本發明涉及一種圖像配準方法，屬于圖像處理領域。

背景技術：

在醫學圖像處理領域，為了綜合利用不同圖像所提供的信息，需將不同圖像進行融合，而融合的重要前提便是醫學圖像配準。醫學圖像配準是兩幅醫學圖像間一對一映射的過程，即對于一幅醫學圖像尋求一種或一系列空間變換，使兩幅圖像中對應于空間同一位置的點聯系起來。

隨著醫學成像技術的迅速發展，設備成像原理的不同，造成多種模態圖像的存在，雖然目前不同的醫療成像設備已經取得很大進展，成像的質量也得到很大提高，但由于它們各自成像原理的不同使得在臨床應用中無法相互代替。不同模態的醫學圖像各具優勢與特點，如CT和MRI以較高的空間分辨率提供器官的解剖結構信息，而PET和SPECT以較低的空間分辨率提供新陳代謝功能信息。然而單一模態的醫學圖像提供的信息是有限的，若能夠快速有效地利用多種模態的圖像，就可以為醫生提供病變組織或器官的多種互補信息，從而為醫生診斷病情提供更全面的依據。

在醫學圖像配準過程中，常用的Powell算法是一種局部優化算法，該算法收斂速度快，但是過度依賴初始點，容易陷入局部極值造成誤配準。常用的標準PSO算法自身也容易陷入局部極值，有早期收斂和后期震蕩等問題。

基于上述考慮，本文提出一種能夠有效利用多種優化算法優點的方法，將差分策略引入到粒子群算法中，并設置一個迭代次數閾值，與傳統配準方法相比，配準準確度有所提高，可以有效克服配準過程中陷入局部極值的問題。

技術實現要素：

本發明的目的在于：針對利用標準粒子群算法易陷入局部極值問題，提出一種融合差分算法的粒子群到運用于醫學圖像配準的方法，從而有效解決標準粒子群算法易陷入極值的問題，配準準確度顯著提高，為醫療診斷提供更為精準的圖像依據。

為了達到上述目的，本發明的醫學圖像配準方法在計算機讀入原始圖像后，進行如下基本步驟：

步驟A.設置參數：粒子群規模N，優化迭代次數T，個體初始最優解和全局初始最優解，最大迭代次數T max，初始的慣性權重ω_I，和最終的慣性權重ω_F，全局最優解的迭代次數t和閾值tg；

步驟B.根據每個粒子的位置矢量計算互信息值，判斷全局最優值是否停滯。

步驟C.當迭代中全局最優解停滯次數t小于t_g，引入動態慣性權重

到標準的速度和位置矢量的更新公式：

步驟D.當全局最優解停滯次數大于或等于t_g，采用差分策略，取兩個任意不同的粒子與當前最優解加權求得中間體：

u_i(g)＝x_r1(g)+F·(x_r2(g)-x_r2(g))，

并通過與當前比較，判斷是否可以取代當前最優解

步驟E.未滿足終止條件時，重復步驟B，C和D繼續執行下去；

步驟F.如果在搜索空間中找到了最優解或者迭代次數大于T，則停止當前搜索，并根據搜索結變換，輸出配準后的圖像；

本發明的醫學圖像配準方法針對標準粒子群算法在尋求全局最優解時易陷入局部極值問題，在基于粒子群和互信息的基礎上，采用差分策略，增加粒子的多樣性，減少陷入極值的概率，增加醫學圖像配準的精確度，對醫學圖像的配準具有重要現實意義和應用價值。

附圖說明

圖1為本發明一個實施例的流程圖。

圖2(a)，(b)和(c)分別為圖1實施例的腦部MRI參考圖像，腦部CT浮動圖像和采用本方法的多模態的配準結果圖；圖2(d)，(e)和(f)分別為圖1實施例的腦部CT參考圖像，變換后的腦部CT浮動圖像和采用本方法的單模態的配準結果圖。