itk registration 11

最新推荐文章于 2022-08-04 09:59:30 发布
最新推荐文章于 2022-08-04 09:59:30 发布
阅读量333 收藏 3
点赞数 2
分类专栏： rigid registration
原文链接：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18
版权

参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18

3.11 Metrics

在ITK中，ITK::ImageToImageMetricv4对象通过比较图像的灰度强度，定量地度量变换后的moving图像与fixed图像的匹配程度。这些metric非常灵活，可以用于任何transform或interpolation方法，不需要将灰度图像缩减为稀疏提取的信息，如边缘。

metric组件可能是配准框架中最关键的元素。选择使用哪种metric标准在很大程度上取决于要解决的配准问题。例如，一些metrics具有较大的捕获范围，而其他metric需要在接近最佳位置的位置进行初始化。此外，一些metric标准只适用于比较从单模图像，而另一些可以处理多模。不幸的是，对于如何选择度量标准没有明确的规则。

matching metric类控制大部分配准过程，因为它处理fixed、moving和virtual图像，以及fixed和moving transforms和interpolators。方法GetValue()可用于在参数中指定的transform参数上评估定量标准。通常，metric抽样点在虚拟格的一个定义区域内。对于每个点，使用指定参数的fixed初始变换和moving变换计算相应的fixed和moving图像位置。然后利用fixed插值器和moving插值器计算在映射位置上的fixed和moving图像的强度。在图3.40和3.41中详细说明了这种映射，假设virtual点阵与fixed图像点阵相同，实际情况通常是这样的。

这些metric还支持基于region-based的评估。 SetFixedImageMask（）和SetMovingImageMask（）方法可用于将评估metric限制在指定region内。掩码可以是从itk :: SpatialObject派生的任何类型。

基于梯度的优化方案除了需要measure值外，还需要测度对各transform参数的导数。方法GetDerivatives()和GetValueAndDerivatives()可用于获取梯度信息。

以下是ITKv4配准框架中当前可用的metric列表：

另外，如果您有兴趣使用旧版ITK配准框架，则以下是ITKv3当前可用的metric列表：

fixed图像f（X）和变换后的moving图像（m∘T（X））称为图像A和B。

3.11.1 Mean Squares Metric

itk :: MeanSquaresImageToImageMetricv4计算用户定义区域上图像A和B之间强​​度的均方根平方差：

Ai是图像A的第i个像素， Bi是图像B的第i个像素 ，N是要考虑的像素数。

metric=0表示最好。图像A和B之间的匹配不良会导致metric过大。该metric易于计算，并且具有相对较大的捕获半径。

这个metric依赖于这样的假设，即表示单模相同位置点的强度必须在两幅图像中相同。因此，它的使用被限制在单模图像。此外，任何强度的线性变化都会导致较差的匹配值。

Exploring a Metric

熟悉作为成本函数的metric的特征是找到建立优化过程的最佳方法的基础，该过程将使用这个metric来解决配准问题。

https://github.com/InsightSoftwareConsortium/ITK/blob/master/Examples/RegistrationITKv4/MeanSquaresImageMetric1.cxx

这一过程有助于识别给定参数范围内的度量可能有噪声，而且它还将给出优化器在探索参数空间时可能陷入的局部极小值或极大值的数量。

图3.44:多平移情况下图像与自身比较的Mean Squares Metric图。

 

#include "itkImage.h"
#include "itkImageFileReader.h"
#include "itkImageFileWriter.h"

#include "itkMeanSquaresImageToImageMetricv4.h"//metric、transform、interpolator头文件
#include "itkTranslationTransform.h"
#include "itkNearestNeighborInterpolateImageFunction.h"

int
main(int argc, char * argv[])
{
  if (argc < 3)
  {
    std::cerr << "Usage: " << std::endl;
    std::cerr << argv[0] << "  fixedImage  movingImage" << std::endl;
    return EXIT_FAILURE;
  }
  
  constexpr unsigned int Dimension = 2;//为metric评价的dimension和pixel type
  using PixelType = float;

  using ImageType = itk::Image<PixelType, Dimension>;

  using ReaderType = itk::ImageFileReader<ImageType>;

  ReaderType::Pointer fixedReader = ReaderType::New();
  ReaderType::Pointer movingReader = ReaderType::New();

  fixedReader->SetFileName(argv[1]);
  movingReader->SetFileName(argv[2]);

  try
  {
    fixedReader->Update();
    movingReader->Update();
  }
  catch (const itk::ExceptionObject & excep)
  {
    std::cerr << "Exception catched !" << std::endl;
    std::cerr << excep << std::endl;
  }

  using MetricType =
    itk::MeanSquaresImageToImageMetricv4<ImageType, ImageType>;//fixed和moving的图像类型一致

