肌骨超声图像特征检测及拼接算法研究
发布时间：2022-01-21 05:49
肌肉骨骼系统疾病的发病率正随着社会老龄化的加剧逐年上升,其发病机理复杂、疾病种类繁多,严重影响着中老年人的身心健康及日常生活。肌骨超声（musculoskeletal ultrasound,MSKUS）是目前辅助诊断肌肉骨骼系统疾病的重要手段,肌骨超声全景图像可弥补传统超声图像视野狭小的缺点,全面清晰地显示肌肉、关节等部位的体层解剖图像,有助于疾病的诊断和治疗。然而,超声图像存在散斑噪声、对比度低、伪影多等固有缺陷,以致超声图像特征难以提取。而特征检测正是肌骨超声图像拼接的关键,故如何提高肌骨超声图像特征检测的有效性及重复性具有较大的研究价值。因此,本文分别研究了基于FAST和SIFT结合的特征检测算法以及基于改进的MagicPoint和CycleGAN结合的特征检测算法。基于FAST和SIFT结合的特征检测算法（FAST-SIFT）用FAST算法检测特征点,确定特征点的坐标位置,用SIFT描述子对检测出的特征点进行描述,得到特征点及其对应的特征点描述子。然后利用最近邻与次近邻距离比值法、随机抽样一致性算法完成特征匹配,求解图像间的形变矩阵。进而根据这一几何变换关系将多幅图像映射于同一...
【文章来源】：南方医科大学广东省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
图１－１下肢肌骨超声全景图像［５］??Ｆｉｇ．?１－１?Ｔｈｅ?ｍｕｓｃｕｌｏｓｋｅｌｅｔａｌ?ｕｌｔｒａｓｏｕｎｄ?ｐａｎｏｒａｍａ?ｏｆ?ｌｏｗｅｒ?ｌｉｍｂｓ?［５］??
?项士学位论文???？?Ｇｒｏｕｎｄ＿Ｔｒｕｔｈ??文件？?蝴？?蛋署〇〇?＿Ａ（Ｄ?ＪＪＩＣＤ?ＪｉｎｃＱ）窗?Ｃｌｅｗ）?Ｗ６ＫＭ）?、??Ｊ?Ｊ?ｄ?＊?■?＊Ｓ＞?？?＾?？?ＩＳ?□?Ｂ?■?□??￣ｉ?ｒ?７０＿ｂｍｐ??打开田片?ｒ—ｊ＝５ｉＳ??开始标点??保存图片??导入遗失点ｉ??图２－３人工标注特征点软件的ＧＵＩ界面??Ｆｉｇ．?２－３?Ｔｈｅ?ＧＵＩ?ｉｎｔｅｒｆａｃｅ?ｏｆ?ｆｅａｔｕｒｅ?ｐｏｉｎｔｓ?ｓｏｆｔｗａｒｅ?ｂａｓｅｄ?ｏｎ?ｍａｎｕａｌ?ａｎｎｏｔａｔｉｏｎ??２．３常见特征检测算法??特征检测是指在图像中提取出鲁棒性高、复现性好以及具有显著性的特征??点｜３５１，主要包括特征点检测和特征点描述两个步骤。特征点检测用于确定特征??点的坐标，需要具备良好的稳定性及有效性。特征点描述即利用特征点的邻域??信息赋予特征点描述矢量即描述子，其性能在一定程度上受到特征点检测的影??口向，也需要具备较好的不变性及容错性。二者相结合完成特征检测，共同为特??征匹配做准备。??２．３．１?ＳＩＦＴ?算法??ＳＩＦＴ算法由Ｌｏｗｅ等｜１８’?３６１于２００４年总结完善，它是－种基于尺度空间，??对图像的仿射变化、光照变换、视角变化及噪声都保持稳定性的局部特征检测??算法。该算法鲁棒性强、独特性好，对环境适应能力强，其原理十分接近于人??类视觉机理，符合生物视觉特性。ＳＩＦＴ算法主要分为ＳＩＦＴ特征点检测和ＳＩＦＴ??１１??
