导读:本文包含了深度图像配准论文开题报告文献综述及选题提纲参考文献，主要关键词:医学图像配准,深度学习,卷积神经网络
深度图像配准论文文献综述
刘兆辉,李铭浩,肖延丽,彭磊[1]（2019）在《基于深度学习的医学图像配准》一文中研究指出医学图像配准是医学图像分析的核心技术,在辅助临床诊断中起着至关重要的作用。目前基于深度学习方法逐渐应用于图像配准任务。深度学习图像配准(DLIR)框架是一种基于卷积神经网络的无监督的图像配准技术,可用于仿射和可变性医学图像配准。在DLIR框架中,通过利用类似于传统的基于灰度的图像配准的相似性测度,训练卷积神经网络进行图像配准。同时在该框架中通过卷积神经网络的堆迭可以实现由粗到精的图像配准过程。训练完成后的DLIR框架进行图像配准时无需迭代,因此性能与传统图像配准相当,速度快了几个数量级。(本文来源于《电子制作》期刊2019年18期）
邹茂扬,杨昊,潘光晖,钟勇[2]（2019）在《深度学习在医学图像配准上的研究进展与挑战》一文中研究指出随着影像引导手术和放射治疗的发展,临床对医学图像配准研究的需求更强烈,带来的挑战也更大。最近几年,深度学习,特别是深度卷积神经网络,在医学图像处理方面取得了优异的成绩,在医学图像配准上的研究发展迅速。本文按技术方法分类总结了基于深度学习的医学图像配准的国内外研究进展,包括了基于优化策略的相似性估计、直接估计医学图像配准的变换参数等。然后分析了深度学习方法在医学图像配准上的挑战,并提出了可能的解决办法和研究方向。(本文来源于《生物医学工程学杂志》期刊2019年04期）
朱浩[3]（2019）在《双支路深度神经网络下的遥感图像配准及多分辨率融合分类》一文中研究指出在利用遥感技术对地球表面进行探测的过程中,遥感图像的匹配及多分辨率的融合分类问题一直是非常关键的研究课题。一方面,随着信息技术的发展和硬件设备上的支持,人们可以从卫星、飞机等各种遥感平台上获取分辨率越来越高、内容越来越复杂的遥感图像。这些遥感图像所特有的数据多源异构、目标结构多变、背景纷繁复杂等特性,使得传统方法已经越来越难以满足对其进行高效解译的需求。而另一方面,深度学习在自然图像、视频和语音等领域的发展如火如荼,展现了其对海量数据强大的特征提取能力,但它在遥感领域的应用才初露锋芒。与近景拍摄的自然图像不同,遥感图像具有特性复杂、噪声干扰大、局部信息扭曲、容纳大量不同尺度的地物信息、样本标记少等特性。因此,在本文的工作中,我们充分利用遥感数据的特殊性质,设计了多种专门处理遥感数据的深度神经网络模型,用以完成遥感图像配准和融合分类任务。此外,这些工作还能够被独立地应用于其它相关的任务,具有较强的泛化性能。这些成果也获得了国内外同行的认可,具体内容有:1.针对遥感数据中SAR图像的数据特点,提出了一种基于多特征检测和树形网络匹配的SAR图像配准方法。多特征检测策略有利于同时保留两种类型的特征信息。相比于传统的一类特征,该策略既可以检测到丰富的纹理特征,又可以找到稳定的角点特征,在扩充特征点数目的同时丰富了特征的类型,充分利用图像信息为后续的配准过程做准备。考虑到SAR图像的斑点噪声,使用一种基于统计的指数加权平均比率的算子计算上述两种检测器的梯度。在特征匹配过程,提出的树形匹配网络算法主要由主干网和分支网两个部分构成,随着网络的构造来寻找匹配对。该算法将特征约束与特征点之间的空间关系结合在一起,具有比原算法更多的匹配对和更高的亚像素匹配精度。在SAR图像配准任务中,该算法在鲁棒性和有效性等方面比传统算法具有更优越的性能。2.针对于更高分辨率、更复杂结构的大场景遥感图像特性,提出了一种基于双支路卷积深度置信网框架的特征匹配算法,将图像配准任务转化为一个二值分类问题。