用于基于比例不变的突出区域特征之间的接合对应的混合严格配准的方法和系统

摘要

一种对准一对图像的方法，包括提供一对具有第一图像和第二图像的图像，其中该图像包括多个对应于D维空间中的点的域的强度。突出特征区域在第一图像和第二图像中被识别(101)，每一对突出特征区域之间的对应被假定，其中每一对的第一区域在第一图像上以及每一对的第二区域在第二图像上，每一对特征区域的被假定的对应的似然性被测量(102)，以及接合对应被从一组具有对应的最大似然性的特征区域对中确定(103)。

权利要求

1.一种对准一对图像的方法，包括步骤：

提供具有第一图像和第二图像的一对图像，其中所述的图像包括多个对应于D维空间中的点的域的强度；

在第一图像和第二图像中识别突出特征区域，包括对于在图像对中的一个图像中的每一个像素x，为与像素x有关的比例为s的一个或者多个区域计算局部熵；

选择最大化每一个像素x的所述局部熵的区域作为与x有关的最佳区域；

为与每一个像素x有关的最佳区域确定突出测量；

识别那些具有突出测量的局部最大值的像素；以及

选择那些具有突出测量的最大局部最大值的特征区域作为感兴趣的突出特征区域；

假定每一对突出特征区域之间的对应，其中每一对的第一区域在第一图像上以及每一对的第二区域在第二图像上；

测量每一对特征区域的该假定对应的似然性；以及

从一组具有对应的最大似然性的特征区域对中确定接合对应。

2.如权利要求1的方法，其中对于图像对的另一个图像，重复计算局部熵、选择最佳区域、确定突出测量、识别像素以及选择特征区域的步骤。

3.如权利要求1的方法，其中所述的与像素x有关的比例为s的区域的局部熵被定义为

H(s，x)＝-∫Rpi(s，x)log2(s，x)di，

其中R是与像素x有关的比例为s的区域，i采用R中的可能的一组强度值中的值，以及pi(s，x)是在区域R中的图像强度的概率密度。

4.如权利要求3的方法，其中所述的突出测量被定义为

$A(S_x,x)=H(S_x,x)·S_x·{\int }_R\left|\right|\frac{\partial }{\partial s}{p}_i(s,x){|}_{s_x}\left|\right|\mathrm{di}$其中，Sx是关于像素x的区域R的最佳区域的比例。

5.如权利要求1的方法，其中测量每一对特征区域的该假定对应的似然性的步骤进一步包括：

对于每一对区域，

对于在一组角度中的每一个角度Θ，计算用于两个区域的相似性测量作为角度Θ的函数；以及

在该组角度上选择相似性测量的最大值作为两个区域的对应的似然性，其中对应于该最大值的角度Θ是两个区域之间的旋转角度；以及

选择那些具有对应的最大似然性的区域对作为具有对应的最大似然性的区域组。

6.如权利要求5的方法，其中角度Θ是以间隔π/36在范围[-π，π)上采样的。

7.如权利要求5的方法，进一步包括提供每一个具有相关比例和中心的区域，以及对于每一对区域，在计算相似性测量之前，规格化两个区域的比例并且对准它们的中心。

8.如权利要求7的方法，其中两个区域的比例通过过采样更小的区域而被规格化。

9.如权利要求5的方法，其中用于两个区域的相似性测量被定义为

$\mathrm{ECC}(R_i,R_j^{\Theta })=2-\frac{2H(R_i,R_j^{\Theta })}{H\left(R_i\right)+H\left(R_j^{\Theta }\right)},$其中，Ri是第一区域，RjΘ是旋转角度Θ的第二区域，H通过H(R)＝-∫Rpk(R)log2pk(R)dk定义，其中R是作为H(Ri)中的Ri和作为H(RjΘ)中的RjΘ的积分区域，k采用在R中的一组可能的强度值的值，以及pk(R)是在区域R中的图像强度的概率密度，H(Ri，RjΘ)被定义为$H(R_i,R_j^{\Theta })=-{\int }_{R_i,R_j^{\Theta }}p(R_i,R_j^{\Theta }){\log }_{2}p(R_i,R_j^{\Theta })\mathrm{dIdJ},$其中整数域在区域Ri和RjΘ上，p(Ri，RjΘ)是在区域Ri和RjΘ中的图像强度的接合概率密度，以及I和J分别采用在第一和第二图像中的一组可能的强度值的值。

10.如权利要求1的方法，其中从特征区域对中确定接合对应的步骤进一步包括：

从一组对应的最大似然性中计算用于每一对区域的全局图像对准；

将接合对应C初始化为来自具有最大全局图像对准的对应的最大似然性的组的对应似然值Cij；

从对应的最大似然性的组中移除Cij；

从接合对应中计算当前图像转换；

计算用于对应的最大似然性的组中的每个保留的区域对的全局图像对准；

选择具有最大全局图像对准的新的对应似然值Cij；

计算用于接合对应C和新的对应似然值Cij的组合的全局图像对准，其中如果全局图像对准通过接合对应C和新的对应似然值Cij的组合而被改进的话，则接合对应被更新并且重复移除、计算当前图像转换、计算全局图像对准、选择和计算改进的全局图像对准的步骤。