  MetricType::Pointer metric = MetricType::New();

  using TransformType = itk::TranslationTransform<double, Dimension>;//实例化transform、interpolator类型，创建每个类别的对象

  TransformType::Pointer transform = TransformType::New();


  using InterpolatorType =
    itk::NearestNeighborInterpolateImageFunction<ImageType, double>;

  InterpolatorType::Pointer interpolator = InterpolatorType::New();

  transform->SetIdentity();

  ImageType::ConstPointer fixedImage = fixedReader->GetOutput();
  ImageType::ConstPointer movingImage = movingReader->GetOutput();

  metric->SetTransform(transform);//metric连接fixed、moving和interpolator、transform。此时SetTransform与SetMovingTransform等价
  metric->SetMovingInterpolator(interpolator);

  metric->SetFixedImage(fixedImage);
  metric->SetMovingImage(movingImage);
 
  metric->SetVirtualDomainFromImage(fixedImage);//在此示例中，无需使用SetFixedTransform（），因为假定virtual域与以下设置的fixed图像域相同。

  try
  {
    metric->Initialize();
  }
  catch (const itk::ExceptionObject & excep)
  {
    std::cerr << "Exception catched !" << std::endl;
    std::cerr << excep << std::endl;
    return EXIT_FAILURE;
  }

  MetricType::MovingTransformParametersType displacement(Dimension);//最后选取一个参数空间区域进行探讨。在本例中，我们使用的是2D中的平移变换，因此我们只需在x和y中选择从负位置到正位置的平移。

  constexpr int rangex = 50;
  constexpr int rangey = 50;

  for (int dx = -rangex; dx <= rangex; dx++)
  {
    for (int dy = -rangey; dy <= rangey; dy++)
    {
      displacement[0] = dx;
      displacement[1] = dy;
      metric->SetParameters(displacement);
      const double value = metric->GetValue();
      std::cout << dx << "   " << dy << "   " << value << std::endl;
    }
  }
  return EXIT_SUCCESS;
}

 

3.11.2 Normalized Correlation Metric

itk::CorrelationImageToImageMetricv4计算pixel-wise cross-correlation，并通过图像自相关的平方根进行归一化:

Ai是图像A的第i个像素
Bi为图像B的第i个像素
N是考虑的像素个数

注意metric计算中的-1因子。该因子用于使度metric到最小值时达到最优。metric的最优值是- 1。图像之间的不对齐导致测量值较小。该度量的使用仅限于使用单模图像。该metric对两幅图像之间的乘法因子不敏感。这个metric产生一个具有尖峰和明确定义的极小值的成本函数。另一方面，它的捕获半径相对较小。

3.11.3 Mutual Information Metric

itk::MattesMutualInformationImageToImageMetricv4计算图像A和图像b之间的互信息。互信息(MI)衡量一个随机变量(在一幅图像的图像强度)与另一个随机变量(在另一幅图像的图像强度)信息多少。使用MI的主要优点是不需要指定依赖项的实际形式。因此，可以对两幅图像之间的复杂映射进行建模。这种灵活性使得MI非常适合作为多模态注册[46]的标准。

Mutual information是根据熵来定义的。

H(A)是随机变量A的熵，H（B）是随机变量B的熵。

H(A，B)是A和B的联合熵。如果A和B是独立的，则且

但是，如果有依赖关系，则

差值被称为Mutual Information:I(A,B)

Parzen Windowing

图3.43:在Parzen窗口中，以从图像得到的强度样本为中心叠加核函数(本例为高斯函数)，构造一个连续的密度函数。


在典型的配准问题中，不能直接获取边缘概率密度和联合概率密度，因此必须从图像数据中估计密度。Parzen窗口(也称为核密度估计器)可以用于此目的。在该方案中，通过从图像中提取强度样本S并对核函数进行叠加来构造密度以S元素为中心的K(·)如图3.43所示:

各种各样的函数可以用来作为光滑核，要求它们是光滑的，对称的，有0的均值和积分1。例如，boxcar、Gaussian和b样条函数都是合适的候选函数。一个平滑参数被用来缩放核函数。平滑参数越大，使用的核函数越广，密度估计也就越平滑。如果参数太大，稠密特性特征将被平滑。另一方面，如果平滑参数太小，产生的密度可能会对噪声敏感。估计由下式给出。

平滑参数的最佳值将取决于数据和所用样本的数量。

Mattes et al. 实现在itk :: MattesMutualInformationImageToImageMetricv4中。

在这个实现中，只从图像中提取一组强度样本。利用该集合，在图像动态范围内的离散位置或均匀分布的bin处评估边缘和联合概率密度函数(PDF)。然后通过对各个bin求和来计算熵值。

所使用的采样数量是样本总数的一个比率，使用直接来自注册框架itk::ImageRegistrationMethodv4的SetMetricSamplingPercentage()方法来设置。同时，通过SetNumberOfHistogramBins()方法在metric类中设置用于计算熵值的bin的数量。

