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】
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