11.如权利要求10的方法，进一步包括步骤，如果全局图像对准没有通过接合对应C和新的对应似然值Cij的组合而被改进的话，则输出当前图像转换作为对准两个图像的转换。

12.如权利要求10的方法，进一步包括精炼在计算当前图像转换中使用的区域特征中心以实现子像素的精确。

13.如权利要求10的方法，其中假定特征对应Cij的全局图像对准被定义为

$L_{\mathrm{Global}}\left(C_{\mathrm{ij}}\right)=2-\frac{2H(T_{C_{\mathrm{ij}}}\left(I_m\right),I_f)}{H\left(T_{C_{\mathrm{ij}}}\left(I_m\right)\right)+H\left(I_f\right)},$其中If是第一图像，Im是第二图像，(Im)是对应于假定特征对应Cij的转换图像，H用H(I)＝-∫Ipi(I)log2pi(I)di定义，其中I是图像If和Im，i采用在I中的一组可能的强度值的值，pi(I)是图像I中的图像强度的概率密度，以及用于两个图像I1，I2的H(I1，I2)被定义为$H(I_1,I_2)=-{\int }_{I_1,I_2}p(I_1,I_2){\log }_{2}p(I_1,I_2)\mathrm{didj},$其中整数域在图像I1和I2上以及p(I1，I2)是在图像I1和I2中的图像强度的接合概率密度，以及i和j分别采用在图像I1和I2中的一组可能的强度值的值。

14.如权利要求10的方法，其中该接合对应C由Cij更新为C∩Cij。

15.一种对准一对图像的方法，包括步骤：

提供具有第一图像和第二图像的一对图像，其中所述的图像包括多个对应于D维空间中的点的域的强度，

在第一图像和第二图像中识别突出特征区域；

假定每一对突出特征区域之间的对应，其中每一对的第一区域在第一图像中以及每一对的第二区域在第二图像中；

对于每一对突出特征区域，

对于在一组角度中的每一个角度Θ，计算两个区域的相似性测量作为角度Θ的函数；以及

在该组角度上选择相似性测量的最大值作为两个区域的对应的似然性，其中对应于最大值的角度Θ是两个区域之间的旋转角度；

选择那些具有对应的最大似然性的区域对作为具有对应的最大似然性的区域组；以及

从具有对应的最大似然性的一组特征区域对中确定接合对应。

16.如权利要求15的方法，其中识别突出特征区域包括对于在图像对中的各个图像中的每一个像素x，为与像素x有关的比例为s的一个或者多个区域计算局部熵；

选择最大化每一个像素x的所述局部熵的区域作为与x有关的最佳区域；

为与每一个像素x有关的最佳区域确定突出测量；

识别那些具有突出测量的局部最大值的像素；以及

在各图像中选择具有突出测量的最大局部最大值的特征区域作为感兴趣的突出特征区域，其中对于图像对中的另一个图像，重复计算局部熵、选择区域、确定突出测量、识别像素以及选择特征区域的步骤。

17.如权利要求15的方法，其中所述的与像素x有关的比例为s的区域的局部熵被定义为

H(s，x)＝-∫Rpi(s，x)log2(s，x)di，

其中R是与像素x有关的比例为s的区域，i采用一组R中的可能的强度值中的值，以及pi(s，x)是在区域R中的图像强度的概率密度。

18.如权利要求17的方法，其中所述的突出测量被定义为

$A(S_x,x)=H(S_x,x)·S_x·{\int }_R\left|\right|\frac{\partial }{\partial s}{p}_i(s,x){|}_{s_x}\left|\right|\mathrm{di}$其中，Sx是与像素x有关的区域R的最佳区域的比例。

19.如权利要求15的方法，其中角度Θ是以间隔π/36在范围[-π，π)内的采样。

20.如权利要求15的方法，进一步包括提供每一个具有相关比例和中心的区域，以及对于每一对区域，在计算相似性测量之前，规格化两个区域的比例以及对准它们的中心。

21.如权利要求20的方法，其中两个区域的比例通过过采样更小的区域而被规格化。

22.如权利要求15的方法，其中用于两个区域的相似性测量被定义为

$\mathrm{ECC}(R_i,R_j^{\Theta })=2-\frac{2H(R_i,R_j^{\Theta })}{H\left(R_i\right)+H\left(R_j^{\Theta }\right)},$其中，Ri是第一区域，RjΘ是旋转角度Θ的第二区域，H通过H(R)＝-∫Rpk(R)log2pk(R)dk定义，其中R是作为H(Ri)中的Ri和作为H(RjΘ)中的RjΘ的积分区域，k采用在R中的一组可能的强度值的值，以及pk(R)是在区域R中的图像强度的概率密度，H(Ri，RjΘ)被定义为$H(R_i,R_j^{\Theta })=-{\int }_{R_i,R_j^{\Theta }}p(R_i,R_j^{\Theta }){\log }_{2}p(R_i,R_j^{\Theta })\mathrm{dIdJ},$其中整数域在区域Ri和RjΘ上，p(Ri，RjΘ)是在区域Ri和RjΘ中的图像强度的接合概率密度，以及I和J分别采用在第一和第二图像中的一组可能的强度值的值。

