配准方法.算法首先对待配准图像进行自适应阈值分割,然后利用数学形态学方法进行区域轮廓提取优化,接着计算各区域的特征描述,最后以各特征向量距离最近区域的重心作为控制点集对图像进行配准.实验结果表明,该算法能够对图像进行快速准确的配准,而且具有纠正一定几何畸变的能力,是一种有效的自动配准方法.     

一种基于MFRAT和ICP的掌纹主线提取和配准算法

为提高受旋转和平移影响的掌纹图像的识别精度,文中采用一种基于方向最近邻域(DNN)搜索的迭代最近点(ICP)图像配准算法,对掌纹主纹线特征图像进行配准,同时在掌纹主纹线特征图像配准过程中采用粗配准和精配准相融合的配准方式.实验结果表明,该方法具有较高的计算效率和较好的抗旋转平移能力.     

图像配准的小波分解方法

提出了利用图像与其作小波分解后的近似分量的轮廓相似性，进行图像配准的一种方法．首先利用仿射变换和小波分解的理论，证明了该方法的正确性，并对求配准参数的运算量进行了分析；然后给出了利用该方法实现图像配准的步骤；最后结合MRI图像的配准，对该方法进行了实验验证．该方法能提高配准的速度，对实时图像配准具有实用价值．     

一种新的基于图像主轮廓的配准算法

文中提出了一种新的图像配准方法,可以很好解决图像配准中的平移和旋转问题(刚性变换问题)。算法的实现是首先得到待配准两幅图像的轮廓特征点(本文使用SUSAN边缘检测算法);再剔除虚假的特征点(噪声点)后,根据像素间的连通性判别准则,得到图像的主轮廓;最后以两幅图像的主轮廓信息,配准图像。实验证明,算法实现速度快,精度较高。     

基于小波分解和互信息的图像配准方法

根据小波分解和互信息测度的原理,提出一种快速的图像配准方法。首先,对原图像进行小波分解,在保证配准精度下对分解图像进行灰度压缩,以减少配准参数的计算量,并利用最大互信息准则和下降单纯形的搜索策略找到最优配准参数实现图像配准。实验结果表明,这种图像配准方法能在保证配准精度条件下,提高配准的速度。     

采用混合编程的医学图像配准

在确保低误配率的前提下,如何提高医学图像配准的精度与效率,是一项值得研究的重要课题。为了满足临床需要,提出一种混合编程的配准策略,即通过质心提取技术和小波分解图像的细节增强技术相结合的方式进行预配准,并在这个基础上基于图像的灰度信息,利用Powell优化算法和传统的基于最大互信息的相似性测度方法进行细配准,从而得到配准结果。另外,对Powell算法的一维搜索方式提出了有别于传统Brent算法的改进,使之在保证精度与效率的前提下更适用于图像配准。实验证明,提出的配准策略能很好地避免误配准,配准精度达到了亚像素级,配准的效率也符合临床需求。     

基于FAST和DAISY的遥感图像配准算法

图像配准是计算机视觉中诸多问题的基础,基于图像特征的配准方法仍然是该领域的研究热门。为了提高算法的效率,拥有更好的实用性,本文提出了一种基于FAST-DAISY的遥感图像配准方法。首先运用FAST算法提取特征点,提出分配主方向的方法,利用DAISY算法建立描述符,得到特征点集后,使用RANSAC(随机抽样一致性)算法剔除误匹配点对,最终估计仿射变换参数,利用二次线性插值法得到配准后的遥感图像。实验结果表明,本文算法对于平移、旋转、灰度差异、地物差异、位置差异、小尺度差异和噪声干扰的遥感图像有较好的配准效果,匹配时间通常介于SIFT算法和SURF-DAISY算法之间。综上所述,该算法在实用性上有较大优势。     

显式重定向的扩散张量图像配准

扩散张量图像配准算法是近年图像配准研究的热点与难点之一.针对配准中容易出现的局部极值和张量重定向问题,以欧氏距离为相似性测度,将张量重定向显式融入目标函数,采用模拟退火算法与Powell算法法相结合的混合优化策略,对临床使用的扩散张量图像DTI(Diffusion Tensor Images)进行配准实验.实验结果表明,该算法稳定性良好,在对扩散张量图像进行配准时,能有效保持扩散张量主特征方向与纤维走向的一致性,同时成功解决了局部极值的困扰,是一种实用的扩散张量图像配准方法.     

基于ICP和SVD的视网膜图像特征点配准算法

视网膜图像配准是视网膜眼底疾病诊断及激光治疗中的关键一步 .针对荧光造影视网膜图像和无赤光视网膜图像的特点 ,提出一种采用迭代最近点 (ICP)和奇异值分解 (SVD)的方法 ,用于视网膜图像之间的配准 .即用 ICP算法确定两个特征点集的对应性及点集数目不等的问题 ,用 SVD方法求解空间变换参数 .实验证明在一个点集数目缺少75 %的情况下 ,算法仍然能达到较好的配准精度 ,可以满足荧光造影和无赤光视网膜图像之间的配准 ,且具有运算速度快的特点     

广义主分量分析及人脸识别

传统的主分量分析和Fisher线性鉴别分析在处理图像识别问题时都是基于图像向量的。该文提出了一种直接基于图像矩阵的主分量分析方法,它的突出优点是大大加快了特征抽取的速度。在ORL标准人脸库上的试验结果表明,该文所提出的方法不仅在识别性能上优于传统的主分量分析方法和Fisher线性鉴别分析方法,而且特征抽取的速度得到了很大的提高。     

From image vector to matrix: a straightforward image projection technique—IMPCA vs. PCA

The conventional principal component analysis (PCA) and Fisher linear discriminant analysis (FLD) are both based on vectors. Rather, in this paper, a novel PCA technique directly based on original image matrices is developed for image feature extraction. Experimental results on ORL face database show that the proposed IMPCA are more powerful and efficient than conventional PCA and FLD.     

