与
算法分析
医学图像拼接中特征点检测算法研究实现
袁翰祖
(1.海军航空工程学院山东烟台264001; 2.烟台市福山区人民医院山东烟台265500)）
摘要：在医学图像处理中经常会遇到分辨率和视于的矛盾。图像拼接技水可以有效地解决这个予盾。图像拼接效累好坏重要的是选择一个鲁棒而快速的图像配准方法。文章中首先比较了基于特征图像配准中不同特征点检测算法的优劣性，然后用C语言实现了SURF特征点检测算法，并用真实的医学图像进行试验，验证了不同医学图像特征点检测算法有效性
关键调：医学图像拼接特征点检测SURF
中图分类号：TP391.41 1引言
文献标识码：A
文章编号:1007-9416(2013)07-0103-02
这类算法通过检测图像中的角点，然后对两幅图像的角点按照
随着生物医学成像技术的发展，大幅度全录图像成为此领域研究和工作人员不可或缺的参考资料。医疗领域的成像设备往往都没有很大的视野，所拍摄的像都以相对较牵的局部图片呈现。图像拼接技术能在提供高质量的局部信息的同时为观测人员提供观测目标的整体图像，更有利于医学诊断与治疗。目前在医学图像分析方面很多地方利用到图像拼接技术，如超声检查、X线成像、病理显微图像处理等
基于特征图像配准中特征点检测算法讨论 2
图像拼接关键技术分为三个步骤：图像预处理、图像配准、图像融合。图像拼接效果好坏重要的是选择一个鲁棒面快速的图像配准方法。基于图像特征的方法目前应用最多，具有计算量小，速度快的特点，对图像略变、噪声、避挡等具有一定的鲁棒性。下面着重讨论儿种热门的图像特征点检测算法。
2.1自动角点检测算法(2)
的
8:本
IFT 证0
图1Harris、SIFT、SURF算法提取特征点比较
定的配准原则进行配准，最后别除误匹配对，得到正确的配准结果。Harris角点检测算法是典型的角点检测算法。
2.2SIFT(尺度不变特征变换)算法[3)
SIFT(Scale Invariant Feature Transform)算法可以解决两幅图像之间存在平移、旋转、仿射变换等情况下的匹配问题，对任意角度拍摄的图像也具备很强的匹配能力，
特征点检测：将图像在各个方向上扩大二倍，用高斯卷积乘以图像获得LoG空间，再通过相邻层相减得到DoG尺度空间，并通过比较DoG尺度空间3维像素灰度值来确定极值。主方向分配：根据像素的梯度来确定。将360"方向分成36份进行直方图统计，特征描述符： 4×4个子区域，8个方向共128维。
2.3SURF(加速稳健特征描速)算法[4
SURF(Speeded Up RobustFeatures)是加速稳健特征描述算子，与SIFT相比较算法更简单速度更快。其特点是计算积分图像。
特征点检测：通过改变Box滤波器的尺度来得到不同的尺度空间，用Hessian矩阵行列式的特征值符号来确定极值。主方间分配：根据像素在x，y方向上的Haar小波响应值来确定，将360°方向分成72 份，用直方图统计每相邻60°之内的响应值之和。特征描述符：4×4个子区域，4个方向共64维。
2.4Harris,SIFT,SURF特征点检测结果与分析
图1和表1是对经典的特征点测试图像和真实的医学图像进行
(a)支气管刷片
(b)透视放射图
图2不同的医学图像的SURF特征点检测
表1Harris、SIFT与SURF分别提取特征点数量和时间
实验图 Harris
SIFT SURF
数量
时间(ms)
数量时间（ms) 数量时间(ms)
star 10 8 10 62 15 14
积木 76 66 123 351 154 150
house 84 73 134 382 162 158
附尾灵图
192 181 333 950 367 358
囊肿图 207 198 369 1053 390 381
103