由于fixed图像概率密度函数PDF不贡献的metric导数，它不需要是平滑的。因此，使用零阶(boxcar) b样条核来计算概率密度函数PDF。另一方面，为了保证平滑性，采用三阶b样条核来计算moving图像的强度。与高斯核相比，使用b样条核的优点是b样条核有一个有限的支持区域region。这在计算上很有吸引力，因为每个强度样本只影响少量的bin，因此不需要N×N循环来计算度量值。

在概率密度函数PDF计算期间，图像强度值被线性归一化到0~1。这种调整意味着一个固定的b样条核带宽可以用来处理任意大小和动态范围的图像数据。

3.11.4 Normalized Mutual Information Metric

给定两个图像A和B，可以将归一化的互信息计算为

计算图像的熵H（A），H（B），互信息I（A，B）和联合熵H（A，B）

3.11.5 Demons metric

itk :: DemonsImageToImageMetricv4指标的实现是从itk :: DemonsRegistrationFunction获取的。

可以使用来自fixed图像或moving图像的图像导数来计算度量导数。默认设置为使用fixed图像渐变。请参阅ObjectToObjectMetric :: SetGradientSource更改此行为。

使用强度阈值，为了进行微分计算，在该阈值以下将图像像素视为相等。可通过SetIntensityDifferenceThreshold更改阈值。

请注意，该metric仅支持具有局部支持和具有与moving图像尺寸匹配的多个局部参数的moving变换。特别是，它应与itk :: DisplacementFieldTransform和派生类一起使用。

3.11.6 ANTS neighborhood correlation metric

itk::ANTSNeighborhoodCorrelationImageToImageMetricv4度量使用两个图像之间的每个体素的一个小邻域来计算归一化交叉相关，并对dense配准进行速度优化。

在每个体素周围，邻域被定义为以该体素为中心的n维矩形。矩形的大小是2*radius+1。将fixed图像和moving图像的邻域Normalized correlation在整个图像上平均作为最终metric。小于2的radius是不稳定的。2是默认值。

