基于SURF算法的醫學圖像融合研究

孔帆帆，貝　乾

(蘇州大學附屬第二醫院 信息中心，江蘇 蘇州 215004)

基于SURF算法的醫學圖像融合研究

孔帆帆，貝乾

(蘇州大學附屬第二醫院 信息中心，江蘇 蘇州 215004)

摘要：針對醫學顯微圖像觀察存在的問題，提出了一種SURF算法，即運用SURF算法實現了醫學顯微圖像特征點的提取與初步匹配。針對匹配中存在的匹配誤差問題，采用RANSAC算法對圖像進行二次提純，并通過試驗對算法進行了驗證。

關鍵詞：圖像融合；SURF算法；精確匹配；試驗分析

圖像融合是將同一物體的多個圖像通過一定的技術融合成為一張新的圖像。其本質則是將擁有不同波長和成像原理的圖像傳感器對著同一個物體的不同角度拍攝不同圖像信息，從而通過某種融合算法將其合稱為新的圖像，以此使得融合后的圖像在信息表達方面更全面，在視覺方面也更為清晰。同時在顯微圖像方面，由于顯微視野小，局部放大后只能觀察到局部的切片信息。因此，圖像融合技術成為當前醫學顯微圖像融合研究的熱點。而針對圖像融合，通常包括圖像特征值提取和圖像匹配2個步驟，因此，本文對基于SURF算法在圖像融合中的實現進行了詳細分析[1-3]。

1基于SURF算法的圖像特征值提取

1.1積分圖像

基于SURF的特征檢測算法是由Bay等提出。該算法與傳統的SIFT算法具有很多相似之處。SIFT算法主要通過DOG去簡化LOG，從而提高了對特征點的搜索速度。但是隨著人們對速度的要求，SURF算法也應用而生。該算法則是對DoH中的高斯二階微分進行簡化和近似，對圖像的濾波簡化轉變為僅需對其進行加減的運算。該算法的第1步則為通過積分圖像(見圖1)將圖像和高斯二階微分模板的濾波轉換為簡單的加減運算，因此，對積分圖像I中的點X,則有：

(1)

式中，I∑(X)表示在原始圖像中，在原點和點X兩點之間所形成的矩形區域內的面積，即該區域內的所有像素的值。

圖1　積分圖像的示意圖

由此，通過積分圖像轉換，某點所構成的積分灰度之和則可通過3個不同的加減來進行運算，由此則有：

∑=A+D-B-C

(2)

1.2近似的Hessian矩陣

對SURF興趣點的檢測是通過Hessian矩陣，其利用Hessian矩陣當中的行列式的局部最大值從而對興趣點的位置進行定位。當Hessian矩陣中行列式局部為最大時，其檢測出來的興趣點為斑狀結構。所謂的斑狀就是比該點周圍的顏色要亮或者暗的一個區域。因此，給定圖像I中的某點X，對其尺度為σ的Hessian矩陣定義為：

(3)

而要將模板和卷積變為濾波運算，則需要對高斯二階模板進行簡化。通過幾個矩形區域組成簡化后的模板，同一個的值被填充到矩形區域內，因此，可以使用Dxx、Dxy、Dyy來表示其模板和圖像卷積完成后相對應的結果，從而則有：

Det(Happrox)=DxxDyy-(wDxy)2

(4)

式中，w表示權重，在通常情況下w取0.9。

通過式4的近似算法，則可以得到圖像中的每個點在尺度σ上的響應值。

1.3尺度空間極值檢測

要想在不同縮放關系的圖排進中找到與圖片相互對應和匹配的興趣點，就必須具備在不同尺度下對同一個物理位置的興趣點檢測的能力。SURF算法與SIFT算法兩者之間存在的一個不同點在于，前者是通過盒子濾波的方式對多尺度空間進行構建，不斷與原始圖像進行卷積作用，從而產生了多尺度的Dxx、Dxy、Dyy。在該運算過程中由于積分圖像的大小和其本身的計算量無關，因此，在對多尺度空間進行運算的過程中其檢測速度大大提高。如對9×9的模板空間來講，通過濾波計算得到尺度空間金字塔的最底層對應的尺度為s=1.2，近似于σ=1.2的高斯2階偏導濾波。假設第1層為最底層，在第1層的尺度空間當中包括4層的尺度圖像，因此對9×9的模板空間來講有如圖2所示的尺度空間金字塔。

圖2　尺度空間金字塔

在構建好上述的尺度空間金字塔后，為求得在某個特定尺度下的極值，本文采用了一種非常逼近det(H)的近似表達式，其公式為：

ΔDet(Happrox)=DxxDyy-(0.9Dxy)2

(5)

要判斷該點是否為局部的極值，則直接對ΔDet(H)進行判斷，如該值為正，則表示該值為極值點，如果該值為負，則表示不為極值。然后在三維尺度空間中，在每個3×3×3的立體區域中進行非極值的抑制，從而可確定出符合條件的候選極值的點，并對其尺寸進行一一記錄。

2興趣點描述

2.1興趣點方向描述

為讓特征點描述算子具備旋轉并且不產生變化的性能，需要對每個特征點賦予方向特征。以某個特征點作為圓心，以6s(s表示該特征點所對應的尺度)作為半徑，在該圓形區域內，采用尺寸大小為4s的Haar小波模板(見圖3)對圖像進行處理，從而求取在X、Y兩個不同方向上的Haar小波響應。其中黑色表示為-1，白色表示為+1。

