ITK的图像配准

配准的过程主要包括四个模块，即：变换，插值，相似性测度，优化器。整个配准的实现过程实际上可以认为是一个优化过程。将待配准图像映射到参考图像的最优化问题！在确定变换方式后，待配准图像变换到参考图像的坐标系中，由于经过变换后的位置可能不在网格点上，这时通过插值获取变换后的点的亮度值，如线性插值，邻域插值等等。

1、变换

配准的最终目标是获得从一个图像的坐标系到另一个图像坐标系的映射关系。在ITK中变换对象压缩映射点和从输入空间到输出空间的向量。如果变换是可逆的，那么同时也提供了反变换方法。通常，会根据具体的配准问题用ITK来实现各种不同的算法。其中常用的是刚性变换、仿射变换、相似变换等。

2、插值

内插器用来计算待配准图像在非网格位置的值。在配准过程中，当一个变换将一个点从一个空间映射到另一个空间时，一般情况下该点会被映射到非网格区域，即参考图像的网格位置不会正好映射到待配准图像的网格位置上。因此，插值就是用来计算待配准图像中非网格位置上的亮度值。常用的插值方法有最近点插值、线性插值、B样条插值。

3、相似性测度，是基于均方差，互信息等准则来量化变换后图像之间的相似性。经过坐标变换后，两幅图像中相关点的几何关系已经一一对应，进一步的工作需要找到一种相似性测度来衡量两幅图像的相似程度，并且通过优化器不断地改变变换参数，优化后的参数将返回迭代再进行配准，使得相似性测度达到最优，即最终转化为多参数多峰值离散最优化问题。它的输入包括：参考图像和待配准图像，变换函数和interpolator(插值器)。在ITK中，相似性测度从数量上通过比较图像亮度的灰度值来估计变换后的待配准图像与参考图像的匹配质量。相似性测度是配准框架中最关键的部分。采用何种相似性测度，很大程度上依靠需要去解决的配准问题，没有一个明确的标准。例如，有些相似性测度有较大的捕捉范围而另外的需要接近于最优化位置的初始值。另外，一些相似性测度仅仅适合比较从相同模式下成像的医学图像而另外一些则可以比较多模态医学图像。目前经常采用的相似性测度有均方根距离、倒数均方差分、归一化互相关、互信息等。

4、优化器

优化器被用来找到变换参数去最优化相似性测度。配准过程可以看作是—个参数寻优的问题。配准框架中，优化器是根据相似性测度中得到的经过量化的测度来优化变换参数。从一组参数初值开始，优化过程循环搜索变换参数搜索空间中的不同位置，根据相似性测度进行判断并最终得到最优策略。在ITK中，优化算法有两种，一种是适合处理返回单值的代价函数；另一种是适合处理每次阶跃中返回多值的代价函数。在具体应用中，优化算法需根据使用的变换方法来配合选择。

配准就是在基于上述四个部分，针对不同的图形情况，如单模，多模，去用不同的准则，变换，优化器和插值方法。在这个配准框架下，不同的部分在设置参数时有变换，这个也是难点。不同的优化器，往往参数设置不同，这个就需要了解优化器和配准方法的算法。如放射变换有旋转变换的矩阵，平移量。muti-solution registration(多分辨率配准)要改变步长等等。