为了匹配两个关键点,将两个以关键点为中心的图像块输入到该网络中。该网络的目的是学习用于图像块匹配的显着特征表示,以便在保持较高的亚像素级别的匹配精度的前提下获得更多的匹配对。该网络采用两阶段训练的方式来处理遥感图像的复杂特征。此外,在样本选择上,提出了一种自适应的样本选择策略,通过其中心关键点的尺度来确定每个图块的大小,从而确定样本的邻域范围。因此,每个图块可以保留其关键点周围的纹理结构,而不是所有图块都具有预定的尺寸大小。在匹配预测阶段,为了提高匹配效率和匹配精度,分别设计了基于超像素的样本分级策略和基于超像素的有序空间匹配策略。实验结果和理论分析证明了该方法的可行性、鲁棒性和有效性。3.提出了一种自适应特征融合空间网络,用于高分辨率遥感图像的配准任务。该网络具有多尺度的概念,不需要人为的为每个样本确定领域范围,它可以对不同的样本能自适应地选择合适的邻域信息。我们通过将深层特征与浅层特征相互融合,并根据输入样本特性自适应地调整它们之间的融合权重,为该输入样本提供鲁棒的特征表示。此外,将空间变换的思想嵌入到网络中,使两个支路在融合前尽可能地调整到同一坐标系下,从而提高匹配预测的置信度。4.针对于多光谱和全色图的融合分类任务,提出了一种双支路特征融合网络。它旨在将特征级融合和分类集合成一个端到端的网络模型框架中。考虑到一个大尺寸的遥感场景,提出了一种自适应样本选择策略。在网络结构中,我们提出了一种双路径模块,在保证稠密连接路径中层与层之间的最大梯度信息流的同时,有效缓解残差路径中的梯度爆炸。该模块可以提取出更强大的特征,以应对遥感图像的复杂特征。最后,我们采用渐进协同的方式逐步整合这两个支路的特性,从而减少计算负担,提高分类精度。实验证明,本算法在大场景下的遥感图像融合分类任务中表现优异。5.设计了一个用于遥感图像多分辨率融合分类的双支路注意力融合深度网络。在建立训练样本库的过程中,提出了一种自适应中心偏移采样策略,该策略与传统的像素中心采样策略不同,它允许每个图像块通过寻找待分类像素的纹理结构来自适应地确定邻域范围。而邻域范围与此像素不对称,我们希望捕捉到更利于其分类的邻域信息。在网络结构上,基于采样策略捕获的图像块,对多光谱数据设计了一种通道注意模块,突出了多光谱数据谱段信息丰富的优势;而对全色数据设计了一种空间注意模块,突出了全色数据高空间分辨率的优势。然后将这两个特征相互融合,进一步从融合后的特征中提取更深层的特征进行分类。在高分辨率遥感数据集上的实验结果证明了该方法的有效性和鲁棒性。(本文来源于《西安电子科技大学》期刊2019-04-01）
张姣姣[4]（2018）在《基于改进SIFT和深度学习的SAR图像配准研究》一文中研究指出经过几十年的长期对地观测,遥感图像已积累了海量的数据,有些数据之间存在着密切的关系,对于很多学科的大范围时空变化研究具有非常重要的意义。对存在关联的遥感图像进行图像拼接、图像融合等是获得相关时空数据进行各学科研究的必要的基础,而图像配准是图像拼接、图像融合等工作的基础,它通过将待拼接和待融合的图像中地理空间重迭的区域放入相同的坐标轴中的相应位置来实现。合成孔径雷达(SAR)因为独特的成像机理,具有超强的穿透性,不易受天气、地物遮挡的影响。所以对SAR图像的相关研究具有重要的理论和实际意义。SIFT算法是配准算法中非常经典的算法,同时它的各种改进算法也在遥感图像中有大量应用。克服SAR图像相干斑噪声对SIFT算法的影响,提高SAR图像的配准精度和运算时间是目前SAR图像配准中的重点问题,具有重要的理论和实际意义。围绕SIFT算法的特征检测、特征描述、特征匹配叁个模块以及RANSAC算法,我们进行了以下研究:1.