23.如权利要求15的方法，进一步包括步骤，如果全局图像对准没有通过接合对应C和新的对应似然值Cij的结合而被改进的话，则输出当前图像转换作为对准两个图像的转换。

24.如权利要求15的方法，进一步包括精炼在计算当前图像转换中使用的区域特征中心以实现子像素的精确。

25.如权利要求15的方法，其中从特征区域对中确定接合对应包括：

从对应的最大似然性的组中计算用于每一区域对的全局图像对准；其中假定特征对应Cij的全局图像对准被定义为

$L_{\mathrm{Global}}\left(C_{\mathrm{ij}}\right)=2-\frac{2H(T_{C_{\mathrm{ij}}}\left(I_m\right),I_f)}{H\left(T_{C_{\mathrm{ij}}}\left(I_m\right)\right)+H\left(I_f\right)},$其中If是第一图像，Im是第二图像，(Im)是对应于假定特征对应Cij的转换图像，H用H(I)＝-∫Ipi(I)log2pi(I)di定义，其中I是图像If和Im，i采用在I中的一组可能的强度值的值，pi(I)是图像I中的图像强度的概率密度，以及用于两个图像I1，I2的H(I1，I2)被定义为$H(I_1,I_2)=-{\int }_{I_1,I_2}p(I_1,I_2){\log }_{2}p(I_1,I_2)\mathrm{didj},$其中整数域在图像I1和I2上以及p(I1，I2)是在图像I1和I2中的图像强度的接合概率密度，以及i和j分别采用在图像I1和I2中的一组可能的强度值的值；

将接合对应C初始化为来自具有最大全局图像对准的对应的最大似然性的组的对应似然值Cij；

从对应的最大似然性的组中移除Cij；

从接合对应中计算当前图像转换；

计算对应的最大似然性的组中的每个保留的区域对的全局图像对准；

选择具有最大全局图像对准的新的对应似然值Cij；

计算用于接合对应C和新的对应似然值Cij的结合的全局图像对准，其中如果全局图像对准通过接合对应C和新的对应似然值Cij的结合而被改进的话，则接合对应被更新并且重复移除、计算当前图像转换、计算全局图像对准、选择和计算改进的全局图像对准的步骤。

26.如权利要求15的方法，其中接合对应C由Cij更新为C∩Cij。

说明书

发明背景

图像对准旨在在空间中对准一个图像和另一个图像。为了这个目的，全局转换模型例如严格的、仿射的或者投影的转换的参数，将被恢复以在几何上转换一移动图像以实现与一固定图像的高度空间对应。由于它的有效性在很大范围的领域中，该问题已经在多种环境中被研究，包括医学图像熔解、遥感、识别、跟踪、镶嵌等等。

2D/3D医学图像的严格配准是大量配准和熔解应用的必须部分。在诊断、规划、外科评估以及射频治疗过程的领域中，典型地多个单独形态或者多形态图像在临床事件跟踪中被获取。由于这些图像彼此互补，通常需要从单个图像中综合有用的数据。在这样的综合处理中的第一步，严格配准旨在产生包含在空间对准中的多个图像。

现存的图像对准的方法可以被分成3类：基于特征的方法、基于强度的方法以及结合上述两种的混合方法。基于特征的方法使用稀有几何特征例如点、曲线和/或曲面以及它们的对应以计算最佳转换。这些方法相对快速。但是，这些方法缺乏特征析取的稳健性以及特征对应的准确性，并且经常需要用户干预。基于强度的对准方法直接作用于来自图像的全部内容的强度值，没有先前的特征析取。这些方法已经引起重视因为它们可以通过利用合适的相似性测量完全自动化并且被用于多形态图像匹配。但是，这些方法由于需要复杂的、非凸面的能量函数的最佳化而倾向于高的计算成本。此外，它们需要两个输入图像足够近的姿势以能够收敛于局部最优。此外，它们经常在需要局部匹配时不易执行。

最近，多种结合基于特征以及基于强度的方法的优点的混合方法已经被提出。更多集中在将用户提供或者自动析取的几何特征约束结合到基于强度的能量函数中以实现更平稳更快速的最优化。典型地它们更加灵活，并以这样的方式设计，即，或者强度信息例如灰度值或者倾斜度，被结合到基于特征的算法中，或者特征信息例如点或者表面，被引进到基于像素/体素强度的算法中。该混合算法期望比基于纯的特征或者基于纯的强度的方法更加有效以及稳健。

