基于ＳＩＦＴ和ＳＵＲＦ的医学图像特征匹配 研究 Ｒｅｓｅａｒｃｈ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｍａｔｃｈｉｎｇ Ｂａｓｅｄ ｏｎ ＳＩＦＴ ａｎｄ ＳＵＲＦ Ｆｅａｔｕｒｅｓ 鹿煜炜。胡峻 与信息部，安徽合肥２３０６０１ 【摘要】本文采用基于特征点的匹配算法完成对实验医学图像的匹配，从特征点数量、特征提取时 用Ｋ最近邻算法（ＫＮＮ）去除误匹配，统计分析不同阈值的随机抽样一致算法（ＲＡＮＳＡＣ）和最 小中值方差估计算法（ＬＭＥＤＳ）与配准结果的相关性。本研究建立了基于特征点的医学图像配 安徽医科大学第二附属医院医学工程 间和匹配准确性等方面比较尺度不变特征变换（ＳＩＦＴ）和快速鲁棒特征（ＳＵＲＦ）算法，然后采 准算法程序实验平台，实现了多算法融合的医学图像特征匹配，对进一步探讨和改进医学图像配 准提供了研究基础。 【关键词】ＳＩＦＴ；ＳＵＲＦ；图像匹配；Ｋ最近邻算法 Ａｂｓｔｒａｃｔ：Ｔｈｅ ｐａｐｅｒ ａｄｏｐｔｅｄ ｈｅ ｔｍａｔｃｈｉｎｇ ａｌｇｏｒｉｈｍ ｔｂａｓｅｄ ｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐｏｉｎｔｓ ｔｏ ａｃｃｏｍｐｌｉｓｈ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ｉｎ ｅｘｐｅｒｉｍｅｎｔａｌ ｍｅｄｉｃｉｎｅ．Ｔｈｅ ｔｗｏ ａｌｇｏｒｉｈｍｓ：ｓｃａｌｔｅ—ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅ ｔｒａｎｓｆｏｒｍ（ＳＩＦＴ）ａｎｄ ｓｐｅｅｄｅｄ ｕｐ ｒｏｂｕｓｔ ｆｅａｔｕｒｅｓ（ＳＵＲＦ）ｗｅｒｅ ｃｏｍｐａｒｅｄ ｉｎ ａｓｐｅｃｔｓ ｏｆ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐｏｉｎｔｓ，ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｅｘｔｒａｃｔｉｏｎ ｔｉｍｅ ａｎｄ ｍａｔｃｈｉｎｇ ｖｅｒａｃｉｔｙ．Ｔｈｅｎ ｔｈｅ Ｋ—ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ（ＫＮＮ）ａｌｇｏｒｉｔｈｍ ｗａｓ ｕｓｅｄ ｔｏ ｅｌｉｍｉｎａｔｅ ｍｉｓｍａｔｃｈｉｎｇ ｐｏｉｎｔｓ．Ｔｈｅ ｐａｐｅｒ ａｌｓｏ ｃａｒｒｉｅｄ ｏｎ ｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｉｓ ｏｆ ｈｅ ｒｅｓｔｕｌｔｓ ｏｆ ｒａｎｄｏｍ ｓａｍｐｌｅ ｃｏｎｓｅｎｓｕｓ（ＲＡＮＳＡＣ）ａｎｄ ｌｅａｓｔ ｍｅｄｉｎ ｏｆ ａｓｑｕｒｅｓ（ＬＭＥＤＳ）ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｍａｔｃｈｉｎｇ ｖｅｒａｃｉｔｙ ａｎｄ ａｌｇｏｒｉｈｍｓ．