一種改進的自適應TVp配準模型

張群藝　楊奮林

摘 要：引入符號函數建立了兼顧位移場光滑與不連續的自適應全變分配準模型，并給出了有效的不動點迭代方法。實驗表明，由自適應全變分模型得到的圖像比全變分配準模型的效果更好，花費時間更少。

關鍵詞：圖像配準;自適應;全變分;不動點方法

中圖分類號：BT

文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2020.19.096

0 引言

圖像配準是醫學圖像應用中最困難的任務之一。配準的目的是自動對齊圖像，并在顯示同一對象的不同視圖的圖像中建立特征之間的對應關系。成功配準后，可以將來自不同圖像的信息進行比較，組合或融合，以完成進一步的任務。

基于變分的圖像配準結合了位移場形變的本質特征，是圖像配準中一類重要的方法。變分模型是圖像配準應用中非常有效的工具。擴散模型是比較簡單的模型，能產生光滑的位移場，采用AOS方法可快速求解。TV配準能保留位移場不連續。本文兼顧位移場的光滑與不連續，提出一種改進的自適應TVp配準模型，并給出了不動點迭代方法求解。

表1顯示TVP配準的相似性測度比TV配準少3.9241，TVP配準的誤差相對于TV配準減少了近0.86%，且迭代時間及步數約TV配準的50%。

4 結語

本文將TVP模型引入圖像配準，利用符號函數將模型正則項變為容易求解的冪函數。該模型提高了TV模型的配準質量，花費時間更短，迭代步數更少，誤差更低。

參考文獻

[1]Fischer B， Modersitzki J. Fast diffusion registration[J]. Contemporary Mathematics，2002，313：117-129.

[2]Frohn-Schauf C， Henn S， Witsch S. Multigrid based total variation image registration[J]. Computing and Visualization in Science，2008，11（2）：101-113.

[3]Vogel C R， Oman M E. Iterative Methods for Total Variation Denoising[J]. SIAM Journal on Scientific Computing，1996，17（1）：227-238.

[4]Blomgren P， Chan T F， Mulet P， et al. Total variation image restoration： Numerical methods and extensions[C]. IEEE International Conference on Image Processing，1997，3：384-387.

[5]Blomgren P， Chan T F， Mulet P. Extensions to total variation denoising[J]. Proceedings of SPIE the International Society for Optical Engineering，1999，3162：367-375.

[6]Chen Q， Montesinos P， Sun Q S， et al. Adaptive total variation denoising based on difference curvature[J]. Image and Vision Computing，2010，28（3）：298-306.