但是，处理在两个图像之间出现或者没有出现的结构仍旧是个挑战。例如，在临床治疗跟踪中需要的医学图像中的瘤增长/萎缩，在不同时间拍摄的空间图像中的树/影子或者建筑物，以及在其他自然图像中的吸留现象经常导致在局部图像表现上的显著不同。此外，通常匹配通过不同形态的传感器获取的图像也是很困难的，因为不同的传感器，例如MRI、CT或者PET，可能产生相同场景的不同图像。匹配像素的强度之间的关系通常是复杂的并且是演绎未知的。图像噪声以及强度的不均匀性也被加入到该复杂性中。此外，假定处于两个任意姿势的输入图像，由于巨大的参数搜索空间而充分地恢复全局最佳转换是一个很难的问题。为了解决这些问题，基于特征的以及基于强度的方法的混合由于它们互补的特性而非常吸引人。在基于强度的方法在多模型图像匹配中有优势并且对图像噪声以及不均匀性具有更好的稳健性的同时，基于特征的方法更加自然地处理结构出现/未出现问题、吸留现象和空间匹配以及对准图像而不管它们的初始姿势。

发明内容

这里揭露的是基于匹配少量比例不变突出区域特征的混合图像配准方法。该图像配准依靠自动析取的突出区域内的图像强度而直接驱动。突出区域特征在固定和移动图像二者中被选择以作为那些具有在空间和标度空间中的最高局部突出的区域，每一个都与最佳比例相关。而后，在特征匹配步骤中，两个区域特征中的每一个假定固定-移动对的似然性从两个区域之间的规格化的交互信息中被确定。这个步骤的结果是关于单个特征匹配的所有假定的似然性的全部顺序。由于图像噪声或强度改变，来自该结果的顶端匹配经常包含外露层的不可预知的部分(也就是，不匹配)，它的效果仅仅可以通过使用稳健的估计技术被部分缓和。利用从特征匹配步骤中提取的顶端单个特征对应，一个配置匹配步骤被用来检测多对最大化固定以及移动图像的配准的突出区域特征之间的接合对应。依靠该接合对应影响的严格的几何约束使得算法在修剪错误特征匹配中非常有效。与检测接合对应相关的组合复杂性通过使用一个特征对对应作为最小基础而以有效的方式被解决，而后增加到该基础的新的特征对。每一个假定接合对应的似然性基于固定图像以及转换移动图像之间的全局对准而被测量，给定从假定中计算的转换信息。这允许收敛于全局最佳转换参数。多种在单个以及多个模型的配准医学图像上的试验证明了提出的方法在数量和质量上的有效性。
在本发明的一个方面，提供一种转换在该对中具有第二图像的一对图像的第一图像的方法，其中该图像包括多个对应于D维空间中的点的域的强度。该方法包括在第一图像和第二图像中识别突出特征区域，假定每一对突出特征区域之间的对应，其中每一对的第一区域在第一图像上以及每一对的第二区域在第二图像上，测量每一对特征区域的假定对应的似然性，以及从一组具有对应的最大似然性的特征区域对中确定接合对应。
在本发明的另一方面，识别突出特征区域包括对于在图像对中的一个图像的每一个像素x，计算用于一个或者多个关于像素x的比例s的区域的局部熵，选择最大化每一个像素x的所述局部熵的区域作为关于x的最佳区域，确定关于每一个像素x的最佳区域的突出测量，识别具有突出测量的局部最大值的那些像素，并选择具有突出测量的最佳局部最大值的那些特征区域作为感兴趣的突出特征区域。
在本发明的另一方面，对于图像对的另一个图像，重复计算、选择区域、确定、识别以及选择特征区域的步骤。
在本发明的另一个方面，测量每一对特征区域的假定对应的似然性包括，对每一对区域，为在范围[-π，π)内采样的一组角度中的每一个角度Θ计算用于两个区域的相似性测量作为角度Θ的一个函数，并在该组角度上选择相似性测量的最大值作为两个区域的对应的似然性，其中对应于最大值的角度Θ是两个区域之间的旋转角度，并且选择具有对应的最大似然性的这些区域对作为对应的最大似然性的一组区域。
在本发明的另一方面，每一个区域与比例和中心有关，以及对于每一对区域，在计算相似性测量之前，规格化两个区域的比例以及它们的中心被对准。
在本发明的另一个方面，比例通过过采样更小的区域而被规格化。
在本发明的另一个方面，从特征区域对中确定接合对应包括从一组对应的最大似然性中计算每一对区域的全局图像对准，初始化接合对应C为来自具有最大全局图像对准的对应的最大似然性的组的对应似然值Cij，从对应的最大似然性的组中移除Cij，以及从接合对应计算当前图像转换。全局图像对准被计算以用于对应的最大似然性的组中的每个保留的区域对，具有最大全局图像对准的新的对应似然值Cij被选择，以及用于接合对应C和新的对应似然值Cij的结合的全局图像对准被计算。如果该全局图像对准通过接合对应C和新的对应似然值Cij的结合而被改进的话，则接合对应被更新并且重复移除、计算当前图像转换、计算全局图像对准、选择和计算改进的全局图像对准的步骤。
在本发明的另一个方面，如果该全局图像对准没有通过接合对应C和新的对应似然值Cij的结合而被改进的话，则对准这两个图像的当前图像转换被输出。