在SIFT-SSS算法的基础上,在其特征检测中不建立第一组高斯金字塔,通过对第一组金字塔的第S层高斯图像隔点采样来获得第二组金字塔的第一层高斯图像,因此获得的差分高斯金字塔图像减少了相干斑噪声的影响,检出的关键点数目几乎不受影响,而特征检测时间则大幅降低。2.采用不加微调的堆栈自编码器网络来生成特征描述子。相对于采用PCA-SIFT生成特征描述符等方法来说,采用堆栈自编码器网络来生成特征描述子进行特征匹配的运算时间明显降低。3.使用归一化互相关作为相似性度量,并用次大/最大归一化互相关系数之比去除特征匹配时的杂散干扰点对,与欧氏距离测度以及反余弦测度等方法相比,特征匹配时间明显降低。4.针对SAR图像配准中常见的错误匹配点对概率远高于50%的问题,考虑到SAR图像尺度变化很小的特点,对每次迭代中的随机采样进行尺度约束以找到满足约束的空间变换模型,因此提高了RANSAC的配准结果的稳定性和精确度,同时尺度约束降低了每次迭代获得正确模型的概率,大幅降低了运算时间。(本文来源于《西安电子科技大学》期刊2018-06-01）
宁梦丹[5]（2018）在《基于深度自编码的SAR图像配准方法研究》一文中研究指出SAR图像具有全天候工作,穿透力强等优点,被广泛应用于气象分析,地质勘测等领域。SAR图像的配准是许多SAR图像处理应用必不可少的步骤之一,因此,关于SAR图像配准技术的研究在当今社会具有非常重要的研究价值。由于SAR图像特殊的成像机理和成像条件,使传统光学图像的配准方法不适用于SAR图像,因此基于SAR图像的配准方法已经成为图像处理领域研究的热点之一,并得到快速发展。本文在国家高层次人才特殊支持计划(SAR图像解译与目标识别),国家自然科学基金面上项目(基于生成对抗网络的极化SAR地物分类,61771379)等项目的支持下,以基于特征的图像配准方法为基础,结合深度自学习,提出了叁种基于深度自编码网络的SAR图像配准方法,内容如下:1.通过实验说明SIFT特征在SAR图像中存在的问题,如SIFT特征不再具有旋转不变性,不满足最近距离匹配等。针对特征提取的这些问题,基于自编码网络无监督的对图像进行特征提取,网络的输入为以特征点为中心的图像块,输出作为对图像的特征描述,然后度量特征得到匹配点对,完成配准。该方法避免了人工设计特征的复杂操作,对于不同数据,可以自适应的提取特征进行匹配。与SIFT相比,可以得到更多数量的正确匹配点对,并且提高了匹配点对的准确度,从而提高了配准的精度。2.由于自编码网络对图像数据进行编码和重构是无监督过程,网络参数的更新与特征的匹配结果没有关系,因此在实际应用中,容易造成对于地理形状相似的图像块所提取到的特征也过于相似的问题,不利于匹配。为解决该问题,基于自编码网络有监督的完成配准,即引入有标签数据指导网络的训练。同时为了更好的学习数据分布,有效利用数据,引入迁移学习,使用源数据进行预训练,再使用目标数据进行微调。利用该方法进行网络训练之后,能够直接得到测试图像中特征点的匹配结果,而不需要再进行距离度量。该方法可以得到更多数量的正确匹配点对,并且更加精确,均方根误差更小,进一步提高了配准的精度。3.有监督网络训练包括预训练和微调两个过程,与无监督自编码网络相比在配准精度有所提高,但是训练过程仍较为繁琐,训练时间长。为提高网络训练的效率,本文基于有监督网络的训练过程,采用将预训练和微调结合起来同时进行的方式进行训练,即将交叉熵和重构误差结合构造损失函数,并通过不同的权重决定每部分在训练不同阶段的作用。该方法与有监督网络的训练相比,简化了训练过程,同时保证了正确匹配点对的数量,保证了匹配点对的准确度,不降低配准的精度。(本文来源于《西安电子科技大学》期刊2018-06-01）