圖3　Haar小波模板

用圓心角角度為60°的扇形圍繞該特征點環繞一周，計算該扇形處在每個角度的時候，其所包含的圖像點的Haar小波響應之和。同時，由于在環繞的過程中，每個點都有x、y兩個方向對其進行相應，因此，該扇形區域中所有響應的點構成一個矢量。將該扇形環繞圓一周所形成的矢量記錄下來，并取其最大的矢量，則該方向則為特征點相對應的方向。

2.2特征點描述

為讓SURF特征保持良好的旋轉而不變性，需要對生成的SURF特征進行描述。對此，通常以特征點作為中心，沿著其主方位的方向構建一個邊長為20s的正方形。將該正方形分為4×4的子區域，在每個小區域當中又將其分為5×5的采樣點。由此計算Haar小波分別在主方向的水平響應和垂直響應。同時，為提高定位誤差的魯棒性，通常對響應加高斯權重(3.3s)。在完成上述的步驟之后，對每個字塊的響應的值進行統計，從而分別得到區域內每個字塊的矢量大小：

V=(∑dx，∑|dx|,∑dy，∑|dy|，)

(6)

由此，完整特征點的描述矢量則通過4×4個子區域的矢量聯合構成，并形成4×4×4=64維的特征矢量。最后在對上述矢量值進行規劃處理，就得到SURF算法。

3特征點匹配

在對圖像特征點進行檢測后，得到不同特征點的集合。要對圖像進行匹配，還需要對特征點的相似度進行判斷。而在對特征點相似度的計算中，可采用Hessian矩陣跡的正負性加速匹配方法，也可采用于最近距離比次近距離的匹配方法，本文則采用歐式距離算法。其具體點步驟為。

第1步：對特征值進行初步匹配，如下式：

(7)

第2步：一致性抽樣檢測。由于對圖像拍攝的硬件設備和圖像噪聲等的不同，可能存在匹配錯誤或者是匹配過多的問題，本文提出RANSAC算法進行驗證。該算法的步驟為。

1)從數據中抽取3對不共線的匹配點進行相應的計算，從而可以得到其相應的變換矩陣。

2)對剩下的N-3對匹配點和上述H1斤西瓜距離計算，在允許的范圍內，保存得出的樣本數量。

3)反復對上述的2個步驟進行計算，當其中X取值最大并且比閾值T大時，此時得到最大的內域點，并完成對圖像的匹配工作。

4圖像融合

在完成對圖像的匹配之后，則需要對圖像進行融合。因此，本文采用漸入漸出融合算法。具體分為下述幾步。

1)圖像對齊。對圖像進行空間變化，從而使得其處于同一個坐標平面。同時為保證圖像的清晰度，對圖像進行插值。本文采用雙線性插值折衷性能和時間效率。

2)圖像融合。對圖像的融合如果直接拼接，則可能因為光度等的不同導致其出現偏差，對此本文采用漸入漸出算法。假設I1、I2、I分別表示融合前圖像1、圖像2和在融合后的圖像3，則有：

式中，W是兩幅不同畫面重復的總寬度；w是重合區域左邊緣與當前像素點之間的橫向距離。

通過這樣的平滑過渡，從而避免拼接縫隙的產生。

5基于SURF算法的醫學圖像融合試驗驗證

本文采用visual studio2010和 OpenCV2.2.0作為實驗開發驗證的平臺，電腦硬件采用酷睿i5的win8系統。通過上述算法的設計實現的步驟，可以得到如圖4所示的前列腺同尺寸病變結果。

圖4　前列腺同尺寸病變顯微圖像拼接結果

6結語

通過上述圖像的拼接過程，可以看出圖像效果良好，并且無拼接縫，由此可以看出該算法的設計具有很好的效果，可以提高醫學顯微圖像的全面性。

參考文獻

[1] 張云露,張士衛,藺紹玲.鎂合金防腐涂層的研究[J].新技術新工藝，2014(5)：68-71.

[2] 王亞云,邵謙.TiO2納米管制備修飾及應用研究進展[J].新技術新工藝，2013(9)：69-73.

[3] Arivazhagan S, Anisha J P. Image fusion using spatial unmixing[C]//Signal Processing ImageProcessing & Pattern Recognition (IC- SIPR). San Jose: 2013 International Conference on IEEE, 2013:238-242.

責任編輯鄭練

Research on SURF Algorithm of Medical Image Fusion

KONG Fanfan，BEI Qian

(Information Center, The Second Affiliated Hospital of Soochow University, Suzhou 215004, China)

Abstract:Aimed at the existing problem of medical microscopic images, an improved SURF algorithm was proposed, which is using the SURF algorithm and the preliminary matching feature point extraction of medical microscopic image. Focused on the problems of matching error in match, used RANSAC algorithm for secondary refining, and through the experiments, verified the algorithm.

Key words:image fusion, SURF algorithm, precise matching, experimental analysis

收稿日期：2015-01-05

作者簡介：孔帆帆(1981-)，女，軟件設計師，主要從事數據挖掘等方面的研究。

中圖分類號：R 311

文獻標志碼：A