附图说明

图1描述了本发明的优选配准方法的流程图。
图2描述了本发明的优选突出特征区域选择方法的流程图。
图3描述了本发明的优选对应似然性测量方法的流程图。
图4描述了本发明的优选接合对应确定方法的流程图。
图5描述了如果合适的比例和邻域被选择的话，如何使得特征点唯一。
图6描述了在模拟试验中使用的一对大脑图像的配准。
图7描述了在真实试验中使用的一对大脑图像的配准。
图8描述了一对胸腔MR图像的配准。
图9描述了具有大脑瘤的一对大脑图像的配准。
图10描述了两个弯曲的人体视网膜图像的配准。
图11描述了用于执行本发明的优选实施例的示范性计算机系统。

具体实施方式

这里揭露的混合配准方法提供一种一般的、灵活的架构，其中开发了一种在多种应用中用于配准的有效算法。图1描述了说明优选的快速混合配准算法的步骤的流程图。
在第一步，步骤101，利用相同的标准识别在固定图像以及移动图像两者上的突出特征区域。在本发明的优选实施例中，特征选择标准被设计以选择两个图像中都出现的特征，以及相对独一无二或者稀有的特征。这种特征点唯一性或者稀有性存在于对应(correspondence)的环境中，也就是说，假定来自于一个图像的一个特征，无论在匹配图像上具有多个对应特征的似然性是否低，不存在于在相同的图像内的唯一或者稀有特征点的环境中。特征的唯一性与它的相关比例非常相关。在较小的比例下，边缘点、隅角点或者具有高曲率的点表现为比其它点具有更高的唯一性。在中等或者更大的比例下，在均匀区域或者具有低曲率的点也开始表现得唯一。外形或者均匀区域的中轴点是在具有与它们相关的比例下唯一的特征点的类型的例子。如果合适的比例和邻域被选择用来计算特征点，则图像的每一个特征点，忽略它的局部特征(边缘、隅角、中央、曲率等等)，可以变得唯一。
一个这样观点的图示例子在图5中被说明。局部地，在小比例下，由最内部的圆圈指示的点的邻域表现得很均匀。在大的比例下，由中间的圆圈指示的点的邻域开始表现得唯一。在足够大的比例下，由外部圆圈指示的每一个点基于它的邻域的特征表现得唯一。
现在参见图2，优选的固定比例的突出部特征区域选择方法开始，在步骤201，通过计算，对于图像I中的每一个像素x，在半径为s的一个或者多个圆形区域R中，来自图像强度的概率密度函数p(s，x)集中于x。半径s定义了区域的比例。该区域的局部差分熵可以定义为
H(s，x)＝-∫Rpi(s，x)log2pi(s，x)di，
其中，i采用一组可能的强度值中的值。注意，整数域被限制到圆形区域R。在步骤202，最大化集中于x的区域的局部熵的比例被选取作为最佳比例，Sx。在步骤203，使用最大熵值，突出测量A(Sx，x)可以通过
$A(S_x,x)=H(S_x,x)·S_x·{\int }_R\left|\right|\frac{\partial }{\partial s}{p}_i(s,x){|}_{S_X}\left|\right|\mathrm{di}$
被定义以用于具有最佳比例的区域。
利用上述的突出的定义，一个人可以首先通过对图像中的每一个像素x确定用于集中于该像素的区域的最佳比例Sx以及用于该区域的突出值A(Sx，x)，选择出图像的更小数为N的突出区域特征。接着，在步骤204，具有局部突出值的最大值的像素被识别。从这些具有局部突出最大值的区域中，在步骤205，一个人可以选择N个最突出特征作为用于该图像的特征区域。
对于每一个感兴趣的图像这些步骤可以被重复以便确定每一个图像的特征区域。对于Nf以及Nm突出特征区域，分别利用If表示固定图像以及利用Im表示移动图像，对应Ci，j可以被假定在图像If的第i特征区域Ri以及图像Im的第j特征区域Rj之间。
下一个步骤102是用来测量每一个假定对应Ci，j的似然性以便匹配图像之间的特征。现在参见图3，可以由LLocal(Ci，j)表示的单个特征对应Ci，j的对应的似然性，可以依靠所涉及的两个突出区域中的内部强度之间的相似性测量确定。但是在测量相似性之前，在步骤301，优选地规格化两个区域的比例从而更小的区域匹配更大区域的比例，并且对准该区域中心。但是，一种规格化比例的方法基于两个区域的各自最佳比例的比率，优选的方法是过采样该更小的区域。为了说明在运动图像中的区域根据在固定图像中的区域而被旋转，一个区域可以根据另一个图像而被旋转预定的角度。而后对于不同的偏斜角两个区域的相似性被测量。对于具有最大值的相似性测量的角度是所关心的这两个区域的旋转角度，以及相似性测量的最大值可以定义Ci，j的对应的似然性。
一种优选的相似性测量，称为熵相关系数(“ECC”)，可以在步骤302被定义为：
$\mathrm{ECC}(R_i,R_j^{\Theta })=2-\frac{2H(R_i,R_j^{\Theta })}{H\left(R_i\right)+H\left(R_j^{\Theta }\right)},$
其中，H是前面定义的差分熵，以及RjΘ表示在被旋转角度Θ后的比例规格化区域Rj。该接合差分熵H(Ri，RjΘ)可以被定义为