常钊[6]（2017）在《基于SAR-SIFT和深度学习的SAR图像配准方法》一文中研究指出图像配准是将在不同时间、不同传感器、不同视角及不同成像条件下获取的图像进行匹配和迭加的过程,是其他图像处理技术的基础。本文的工作主要从基于特征的角度出发,提出了几种各具特色的图像配准方法,并通过实验分析说明了这几种方法的正确性。本文的主要完成工作如下:1.基于SAR-SIF和MI(Manual Information)的图像配准方法,该方法以提高SAR(合成孔径雷达,Synthetic Aperture Radar)图像的配准精度为目的,以SIFT方法为理论基础,采用指数平均加权滤波核对图像进行处理,建立SAR-Harris尺度空间,在SAR-Harris尺度空间中提取特征点,使用RANSAC(Random Sample Consensus,随机抽样一致性)匹配方法对图像进行粗匹配,再利用互信息的优化策略对图像配准参数进行优化以达精确匹配。2.基于MRF(马尔科夫模型,Markov random field)图像分割的SAR-SIFT图像配准方法。基于图像分割的配准方法是一种提高图像配准效率的方法,该方法将两幅图像分别进行分割处理,利用显着性检测选取图像分割后特征清晰、明显的图像块并映射到原图作为待配准图和参考图,再利用SAR-SIFT方法对图像块进行处理,获得特征点,用于图像的匹配处理。保证配准精度的同时提高图像配准的效率。3.基于深度学习策略的图像配准方法,利用已有的基于特征提取的方法如SIFT和SAR-SIFT对参考图和待配准图的部分区域进行处理,获取正确的匹配点对,将点对的邻域信息作为该点对的表达,组成向量作为训练样本,输入深度网络进行训练,得到网络参数。对参考图和待配准图使用SIFT和SAR-SIFT方法快速提取特征点,并将提取的特征点组成数据集,输入到已训练的深度学习网络,该网络的输出结果即是初始匹配点对,经过再次筛选可得正确的匹配点对,进而可求得最终的配准参数。本文做了大量的仿真实验,验证了上述方法的有效性与准确性。(本文来源于《西安电子科技大学》期刊2017-04-01）
雷欣[7]（2016）在《植物叁维重建中深度图像配准系统的设计与实现》一文中研究指出植物形态叁维可视化分析是植物研究领域面临的一项技术难题。目前,植物的形态特征信息主要靠目测等人工测量方式获取。人工测量方式存在速度慢、强度大、主观性强和误差大等缺陷。通过使用计算机视觉技术对植物叁维形态进行可视化研究,能够有效避免这些问题。其中的关键问题是植物深度图像的获取以及对多组不同视角下获得的深度图像进行配准。本研究以基于邻域几何特征约束的点云配准方法为研究对象,在详细分析其原理、实现过程、主要优势及实用性后,使用该算法结合OpenGL图形库设计开发了一套植物深度图像配准软件系统。主要内容如下:(1)采集实验数据并进行预处理。从课题组现有的研究成果和项目需求出发,使用课题组研发的叁维扫描系统采集了多种植物的深度图像数据作为数据样本。为了确保配准的精度和效率,需要对采集到的数据进行去噪处理。基于这一点,本研究使用单向多级中值滤波算法对采集到的植物深度图像数据进行滤波降噪,去除数据中的噪声点,获取了较为清晰的高质量深度图像作为实验数据。(2)开发适用于植物的深度图像配准系统。使用Visual Studio 2010结合OpenGL图形库设计开发植物深度图像配准系统,实现了植物深度图像读取显示、植物深度图像配准以及植物深度图像交互控制功能。首先,从理论、技术、经济叁个方面对系统进行可行性分析。接下来,使用结构化的分析方法对系统的基本用况进行分析,进一步确定系统的基本功能。