Ｔｈｉｔｓ ｒｅｓｅａｒｃｈ ｅｓｔａｂｌｉｓｈｅｄ ａ ｍｅｄｉｃａｌ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ｐｌａｔｆｏｒｍ ｂａｓｅｄ ｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐｏｉｎｔｓ ｉｎ ｏｒｄｅｒ ｔｏ ｐｒｏｖｉｄｅ ａ ｒｅｓｅａｒｃｈ ｂａｓｉｓ ｆｏｒ ｔｈｅ ｆｕｒｔｈｅｒ ｒｅｓｅａｒｃｈ ａｎｄ ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｍｅｄｉｃａｌ ｉｍａｇｅ ｍａｔｃｈｉｎｇ． Ｋｅｙ ｗｏｒｄｓ：ｓｃａｌｅ—ｉｎｖａｒｉａｎｔ ｆ ａｎｌｒｅ ｔｒａｎｓｆｏｒｍ；ｓｐｅｅｄｅｄ ｕｐ ｒｏｂｕｓｔ ｆｅａｔｕｒｅｓ；ｉｍａｇｅ ｍａｔｃｈｉｎｇ；Ｋ－ｎｅａｒｅｓｔ ＬＵ Ｙｕ—ｗｅｉ，ＨＵ Ｊｕｎ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ，ｔｈｅ Ｓｅｃｏｎｄ Ａｆｉｌｉｆａｔｅｄ Ｈｏｓｐｉｔａｌ ｏｆ Ａｎｈｕｉ Ｍｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｈｅｆｅｉ Ａｒｔｈｕｉ ２３０６０１，Ｃｈｉｎａ ｎｅｉｇｈｂｏｒ ａｌｇｏｒｉｔｈｍ ［中图分类号】ＴＮ９１１．２３［文献标识码］Ａ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－１６３３．２０１６．０４．００８ ［文章编号］１６７４—１６３３（２０１６）０４—００４０—０５ 医学图像配准是指对两幅或多幅医学图像求解最优空间 几何变换，使匹配图像经过该变换与被匹配图像达到空间上 的对齐。医学图像是临床诊断信息的重要来源，随着医学成 像技术的持续进步和医学成像设备的不断发展，可供利用的 目前医学图像配准主要应用于ＣＴ、ＭＲ、ＰＥＴ等医学图像的 配准融合、显微图像的配准拼接、实际医学图像和标准图谱 的比较、外科手术导航、心脏运动估计等方面。 图像特征点匹配是基于局部特征的医学图像配准的基 础，特征点的提取和描述又是进行图像匹配的基础和关键 医学图像模式也在快速增加。序列图像和多种模态图像提供 了比单幅图像更丰富的信息，有利于全面获取患者身体某部 步骤。传统技术采用人工提取特征点的方法，工作量大且 精确度较低，医学图像的自动配准是长期以来一直未能很 好解决的一个重要问题。图像工程领域经典的局部特征点 有Ｈａｒｒｉｓ角点 ”、Ｋ—Ｌ角点 、ＨＡＳＡＮ角点 等，目前国 内外比较流行的是Ｄａｖｉｄ Ｇ．Ｌｏｗｅ提出并改进的尺度不变 位或某器官的信息。现代医学的临床应用需要将不同视场、 不同时间、不同模态的多幅图像结合起来进行分析，用非刚 性变换来描述图像之间的空间关系，以实现多模医学图像的 融合、序列图像的配准及拼接，从而获取更多的医疗信息。 收稿日期：２０１５．１１－１１ 特征变换（Ｓｃａｌｅ．Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ，ＳＩＦＴ）算法 。 及其多种改进算法 ，该算法对图像缩放、旋转、位移等 几何变化具有不变性，对仿射变换、视角变化、光照变化 基金项目：安徽省级质量工程项目（２０１５ｓｊｊｄＯ０８、２０１５ｊｙｘｍｌ９１）。 