$H(R_i,R_j^{\Theta })=-{\int }_{R_i,R_j}p(R_i,R_j^{\Theta }){\log }_{2}p(R_i,R_j^{\Theta })\mathrm{dIdJ},$
其中整数域在区域Ri和RjΘ上，p(Ri，RjΘ)是在区域Ri和RjΘ中的图像强度的接合概率密度，以及I和J分别采用在If和Im中的一组可能的强度值的值。ECC(Ri，RjΘ)被用来估算一组在范围[-π，π)内采样的离散的角度Θ。在一个优选实施例中，旋转在[-π，π)之间以间隔π/36被采样。在步骤303，在该组角度上被估计的ECC的最大值被作为Ci，j的对应的似然性。对应于ECC的最大值的Θ被采用作为感兴趣的两个特征区域之间的旋转角度。因此，可以定义Ci，j的对应的似然性为
$L_{\mathrm{Local}}\left(C_{i,j}\right)={\max }_{\Theta }\mathrm{ECC}(R_i,R_j^{\Theta }).$
优选的相似性测量，ECC，被标度为具有范围(0，1)之间的值，0表示两个自变量之间完全无关，1表示自变量之间完全相关。此外，随着两个自变量之间的关系从完全无关变成完全相关，ECC几乎线性增加。利用似然性的ECC定义，其中i，所有特征对应假定Ci，j的似然值是可比较的。该似然值而后可以在步骤305以降序排序，以及顶端M假定被选择。该组假定顶端M可以用表示。M的优选值是从20到40。此外，与被选择的每一个特征对应假定Ci，j相关的是比例因数，其可以从比例的比率中估计出来作为如上所估计的旋转角度，并且可以在旋转以及测量之后从两个区域的中心的位移中估计出的转换向量(tx，ty)。与每一个Ci，j相关的比例因数、旋转角度以及转换向量定义了移动图像的变换
下一个步骤103用来确定在导致了就全局图像对准而言最大的似然性的多对区域特征之间的接合对应现在参见图4，一种确定该接合对应的优选方法使用在固定图像If和转换的移动图像的重叠部分之上计算的ECC测量来测量全局图像对准：
$L_{\mathrm{Gl}\backslash \mathrm{olbal}}\left(C_{\mathrm{ij}}\right)=\mathrm{ECC}(T_{C_{\mathrm{ij}}}\left(I_m\right),I_f)$
$=2-\frac{2H(T_{C_{\mathrm{ij}}}\left(I_m\right),I_g)}{H\left(T_{C_{\mathrm{ij}}}\left(I_m\right)\right)+H\left(I_f\right)}.$
这里，H用H(I)＝-∫Ipi(I)log2pi(I)di定义，其中I是图像，以及H(I1，I2)被定义为
$H(I_1,I_2)=-{\int }_{I_1,I_2}p(I_1,I_2){\log }_{2}p(I_1,I_2)\mathrm{didj},$
其中整数域位于图像I1和I2上并且p(I1，I2)是在图像I1和I2中的图像强度的接合概率密度，以及i和j分别采用在图像I1和I2中的一组可能的强度值的值。
在确定接合对应中的第一步骤401是在每一个顶端中的每一个Ci，j之上循环以及对于每一个Ci，j计算LGlobal(Cij)。该接合对应C在步骤402被初始化为LGlobal(Cij)为最大值的Ci，j。在步骤403，该Ci，j而后从顶端集合中移除，并且当前图像转换被计算。在优选实施例中，在计算转换中使用的特征区域中心可以被精炼以实现更好匹配的子像素精度。
在下一个步骤404，在顶端中的保留Ci，j被循环完毕，以及对于每一个Ci，j该LGlobal(C∩Cij)被计算。最大化LGlobal(C∩Cij)的在步骤405被选择。加入到接合对应C中的新的可以增加全局对准。因此，在步骤406，如果接合对应C在步骤407被更新为以及方法返回到步骤403，在那里被从顶端中移除，并且图像转换利用新的接合对应被重新计算。此外，在计算该转换中使用的特征区域中心可以被精炼以实现用于更好匹配的子像素精度。在顶端中的保留Ci，j在步骤404被重新循环完毕并且选择和测试被重复。
如果全局图像对准没有通过对接合对应C增加的而被改进的话，则当前转换T在步骤408被输出作为将移动图像Im与固定图像If对准的收敛转换。
对模拟移动图像的分析测试
一系列利用一对具有从已知转换模拟的移动图像的大脑图像的控制试验被实施。第一图像是衡量MR大脑图像的质子密度(PD)(参见图6，I.a)，以及第二图像是衡量MR大脑图像的T1(参见图6，I.b)。这两个图像最初被配准，以及图像大小是217×181。这些试验在2GHz的PC工作站被实施，优选的配准方法采用具有用C++写的函数的Matlab实现。
试验1：