然后,根据系统需要实现的功能使用软件设计的相关流程和技术对系统的类和数据处理过程进行设计,进一步确定系统功能模块及技术路线。最后,根据基于邻域几何特征约束的点云配准算法的流程并借助OpenGL图形库对系统的各个功能模块进行编码实现。(3)对系统进行稳定性测试和普适性测试。使用自动化测试软件AutoRunner对系统的稳定性和健壮性进行测试,证实系统在运行过程中未出现崩溃等异常现象。通过将系统功能与用户需求进行对比证实本研究已经实现了系统预期的功能。通过使用Bunny标准点云模型对系统进行普适性测试,证实系统的普适性良好。通过对两组对比实验的结果进行分析,证实系统对于不同种类、不同形态的植物深度图像数据均具有较好的配准效果,具有一定的实用价值。多组点云数据的实验数据表明:当点云数据量达到6000左右时,该算法的配准精度并不会随着点云数据量的增多而明显降低。(本文来源于《西北农林科技大学》期刊2016-05-01）
刘政[8]（2015）在《基于深度信息的图像配准算法及应用研究》一文中研究指出图像配准是对不同时间、不同角度所获得的同一场景的多幅图像进行最佳匹配的过程,即将图像对齐后,明确图像空间位置变化与强度变化,然后确定图像序列之间位置映射关系或强度差异的过程(通常,强度变化并非必需,所以图像配准主要针对空间位置变化)。它是图像处理与计算机视觉方向及其工程应用中的一项重要技术,在日常3D电影、好莱坞大片、医学诊断中的核磁共振图像、建筑工程中的叁维重建软件等都得到广泛应用。因此,如何更有效地完成图像配准技术就成为图像处理研究的重点课题之一。本文研究基于深度信息的图像配准算法,以满足进一步的图像分析处理及应用对配准效果和效率的需要,主要工作包括以下几个方面:对目前流行的图像深度估计方法的线索依据、算法思想和实现进行了分析,总结了各种算法的优劣与特点。着重分析实现了基于模糊聚焦线索与机器学习方法的深度估计方法,并对模糊聚焦线索的方法中,能量函数设置进行了改进,增强了深度图像的局部连续性效果。针对传统的基于SIFT特征图像配准方法中,特征点匹配环节产生大量错误匹配点对的问题,研究了传统算法的机理与产生错误匹配的原因。已有的改进方法是利用随机抽样一致性(RANSAC,RANdom SAmple Consensus)准则对所有的特征点对进行迭代求解从而估计模型参数。分析了该方法中设置代价函数阈值很困难的问题,结合深度局部连续性,提出了结合深度信息辅助特征点筛选的算法。介绍了图像配准的两种常见后期应用:图像超分辨和图像叁维重建。图像超分辨方面,首先分析了图像由高分辨率向低分辨率退化的模型,研究了两类主要超分辨率算法中常见的几种算法。在图像叁维重建方面,研究了常见的叁种叁维重建方法,并探讨了叁类叁维重建方法的特点。在此基础上,将本文提出的图像配准算法与常规算法的结果代入图像超分辨和叁维重建算法中,通过应用中的不同结果证明本文提出的配准方法的有效性。(本文来源于《贵州大学》期刊2015-04-01）
阿布来提·依布拉音,王治强,刘薇,高慧婷[9]（2013）在《基于Hough直线检测的深度图像配准方法》一文中研究指出针对传统的图像配准方法中寻找图像之间点对应关系这一难点问题,提出一种基于Hough直线检测的深度图像配准方法.利用Hough变换检测深度图像上的直线,确定不同视点图像上直线之间的对应关系.根据对应直线叁维空间上的方向向量确定两幅图像之间的刚体变换参数.最后用模拟深度图像验证方法的有效性并给出叁维重建结果.(本文来源于《中国科学院研究生院学报》期刊2013年01期）