?颂士学位论文???度?＞?／／Ｘ／／／／Ｚ??ｊ?／?ｙ?／?ｙ?ｙ?ｙ?￣ｒ?ｙ?／?／?ｙ?／?Ｘ??滅欲??ｙ？ｙ／??／ｒＺ＾９／７?＾?／ＭＶ／／／??第??ｉ?￣￣??尺』????二〉ｅ—??高斯差分尺度空间图像??髙斯尺度空间图像??图２－４构建高斯差分金字塔??Ｆｉｇ．?２－４?Ｃｏｎｓｔｒｕｃｔ?ａ?Ｄｉｆｆｅｒｅｎｃｅ?ｏｆ?Ｇａｕｓｓｉａｎｓ?ｐｙｒａｍｉｄ??构建好ＤＯＧ金字塔后，需要在塔内找到高斯差分尺度空间图像的极值点。??极值点的搜索范围是一个以该检测点为中心，邻域大小为３Ｘ３Ｘ３的立方体。??该立方体内一共有２６个点，即同一尺度空间图像的８个相邻点以及上下相邻尺??度空间图像的１８个相邻点。通过对这２６个点进行比较，可判断该检测点是否??为局部极值点。??第二，通过上一步特征点定位后得到的特征点只是候选特征点，这些候选??特征点是离散空间的极值点，并不是连续空间的极值点，需进行拟合处理，使??得特征点的坐标达到亚像素精度。ＳＩＦＴ算法以泰勒级数展开式作为拟合函数，??对极值点重新进行插值拟合，精确定位特征点的坐标及尺度。在极值点求取以??及插值拟合的过程中，落在图像边缘上的极值点易受到噪声的干扰。为提高特??征匹配的鲁棒性，需进一步剔除低对比度的特征点以及不稳定的边缘响应点，??至此完成特征点检测。??１３??
【参考文献】：
期刊论文
[1]骨关节炎患者健康管理研究进展[J]. 付至江,郭柏铭,赵永杰,程志安. 中华健康管理学杂志. 2014 (06)
[2]超声宽景成像在糖尿病下肢血管检查中的应用[J]. 杨桂枝,施秋瑾. 西南军医. 2013(03)
[3]骨关节炎患者心理健康水平调查与分析[J]. 马华. 人民军医. 2011(04)
[4]基于PC的实时超声全景成像系统中的图像配准[J]. 邵斌,唐娉,曾庆业,张送根,姚克纯. 计算机工程与应用. 2007(28)
博士论文
[1]全景图像拼接方法研究与实现[D]. 宋宝森.哈尔滨工程大学 2012
硕士论文
[1]医学图像特征检测与自动全景拼接方法研究[D]. 冯秀霞.南方医科大学 2019
[2]实时宽景医学超声图像获取的相关技术与算法研究[D]. 冯希玉.燕山大学 2014
[3]基于二维超声图像的右心室运动轨迹跟踪[D]. 孟祥菲.东北大学 2014
本文编号：3599775
【文章来源】：南方医科大学广东省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
图１－１下肢肌骨超声全景图像［５］??Ｆｉｇ．?１－１?Ｔｈｅ?ｍｕｓｃｕｌｏｓｋｅｌｅｔａｌ?ｕｌｔｒａｓｏｕｎｄ?ｐａｎｏｒａｍａ?ｏｆ?ｌｏｗｅｒ?ｌｉｍｂｓ?［５］??