在第一控制试验中，与缩放比例、旋转以及转换相关的不变性被研究。该PD图像被用作固定图像，并且不同的移动图像依靠人工转换具有控制参数的T1图像而被模拟。该参数根据下面的四种情况选择：
第一种情况：缩放比例不变。在[0.5，1.5]范围内变化比例因数σ，同时保持该转换(tx＝0，ty＝0)以及旋转(Θ＝0)固定。
第二种情况：旋转不变。在的范围内变化旋转角度Θ，同时保持该转换(tx＝0，ty＝0)以及比例因数(Θ＝1)固定。
第三种情况：转换不变。在[-50，50]的范围内变化转换参数(tx，ty)，同时保持旋转Θ以及比例因数σ固定。
第四种情况：转换参数的组合效应。同时变化所有的参数：(tx，ty)在范围[-50，50]，σ在范围[0.5，1.5]，以及Θ在范围
在每一种情况中，生成50个模拟移动图像，以及应用配准算法来分别配准具有每一个模拟移动图像的固定图像。由于被用来模拟每一个移动图像的真实转换是公知的，真实转换可以与已恢复的转换参数比较。
三种统计性能测量从研究中被计算以及结果列出在下面的表格1中。第一测量是正确的百分率。在配准试验中，如果已恢复的转换足够接近真实转换，则这样的试验产生正确配准，否则，它被采用作为误差配准情况。在优选实施例中，已恢复的转换被认为是正确的，如果它与真实转换的差别少于预先定义的误差阈值。典型地，该阈值如下设定：比例误差小于0.05，旋转角度误差小于5度，以及在x方向和y方向上转换误差小于(Dx/50，Dy/50)，其中Dx和Dy是分别沿着x和y方向的图像的外形尺寸。第二测量是平均误差。这样的测量给出了来自真实转换参数的已恢复转换参数的平均误差(也就是，差别)。它反映了配准方法的准确性和收敛性质。最后的测量是用于配准一对固定和移动图像的试验的平均执行时间。
表1
  正确率   误差   时间   情况1   98％   (0.9，1.1，0.027，0.0)   138s   情况2   100％   (0.5，0.6，0.009，1.5)   155s   情况3   100％   (0.2，0.4，0.000，0.0)   155s   情况4   94％   (1.4，1.7，0.031，2.1)   150s
对于每一种情况，正确百分比、在恢复转换参数中的平均误差以及用于一次试验的平均执行时间被给出。给出的误差具有这种格式：(tx，ty，Θ，σ)，其中转换误差tx、ty是以像素给出，旋转角度误差Θ是以度数给出，以及比例误差σ相对于初始图像比例给定。时间以秒给定。
试验2
在第二控制试验中，与图像噪声相关的稳健性被研究。初始PD图像被用作固定图像，以及测试移动图像依靠增加不同级的高斯噪声到初始T1图像而产生，以及根据随机转换来转换噪声破坏的图像。该增加的高斯噪声具有标准偏差λ的零平均值。标准偏差的所有可能的值在[0，255]之间。表格2显示了用于三种测试情况的三种性能测量。这三种情况在增加的高斯噪声的标准偏差的范围上不同。对于每一种情况，30个被噪声破坏的T1图像被产生并被随机转换，其中转换参数在与第一控制试验相同的范围内变化。从这个结果中，可以看出优选的方法对高级别噪声具有特别强的稳健性。这部分地取决于基于熵的特征区域监测器的稳定性以及基于强度的ECC相似性测量的稳健性。它也取决于对于配准图像仅仅需要少量的好的匹配特征这一事实。
表2
  λ的范围   正确率   误差   时间   [5，10]   100％   (0.3，0.6，0.007，0.4)   142s   [10，20]   97％   (0.7，0.9，0.0006，1.2)   142s   [20，30]   90％   (0.9，1.3，0.009，2.4)   144s
在表格中的情况在增加的高斯噪声的标准偏差λ的范围上不同。对于每一种情况，以与表格1中相同的格式给定三个统计测量。
图6描述了一种从模拟试验中选择的图示例子。固定图像被显示在(II.a)，在固定图像上的突出特征区域被显示在(II.b)，移动图像被显示在(II.c)，以及在移动图像上的突出特征区域被显示在(II.d)。在这个例子中，移动图像通过增加具有零平均值、标准偏差25的高斯噪音到初始T1加权图像产生，接着按照20％的比例缩小图像，并且旋转20度。在接合对应中的特征对基于(III.a-b)所示的收敛而选择。转换移动图像被显示在(III.c)中。配准后的边缘重叠映射，具有来自在固定图像上重叠的变换图像的边缘，被显示在(III.d)中。
对真实图像的分析测试
图7示出了配准两个真实大脑图像的结果。固定图像显示在(I.a)中。在固定图像上检测到的突出特征区域被显示在(I.b)中。移动图像被显示在(I.c)中。在移动图像上的突出特征区域被显示在(I.d)中。基于收敛而选择的相应特征对被显示在(II.a-b)中。变换的移动图像被显示在(II.c)中。来自变换的移动图像的边缘被重叠在固定图像上，如(II.d)所示。注意，本发明成功地挑选多个区别特征区域，以及能够恢复两个图像之间的巨大旋转。