shchojj
关注
专栏目录
ITK:Watch注册Registration
希望我的博客，能帮上你解决学习中工作中所遇到的问题
05-21 344
ITK:Watch注册Registration内容提要输出结果C++实现代码 内容提要 观看使用VTK进行的注册迭代 输出结果 输出： Optimizer stop condition: RegularStepGradientDescentOptimizer: Maximum number of iterations (1000) exceeded. Final Transform: AffineTransform (0x7f9129d00120) RTTI typeinfo: itk::Affine
ITK_Registration.pdf
06-02
ITK-SNAP配准原理介绍，主要讲解自动配准的基本原理，实现方法和基本算法，方便研究者掌握医学图像配准的原理方法，以及二次开发！
itk registration 1
fanre的专栏
10-18 380
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 图像配准是确定将一幅图像上的点映射到另一幅图像上的相应点的空间变换的过程。 在ITK中，注册是在可插入组件的框架中执行的，这些组件可以很容易地互换。 3.1 配准框架 图3.2 典型的配准框架由两幅输入图像、一个变换、一个度量、一个插值器、一个优化器组成 配准过程的基本输入：fixed image -f(X)，
itk registration 6
fanre的专栏
10-16 495
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 3.6中心初始化 ITK图像坐标原点通常位于图像的一个角上。当涉及到旋转和缩放时，这会导致反直觉的转换行为。用户倾向于假设旋转和缩放是围绕图像中心的一个固定点进行的。为了弥补预期解释中的这种差异，在工具包中引入了转换中心的概念。该参数通常是一个固定参数，在配准过程中没有进行优化，因此初始化对于获得高效准确的结果至关重要.
itk registration 4
fanre的专栏
10-16 288
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 3.4监测配准 https://github.com/InsightSoftwareConsortium/ITK/blob/master/Examples/RegistrationITKv4/ImageRegistration3.cxx 考虑到为特定应用程序调优配准方法所涉及的大量参数，配准过程运行几分钟却仍然产生无.
itk registration 8
fanre的专栏
10-16 365
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 3.8Multi-Stage Registration https://github.com/InsightSoftwareConsortium/ITK/blob/master/Examples/RegistrationITKv4/MultiStageImageRegistration1.cxx 多阶段，多分辨率的..
ITK_2DRigidReg_ITK配准_REGISTRATION_
10-01
ITK（Insight Segmentation and Registration Toolkit）是一个开源的、跨平台的库，专门用于处理这种复杂任务。本教程将深入探讨如何利用ITK进行2D图像的刚性配准，也就是"ITK_2DRigidReg_ITK配准_REGISTRATION_"所...
基于ITK的图像配准实现.zip_ITK_ITK配准_itk图像配准_图像配准_基于ITK的配准
07-14
ITK，全称为Insight Segmentation and Registration Toolkit，是一个开源的、跨平台的软件系统，主要用于医学图像处理和分析，包括图像分割、配准、滤波等任务。在这个"基于ITK的图像配准实现.zip"文件中，我们能够...
Python库 | itk_registration-5.2rc2-cp36-cp36m-win_amd64.whl
02-16
标题中的"Python库 | itk_registration-5.2rc2-cp36-cp36m-win_amd64.whl"表明我们正在讨论一个针对Python的特定库，名为`itk_registration`。这个库的版本是5.2的候选发布2（rc2），适用于Python 3.6解释器，并且是...
itk registration 7
fanre的专栏
10-16 315
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 3.7Multi-Resolution Registration 使用多分辨率方法进行图像配准被广泛用于提高速度、精度和鲁棒性。其基本思想是，首先在图像具有较少像素的粗尺度上进行配准。然后，在粗级别上确定的空间映射用于在下一个更细级别上初始化注册。这个过程不断重复，直到达到可能的最佳规模。这种由粗到细的策略极大地提高..
itk registration 16
fanre的专栏
10-19 375
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 3.16Model Based Registration 本节介绍了几何模型与图像配准的概念。我们将这一概念称为基于模型的配准，但这可能不是最广泛的术语。该方法首先建立几何模型，并在模型中识别出若干参数。这些参数的变化使模型能够适应特定病人的形态。配准的任务是找到模型参数的最佳组合，使该模型能很好地表示图像中所包含的解.
itk registration 3
fanre的专栏
10-18 169
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 3.3注册框架的特性 ITKv4配准框架: 1、配准是在物理坐标中完成的。 2、变换方向从virtual image空间映射到moving image空间 图3.8：图像配准过程中涉及的不同坐标系。注意，被优化的变换是从virtual image的物理空间到moving图像的物理空间的一种映射。 ITKv4在.
ITK Examples/RegistrationITKv4/DeformableRegistration
4月16！的博客
03-17 386
Examples/RegistrationITKv4/DeformableRegistration1.cxx itk::fem::FEMRegistrationFilter<ImageType, ImageType, FEMObjectType> Examples/RegistrationITKv4/DeformableRegistration10.cxx itk::CurvatureRegistrationFilter<InternalImageType,Inter...
itk registration 12
fanre的专栏
10-16 544
参考：https://itk.org/ITKSoftwareGuide/html/Book2/ITKSoftwareGuide-Book2ch3.html#x26-1740003.18 3.12Optimizers 图3.45：optimizersv4层次结构的类图。 Optimization算法被封装为ITKv4中的itk::ObjectToObjectOptimizer对象。优化器是通用的，可以用于配准以外的应用程序。在配准框架中，itk::SingleValuedNonLinearVnlO.
itk中图像2d-3d配准整理
yuxing55555的博客
08-04 980
itk中2d-3d配准
itk手册中的配准阅读笔记
whlgjack的专栏
04-06 9824
《ITK配准学习》 1.     图像配准框架和元素 （Registration Framework Components） 1.1.  itk::Transfrom   里面包括： 简单的平移，旋转，伸缩变换；也有广义仿射和核函数变化（kernel transformation）和基于B样条的弹性形变        正向和逆向映射        参数和雅格比矩阵(jacobian)
ITK:直方图创建和Bin访问
希望我的博客，能帮上你解决学习中工作中所遇到的问题
05-21 426
ITK:直方图创建和Bin访问内容提要C++实现代码 内容提要 本示例说明如何创建Histogram和使用对象。 我们称Histogram对象中的实例为bin。直方图与itk :: Statistics :: ListSample， itk :: Statistics :: ImageToListSampleAdaptor或 itk :: Statistics :: PointSetToListSampleAdaptor有很大不同。直方图的每个测量向量可以具有可变数量的值（类型），而其他三个类别的所有测量向
itk中的图像分割算法（四）
就这样吧
08-25 2052
“最大熵原理是一种选择随机变量统计特性最符合客观情况的准则”
直方图均衡化
Summer的博客
07-10 377
以下代码完成了itkImg的直方图均衡化 void image_enhance_grayhis(ImageType::Pointer image, ImageType::Pointer OriImage) { int width = image->GetLargestPossibleRegion().GetSize()[0]; int heigth = image->GetLargestPossibleRegion().GetSize()[1]; using PixelType
ITK Software Guide: InsightToolkit for Image Registration and Segmentation
《ITK Software Guide》第二版，更新至ITK版本2.4，由Luis Ibáñez、Will Schroeder、Lydia Ng、Josh Cates以及Insight Software Consortium共同编写，发布于2005年11月21日。这本书主要介绍了ITK（Insight Toolkit...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值