二维均匀分布的边缘密度函数_（十六）估计待配准图像概率密度

1、概述

信息论主要应用于多模态的医学图像配准中，它有一个必不可少的步骤就是估计待配准图像的联合概率。

获取联合概率的方法：

• 直方图估计【简单，但是它受制于箱子的数目，而且图像是离散的】
• 帕曾窗方法:概率密度的估计【有很多的核密度，不知道选用哪一个更好，而且高维度会出现拖尾现象】
• 非参数窗（NP）【精度高但是计算量大】--平面插值的方法减少了他的计算量

注：标准直方图和帕曾窗都是把图像看成像素的一个集合

• 离散直方图转换（DHT）【对多变量直方图的一个平均，这样的话可以缓解箱子边界的不连续性】【但是随着箱子的增大，计算量越来越大】【利用多变量频域多边形MFP来降低DHT的计算量，但是他们同样是依赖箱子的数目】
• 部分体积估计（PVE）【通过非网格点到附近网格点（4、8个）的距离来计算权重进而更新其直方图】
• 广义的部分体积估计（GPVE）【仍需要直方图与核函数】
• 连续图像表示（CIR）计算待配准图像间的联合直方图【与PVE一样利用图像的连续表示。但不受核函数影响】
• 快速连续直方图估计FCHE【降低图像配准中的网格效应，减少大尺寸的配准时间，抽取样本来进行估计。精确度+执行效率】
• 利用估计图像的联合概率-计算信息论的相似度-单纯性优化方法求目标函数的最小值-评估其效果

2、基于连续图像表示的直方图估计

1)部分体积估计（PVE）【面积】

浮动图像和参考图像点的关系

这个点把整个小方格分为了4个部分，

更新直方图：

2)广义部分体积估计(GPVE)：【将PVE进行广义化】

利用一个三角形函数进行推广，当然也可以用B样条函数等等来代替