图8示出了两个MR胸腔图像的配准。固定图像是T1加权MR图像，以及移动图像是PD加权MR图像。该图像的设计与图5中相同。不管两个图像之间的不同的组织强度特性，通过该方法为恢复转换参数而选择的突出特征区域对在比例和定位上对应得都非常好。
图9示出了在具有出现和不出现的结构的图像上的配准方法的结果。一对大脑图像被使用，其中之一包含瘤。固定图像被显示在(I.a)中，在固定图像上检测出的突出特征区域显示在(I.b)中，移动图像显示在(I.c)中，以及在移动图像上的突出特征区域显示在(I.d)中。被选择的第一相应特征对被显示在(I.e-f)中。基于收敛选择的相应特征对显示在(II.a-b)。配准结果显示在(II.c-d)中，同时(II.c)中为固定图像以及(II.d)中是变换的移动图像。边缘重叠映射的比较显示在(II.e-f)中，同时来自重叠在固定图像上的初始移动图像的边缘显示在(II.e)以及来自重叠在固定图像上的转换移动图像的边缘显示在(II.f)。这两个图像来自两个不同的物体，以及在图像其中之一中的瘤显著地改变了它的外貌。这里，基于特征的优选方法促使它聚焦在实物大小中的相似外貌的区域，因此对局部结构的出现以及消失具有稳健性。
图10示出了在稳健性部分匹配以及镶嵌应用中的优选方法的结果。一对弯曲的人类视网膜图像被使用。固定图像被显示在(I.a)中，在固定图像上的突出特征区域显示在(I.b)中，移动图像显示在(I.c)中，以及在移动图像上的突出特征区域显示在(I.d)中。该例子显示了增量选择好的增加了匹配相似性以及确保收敛的特征的对应的重要性。特征对被手动挑选以看起来彼此一致，显示在(II.a-b)中。这产生了7个特征对，以及移动图像利用依靠这些特征对恢复的转换而被转换。利用7个手动选择的特征对应的被转换的移动图像显示在(II.c)中，重叠在固定图像上的转换的移动图像的边缘被显示在(II.d)，以及考虑到(II.d)的缩放被显示在(II.e)。在第III行中，该特征对应的自动选择被显示。依靠基于收敛的算法自动选择的对应特征对被显示在(III.a-b)。这里仅仅有3个最好的特征对被选择。该转换的移动图像被显示在(III.c)，重叠在固定图像上的转换移动图像的边缘被显示在(III.d)，以及考虑到(III.d)的缩放显示在(III.e)。比较该边缘重叠映射，可以看到选择的3个特征对比利用全部7个手工选择特征对产生了更好的转换。从考虑到边缘重叠映射：(II.e)对比(III.e)的两个缩放中可以更加清楚地看到该比较。
可以理解的是本发明可以以各种硬件、软件、固件、专用处理器或者它们的组合的形式实现。在一个实施例中，本发明可以在确实体现在计算机可读程序存储装置上的作为应用程序的软件中实现。该应用程序可以被加载并由包含任意合适结构的机器执行。
现在参见图11，根据本发明的一个实施例，用于执行本发明的计算机系统1101可以包括中央处理单元(CPU)1102、存储器1103以及输入/输出(I/O)接口1104，和其它的事物。计算机系统1101通常通过I/O接口1104耦接到显示器1105以及多种输入装置1106，例如鼠标和键盘。辅助电路可以包括例如高速缓冲存储器、电源、时钟电路以及通信总线的电路。存储器1103可以包括随机存取存储器(RAM)、只读存储器(ROM)、盘驱动器、带驱动器等，或者它们的组合。本发明可以作为存储在存储器1103中的程序1107而实现以及由CPU 1102执行以处理来自信号源1108的信号。同样地，当执行本发明的程序1107时计算机系统1101是变成专用计算机系统的通用计算机系统。
计算机系统1101可以包括操作系统和微指令代码。在这里描述的多种处理和功能可以是通过操作系统执行的微指令代码的一部分或者应用程序(或者它们的组合)的一部分。此外，各种其他的外围装置可以被连接到计算机平台，例如附加数据存储装置以及打印装置。
可以进一步理解的是，因为一些在附图中描述的组成系统部件以及方法步骤可以用软件执行，在系统部件(或者处理步骤)之间的真实连接可能不同，这取决于本发明被程序化的方式。假定这里提供了本发明的教导，本领域技术人员能够考虑到本发明的这些以及类似的实施或者配置。
以上揭露的特定实施例仅仅为了说明，本发明可以以不同的或者等同的方式被修改以及实行，对于那些领悟在此的教导的益处的本领域技术人员来说是很明显的。此外，除了在所附权利要求中描述的，对这里所示的设计和结构的细节没有限制。因此很明显上述揭露的特定实施例可以考虑到本发明的范围和精神做替换或者更改以及所有的变化。因此，这里的保护寻求的是如在所附的权利要求中所提出的。
相关美国申请的交叉引用
本申请要求2003年9月22日申请的临时专利申请号为No.60/504,883的Xu等人的名为“Fast Rigid Image Registration based on Joint Correspondencesbetween Salient Region Features”的优先权，其内容被结合于此作为参考。