通讯作者：胡峻，安徽医科大学第二附属医院医学工程与信息部部 长，正高级工程师。 通讯作者邮箱：７０６０２３４５＠ｑｑ．ｃｏｒｎ ４０ 中国医疗设备２０１６￣第３１＠０４期 ＶＯＬ．３１Ｎｏ．０４ 正确匹配的数量见图１２，两种随机参数估计算法结果相 州 零 ［参考文献】 ∞∞∞ ∞如 近，ＳＵＲＦ特征正确匹配数量多于ＳＩＦＴ特征正确匹配数 量。由于实验用图为相邻序列医学图像，Ｋ近邻算法生成 的匹配正确率较高，故简洁的ＬＭＥＤＳ算法依然保持了与 ＲＡＮＳＡＣ算法相似的高性能。若处理对象偏差或干扰较 大，ＬＭＥＤＳ算法性能可能随之快速下降，使用可调阈值的 ＲＡＮＳＡＣ算法可获得更好的性能。 １００ × ×／＊— ８０ 瓤 ／－鲞 毒 ｉ ６０ 《 电 一。一’。 ４Ｏ ２０ ｌ ３ ５ ７ ９ １１ １３ １５ １７ １９ 阀值 图１１实验组ｌ￣５的ＳＵＲＦ特征匹配内点数随 ：｝｛阈值变化情况 凡 ． １＼ ｌ ｝ ——●一ＳＩＦＴ－ＬⅧＤＳ 、＼ ／ ／ —●一ＳＩＦＴ－ＲＡＮＳＡＣ ｆ９１ ‘ — ＳＵＲＦ－ＬＭＥＤＳ —＊＿ＳＵＲＦ－ＲＡＮＳＡＣ １ 实验图像时 图１２ ＬＭＥＤＳ与ＲＡＮＳＡＣ（Ｔｈ＝９）计算正确匹配数量 ３结论 本文选择ＭＲ序列图像作为实验研究对象，分别采用 ＳＩＦＴ和ＳＵＲＦ算法自动提取特征点，对比两种算法可生成 特征点的数量和算法运行时间；使用特征点之间的欧式距 离作为相似性判定度量，采用Ｋ最近邻法建立匹配关系； 分别采用两种随机参数估计算法：随机抽样一致算法和最 小中值方差估计算法得到全局最优的参数估计，从匹配中 去除错误匹配，分析ＲＡＮＳＡＣ阈值选择与匹配筛选之间的 关系，对比两种随机参数估计算法的实验结果；在实验结 果分析基础上建立一套可行的医学图像特征自动提取和配 准的程序方案，为后续深入研究基于特征的医学图像配准 提供了基础数据和平台条件。 ４４ 中国医疗设备２０１６年第３１卷Ｏ４期 ＶＯＬ．３１Ｎｏ．０４ ［１］Ｈａｒｒｉｓ Ｃ，Ｓｔｅｐｈｅｎｓ Ｍ．Ａ ｃｏｍｂｉｎｅｄ ｃｏｍｅｒ ａｎｄ ｅｄｇｅ ｄｅｔｅｃｔｏｒ［Ａ］． Ｐｒｏｃｅｄｉｎｇ ｏｆ ｔｈｅ Ｆｏｕｒｔｈ Ａｌｖｅｙ Ｖｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ［Ｃ］．Ｍａｎｃｈｅｓｔｅｒ， ＵＫ．１９８８：１４７—１５１． ［２】Ｔｏｍａｓｉ Ｃ，Ｋａｎａｄｅ Ｔ．Ｄｅｔｅｃｔｉｏｎ ｎａｄ Ｔｒａｃｋｉｎｇ ｏｆ Ｐｏｉｎｔ Ｆｅａｔｕｒｅｓ［Ｒ］． Ｃａｒｎｅｇｉｅ Ｍｅｌｌｏｎ Ｕｎｉｖｅｒｓｉｔｙ Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏ￣ＣＭＵ—ＣＳ－９１—１３２， １９９１． 【３］Ｓｍｉｔｈ ＳＭ，Ｂｒａｄｙ ＪＭ．ＳＵＳＡＮ：Ａ ｎｅｗ ａｐｐｒｏａｃｈ ｔｏ ｌｏｗ ｌｅｖｅｌ ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ［Ｊ］ＪｎｔＪＣｏｍｐｕｔ ．１９９７．２３（１）：４５—７８． 【４］Ｌｏｗｅ ＤＧ．