基于DCT融合2DPCA与DLDA的人脸识别

传统的基于主成分分析的人脸识别需要将图像矩阵转化为向量,特征提取需要花费大最时间.二维主成分分析直接利用图像矩阵,特征提取速度快,但特征数量大,影响分类速度.因此,提出了一种基于离散余弦变换(DCT)的二维主成分分析(2DPCA)和直接线性判决分析(DLDA)结合的人脸识别方法.算法首先用DCT对人脸图像进行压缩并重建,然后利用2DPCA和DLDA对人脸图像进行特征提取.最后选用最近邻分类器进行分类.在ORL人脸库上的测试结果表明,与DLDA或2DPCA算法相比,算法具有更高的识别率.     

A repartition method improving visual quality for PCA image coding

Image coding using principal component analysis (PCA), a type of image compression technique, projects image blocks to a subspace that can preserve most of the original information. However, the blocks in the image exhibit various inhomogeneous properties, such as smooth region, texture, and edge, which give rise to difficulties in PCA image coding. This paper proposes a repartition clustering method to partition the data into groups, such that individuals of the same group are homogeneous, and vice versa. The PCA method is applied separately for each group. In the clustering method, the genetic algorithm acts as a framework consisting of three phases, including the proposed repartition clustering. Based on this mechanism, the proposed method can effectively increase image quality and provide an enhanced visual effect.     

基于主分量特征与独立分量特征的人脸识别实验

PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的。ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征。在人脸图象识别的实际应用中,PCA与ICA方法各有胜负。PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述,并设计出一个基于这两类特征的分类器组合方案;联合使用这两类特征,实验得出的人脸识别结果显示,基于分类器组合方案的识别结果优于单独使用PCA特征或ICA特征的单分类器方法。     

关于二维主成分分析方法的研究

The principal component analysis (PCA), or the eigenfaces method, is a de facto standard in human face recognition. Numerous algorithms tried to generalize PCA in different aspects. More recently, a technique called two-dimensional PCA (2DPCA) was proposed to cut the computational cost of the standard PCA. Unlike PCA that treats images as vectors, 2DPCA views an image as a matrix. With a properly defined criterion, 2DPCA results in an eigenvalue problem which has a much lower dimensionality than that of PCA. In this paper, we show that 2DPCA is equivalent to a special case of an existing feature extraction method, i.e., the block-based PCA. Using the FERET database, extensive experimental results demonstrate that block-based PCA outperforms PCA on datasets that consist of relatively simple images for recognition, while PCA is more robust than 2DPCA in harder situations.     

Multi-spectral and panchromatic images fusion based on PCA and fractional spline wavelet

A fusion method of panchromatic and multi-spectral (MS) images based on fractional spline wavelet and principal component analysis (PCA) transformation is proposed. The family of fractional spline wavelets outperforms traditional wavelets in obtaining the texture information of images due to its fractional order of approximation, which is beneficial for image fusion. Fusion experiments taking the instance of two image data sets collected by Landsat-TM and IKONOS are carried out in this article. The mean universal quality indices (MUQs) of the three red, green, blue (RGB) channels of the proposed method are 0.8866 and 0.9259 compared to the traditional PCA fusion method with MUQ = 0.8279 and 0.8496. From the visual evaluation and numerical analysis, it can be confirmed that the proposed method is a superior technique for enhancing the spatial details of MS images with their spectral properties reliably preserved.     

Variational PCA fusion for Pan-sharpening very high resolution imagery

The Pan-sharpening approach based on principle component analysis(PCA) is affected by severe spectral distortion. To address this problem, a new pan-sharpening model based on PCA and variational technique is proposed to construct the substitute image of the first principal component(PC1). The energy functional consists of three terms. The first term injects PC1 with the geometric structure of the panchromatic(Pan) image. The second term preserves the spectral pattern of the multi-spectral image in the merged result.And the third term guarantees the smoothness of the functional optimization solution. The fusion result is given by the minimum of the energy functional, which is computed with the gradient descend flow. The experiments on QuickBird and IKONOS datasets validate the effectiveness of the proposed model. Compared with the stateof-the-art pan-sharpening approaches, this model exhibits a better trade-off between improving spatial quality and preserving spectral signature of the MS image.     

基于双重特征空间的人脸识别

多目标遗传算法(MOGA)是求解多目标优化问题的有效工具,因而在求解实际问题中得到越来越广泛的应用.PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.在人脸识别的实际应用中,将多目标遗传算法引入到PCA所生成的特征空间的优化中,提出基于双重特征空间的人脸识别算法.通过对剑桥ORL库实验表明,该方法与传统的PCA相比,识别率得到明显提高.