?项士学位论文???？?Ｇｒｏｕｎｄ＿Ｔｒｕｔｈ??文件？?蝴？?蛋署〇〇?＿Ａ（Ｄ?ＪＪＩＣＤ?ＪｉｎｃＱ）窗?Ｃｌｅｗ）?Ｗ６ＫＭ）?、??Ｊ?Ｊ?ｄ?＊?■?＊Ｓ＞?？?＾?？?ＩＳ?□?Ｂ?■?□??￣ｉ?ｒ?７０＿ｂｍｐ??打开田片?ｒ—ｊ＝５ｉＳ??开始标点??保存图片??导入遗失点ｉ??图２－３人工标注特征点软件的ＧＵＩ界面??Ｆｉｇ．?２－３?Ｔｈｅ?ＧＵＩ?ｉｎｔｅｒｆａｃｅ?ｏｆ?ｆｅａｔｕｒｅ?ｐｏｉｎｔｓ?ｓｏｆｔｗａｒｅ?ｂａｓｅｄ?ｏｎ?ｍａｎｕａｌ?ａｎｎｏｔａｔｉｏｎ??２．３常见特征检测算法??特征检测是指在图像中提取出鲁棒性高、复现性好以及具有显著性的特征??点｜３５１，主要包括特征点检测和特征点描述两个步骤。特征点检测用于确定特征??点的坐标，需要具备良好的稳定性及有效性。特征点描述即利用特征点的邻域??信息赋予特征点描述矢量即描述子，其性能在一定程度上受到特征点检测的影??口向，也需要具备较好的不变性及容错性。二者相结合完成特征检测，共同为特??征匹配做准备。??２．３．１?ＳＩＦＴ?算法??ＳＩＦＴ算法由Ｌｏｗｅ等｜１８’?３６１于２００４年总结完善，它是－种基于尺度空间，??对图像的仿射变化、光照变换、视角变化及噪声都保持稳定性的局部特征检测??算法。该算法鲁棒性强、独特性好，对环境适应能力强，其原理十分接近于人??类视觉机理，符合生物视觉特性。ＳＩＦＴ算法主要分为ＳＩＦＴ特征点检测和ＳＩＦＴ??１１??
?颂士学位论文???度?＞?／／Ｘ／／／／Ｚ??ｊ?／?ｙ?／?ｙ?ｙ?ｙ?￣ｒ?ｙ?／?／?ｙ?／?Ｘ??滅欲??ｙ？ｙ／??／ｒＺ＾９／７?＾?／ＭＶ／／／??第??ｉ?￣￣??尺』????二〉ｅ—??高斯差分尺度空间图像??髙斯尺度空间图像??图２－４构建高斯差分金字塔??Ｆｉｇ．?２－４?Ｃｏｎｓｔｒｕｃｔ?ａ?Ｄｉｆｆｅｒｅｎｃｅ?ｏｆ?Ｇａｕｓｓｉａｎｓ?ｐｙｒａｍｉｄ??构建好ＤＯＧ金字塔后，需要在塔内找到高斯差分尺度空间图像的极值点。??极值点的搜索范围是一个以该检测点为中心，邻域大小为３Ｘ３Ｘ３的立方体。??该立方体内一共有２６个点，即同一尺度空间图像的８个相邻点以及上下相邻尺??度空间图像的１８个相邻点。通过对这２６个点进行比较，可判断该检测点是否??为局部极值点。??第二，通过上一步特征点定位后得到的特征点只是候选特征点，这些候选??特征点是离散空间的极值点，并不是连续空间的极值点，需进行拟合处理，使??得特征点的坐标达到亚像素精度。ＳＩＦＴ算法以泰勒级数展开式作为拟合函数，??对极值点重新进行插值拟合，精确定位特征点的坐标及尺度。在极值点求取以??及插值拟合的过程中，落在图像边缘上的极值点易受到噪声的干扰。为提高特??征匹配的鲁棒性，需进一步剔除低对比度的特征点以及不稳定的边缘响应点，??至此完成特征点检测。??１３??
【参考文献】：
期刊论文
[1]骨关节炎患者健康管理研究进展[J]. 付至江,郭柏铭,赵永杰,程志安. 中华健康管理学杂志. 2014 (06)
[2]超声宽景成像在糖尿病下肢血管检查中的应用[J]. 杨桂枝,施秋瑾. 西南军医. 2013(03)
[3]骨关节炎患者心理健康水平调查与分析[J]. 马华. 人民军医. 2011(04)
[4]基于PC的实时超声全景成像系统中的图像配准[J]. 邵斌,唐娉,曾庆业,张送根,姚克纯. 计算机工程与应用. 2007(28)
博士论文
[1]全景图像拼接方法研究与实现[D]. 宋宝森.哈尔滨工程大学 2012
硕士论文
[1]医学图像特征检测与自动全景拼接方法研究[D]. 冯秀霞.南方医科大学 2019
[2]实时宽景医学超声图像获取的相关技术与算法研究[D]. 冯希玉.燕山大学 2014
[3]基于二维超声图像的右心室运动轨迹跟踪[D]. 孟祥菲.东北大学 2014
本文编号：3599775
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3599775.html
最近更新
教材专著