Ｏｂｊｅｃｔ ｒｅｃｏｇｎｉｔｉｏｎ ｆｒｏｍ ｌｏｃａｌ ｓｃａｌｅ—ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅｓ［Ａ］． Ｉｎｔｅｍａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ［Ｃ］．Ｃｏｒｆｕ，Ｇｒｅｅｃｅ， １９９９：１１５０一ｌｌ５７． ［５】Ｌｏｗｅ ＤＧ．Ｄｉｓｔｉｎｃｔｉｖｅ ｉｍａｇｅ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｓｃａｌｅ－ｉｎｖａｒｉａｎｔ ｋｅｙｐｏｉｔｎｓ［Ｊ］．／ｎｔＪＣｏｍｐｕｔ ，２００４，６０（２）：９１—１１０． 【６］Ｋｅ Ｙ，Ｓｕｋｔｈａｎｋａｒ Ｒ．ＰＣＡ—ＳＩＦＴ：Ａ ｍｏｒｅ ｄｉｓｔｉｎｃｔｉｖｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ ｌｏｃａｌ ｉｍａｇｅ ｄｅｓｃｒｉｐｔｏｒｓ［Ｃ］．ＣｏｎｆＰｒｏｃ Ｃｏｍｐｕｔｅｒ Ｆｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎ＃ｉｏｎ．２００４：５１１－５１７． ［７］Ｍｉｋｏｌａｊｃｚｙｋ Ｋ，Ｓｃｈｍｉｄ Ｃ．Ａ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｌｏｃａｌ ｄｅｓｃｒｉｐｔｏｒ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ Ｐａｔｔｅｒｎ Ａｎａｌ Ｍａｃｈ Ｉｎｔｅｌｌ， ２００５，２７（１０）：１６１５－１６３０． ［８】Ｂａｙ Ｈ，Ｅｓｓ Ａ，Ｔｕｙｔｅｌａａｒｓ Ｔ，ｅｔ ａ１．ＳＵＲＦ：Ｓｐｅｅｄｅｄ—ｕｐ ｒｏｂｕｓｔ ｆｅａｔｕｒｅｓ［Ｊ］．Ｃｏｍｐｕｔ Ｖｉｓ Ｉｍａｇｅ Ｕｎｄｅｒｓｔ，２００８，１ １０（３）：３４６—３５９． ［９］Ｊｕａｎ Ｌ，Ｇｗｕｎ Ｏ．Ａ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＳＩＦＴ，ＰＣＡ—ＳＩＦＴ ａｎｄ ｓｕｅｚ［Ｊ］．／ｎｔＪ［ｍａｇｅ Ｐｒｏｃ，２００９，３（４）：１４３—１５２． ［１０］王如杰．基于特征融合的医学图像检索［Ｄ］．南京：南京理工大学， ２０１３． ［１１］王玉亮，沈建新，廖文和．基￣ＳＩＦＴ特征的眼底图像自动拼接［Ｊ】． 中国图象图形学报，２０１１，１６（４）：６５４—６５９． ［１２】张少敏，支力佳，赵大哲，等．融合ＳＩＦＴ特征的熵图估计医学图 像非刚性配准［Ｊ］．中国图象图形学报，２０１２，１７（３）：４１２—４１８． ［１３］余小鹏，周德翼．一种自适应ｋ一最近邻算法的研究［Ｊ］＿计算机 应用研究，２００６，２３（２）：７０—７２． ［１４］王晓哗，王正欧．Ｋ一最近邻分类技术的改进算法［Ｊ１．电子与信 息学报，２００５，２７（３）：４８７—４９ １． ［１５】曲天伟，安波，陈桂兰．改进的ＲＡＮＳＡＣ算法在图像配准中的 应用【川．计算机应用，２０１０，３０（７）：ｌ８４９．１８５１． 圈