王海峰[10]（2011）在《深度图像配准技术的研究及在古遗址数字化展示中的应用》一文中研究指出随着叁维激光扫描技术的日益成熟,基于深度图像的模型重建技术已成为计算机图形学研究的热点,如何快速实现深度图像的精确配准是大场景模型重建的关键问题。本文致力于深度图像配准的系列研究,将研究结果应用于古遗址的叁维重建。主要研究工作如下：1)针对大场景深度图像数据量大和噪声较多的问题,在深度图像配准前需对模型进行预处理。先使用K一近邻算法对模型去噪,再利用结合曲率采样和随机采样的混合采样方法对模型进行简化处理,为后续模型的配准工作提供鲁棒性好,数据量小的模型。2)提出了一种基于平面特征的多组特征区域配准的改进算法。算法采用了Stamos平面分割的方法,将模型拟合成多个平面。结合这些平面的信息,将一个平面及其相邻接的两个平面组合成一个特征区域；然后利用多组特征区域中平面的特征对深度图像进行粗略配准。算法应用于西汉张安世墓坑的数字化过程,实验表明算法提高了大场景深度图像的粗配准效率。3)针对深度图像粗略配准的精度不够及ICP算法耗时长的问题,提出了一种基于分块求解的改进ICP算法。将粗略配准后深度图像中的重迭区域划分成小块,按一定的算法选择多个块,对每个块利用ICP算法求变换参数,选择其中与其它变换参数距离最近的变换参数作为最优解。实验表明所提算法有效的提高了利用ICP算法对深度图像精确配准的效率。4)针对深度图像配准后重迭区域存在冗余数据及大场景深度图像中细节信息表现不够充分的问题。本文采用了图像融合技术,消除配准后深度图像中的冗余数据,并丰富大场景深度图像中的细节信息。以本文中的算法为基础,针对大场景深度图像配准的需求特点,设计实现了深度图像配准系统,此系统可完成深度图像的预处理、配准及融合等工作。(本文来源于《西北大学》期刊2011-06-30）
深度图像配准论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着影像引导手术和放射治疗的发展,临床对医学图像配准研究的需求更强烈,带来的挑战也更大。最近几年,深度学习,特别是深度卷积神经网络,在医学图像处理方面取得了优异的成绩,在医学图像配准上的研究发展迅速。本文按技术方法分类总结了基于深度学习的医学图像配准的国内外研究进展,包括了基于优化策略的相似性估计、直接估计医学图像配准的变换参数等。然后分析了深度学习方法在医学图像配准上的挑战,并提出了可能的解决办法和研究方向。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
深度图像配准论文参考文献
[1].刘兆辉,李铭浩,肖延丽,彭磊.基于深度学习的医学图像配准[J].电子制作.2019
[2].邹茂扬,杨昊,潘光晖,钟勇.深度学习在医学图像配准上的研究进展与挑战[J].生物医学工程学杂志.2019
[3].朱浩.双支路深度神经网络下的遥感图像配准及多分辨率融合分类[D].西安电子科技大学.2019
[4].张姣姣.基于改进SIFT和深度学习的SAR图像配准研究[D].西安电子科技大学.2018
[5].宁梦丹.基于深度自编码的SAR图像配准方法研究[D].西安电子科技大学.2018
[6].常钊.基于SAR-SIFT和深度学习的SAR图像配准方法[D].西安电子科技大学.2017
[7].雷欣.植物叁维重建中深度图像配准系统的设计与实现[D].西北农林科技大学.2016
[8].刘政.基于深度信息的图像配准算法及应用研究[D].贵州大学.2015
[9].阿布来提·依布拉音,王治强,刘薇,高慧婷.基于Hough直线检测的深度图像配准方法[J].中国科学院研究生院学报.2013
[10].王海峰.深度图像配准技术的研究及在古遗址数字化展示中的应用[D].西北大学.2011