專利名稱：基于距離變換和剛性變換參數(shù)估計(jì)的眼底圖像配準(zhǔn)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理，模式識別技術(shù)，特別涉及一種基于距離變換以及剛性變換參數(shù)估計(jì)的眼底圖像自動配準(zhǔn)技術(shù)。
背景技術(shù)：
目前主流的自動眼底圖像配準(zhǔn)方法，主要有基于血管特征的配準(zhǔn)，基于互信息的配準(zhǔn)方法等。這些方法都還存在一些不足之處，基于血管特征的配準(zhǔn)，對一些質(zhì)量比較低的圖像，血管特征難以準(zhǔn)確提取，基于互信息的配準(zhǔn)，配準(zhǔn)需要的時(shí)間比較長，而且可能會陷入局部極值，無法得到精確配準(zhǔn)結(jié)果。因此，很多醫(yī)生還是采用手動配準(zhǔn)，手動配準(zhǔn)的成功率和精度都比較高，但是它最大的缺點(diǎn)就是加大了醫(yī)生的負(fù)擔(dān)，配準(zhǔn)的速度非常慢。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的是提供一種快速，精確，魯棒，具有重大臨床使用價(jià)值的自動眼底圖像配準(zhǔn)方法。該方法是一種基于距離變換和剛性變換參數(shù)估計(jì)的自動眼底圖像配準(zhǔn)方法，包括以下五個(gè)順序處理模塊眼底圖像加載模塊，用于加載眼底圖像；視盤中心提取模塊，用來提取眼底圖像的視盤中心，估計(jì)兩幅圖像的平移參數(shù)；視盤血管分割以及分布特征計(jì)算模塊，用來分割視盤周圍的血管，并計(jì)算血管的方向分布特征；視盤血管歐式距離變換計(jì)算模塊，用來計(jì)算視盤周圍血管的歐式距離變換；眼底圖像精確配準(zhǔn)模塊，根據(jù)之前計(jì)算出的血管歐式距離變換，實(shí)現(xiàn)眼底圖像的精確配準(zhǔn)。
所述眼底圖像加載模塊，應(yīng)用計(jì)算機(jī)編程語言0++編寫程序，讀取眼底圖像，將圖像轉(zhuǎn)化為二維數(shù)組，存儲在計(jì)算機(jī)中，以方便后續(xù)模塊進(jìn)行處理。所述視盤中心提取模塊，具體實(shí)現(xiàn)是應(yīng)用計(jì)算機(jī)編程語言0++，根據(jù)視盤特征，編寫程序，提取視盤中心，根據(jù)視盤中心在圖像中的坐標(biāo)位置，估計(jì)兩幅圖像的平移參數(shù)。
所述視盤血管分割以及分布特征計(jì)算模塊，具體實(shí)現(xiàn)是應(yīng)用計(jì)算機(jī)編程語言0++編寫程序，實(shí)現(xiàn)如下功能對視盤鄰域內(nèi)的像素點(diǎn)，利用2個(gè)5X5的方向掩模，計(jì)算梯度向量，進(jìn)行血管分割以及血管分布概率特征的
計(jì)算，通過最小化2個(gè)概率分布的相對熵(Kullback-Leibler Divergence)得
出圖像旋轉(zhuǎn)參數(shù)的估計(jì)。
所述視盤血管歐式距離變換計(jì)算模塊，具體實(shí)現(xiàn)是應(yīng)用計(jì)算機(jī)編程語言C+十編寫程序，實(shí)現(xiàn)如下功能對已經(jīng)分割出來的視盤血管，計(jì)算他們的歐式距離變換，以實(shí)現(xiàn)圖像的快速精確配準(zhǔn)。
所述眼底圖像精確配準(zhǔn)模塊，具體實(shí)現(xiàn)是應(yīng)用計(jì)算機(jī)編程語言C+十編
寫程序，實(shí)現(xiàn)如下功能計(jì)算基于視盤血管歐式距離變換的圖像相似性度
量函數(shù)，利用梯度下降優(yōu)化算法，尋找這個(gè)相似性度量函數(shù)的最大值，實(shí)現(xiàn)眼底圖像的精確配準(zhǔn)。具體地，本發(fā)明提出一種基于距離變換和剛性變換參數(shù)估計(jì)的眼底圖
像配準(zhǔn)方法，包括以下步驟
1) 加載第一眼底圖像和第二眼底圖像；
2) 提取所述兩幅眼底圖像的視盤中心，估計(jì)所述兩幅眼底圖像的平移參數(shù)；
3) 對所述兩幅眼底圖像進(jìn)行視盤血管分割以及分布特征計(jì)算，估計(jì)所述兩幅圖像的旋轉(zhuǎn)參數(shù)；
4) 以所述第一眼底圖像作為參考圖像，對步驟3)中分割出來的血管像素點(diǎn)作為標(biāo)志點(diǎn)集，計(jì)算以視盤中心為圓心，圖像寬度的十分之一為半徑的圓形鄰域內(nèi)的距離變換；
5) 以所述第二眼底圖像作為浮動圖像，將步驟2)和3)中求得的剛性變換參數(shù)作為初始變換參數(shù)，將浮動圖像中分割出來的血管像素點(diǎn)映射到基準(zhǔn)圖像上，計(jì)算兩幅圖像基于距離變換的相似性度量函數(shù)值，通過優(yōu)化這個(gè)函數(shù)值，求得最佳的變換參數(shù)，完成兩幅圖像的精確配準(zhǔn)。
5進(jìn)一步，步驟2)中所述視盤中心提取包括
1) 將圖像的灰度最大值的85%設(shè)定為閾值；
2) 對圖像中灰度值高于閾值的像素點(diǎn)進(jìn)行聚類，設(shè)定類內(nèi)距離為圖度的十二分之一，同時(shí)設(shè)定類內(nèi)像素點(diǎn)數(shù)閾值，得出候選的視盤中心
點(diǎn)集;
分
3)對視盤中心點(diǎn)集中的候選點(diǎn)，分別計(jì)算其半徑為圖像寬度十
之一的圓形區(qū)域內(nèi)的血管密度，選擇血管密度最大的點(diǎn)作為視盤中心。
進(jìn)一步，步驟3)中所述進(jìn)行視盤血管分割以及分布特征計(jì)算，估計(jì)
兩幅圖像的旋轉(zhuǎn)參數(shù)包括
1) 對以視盤中心為圓心，圖像寬度的十二分之一為半徑的圓形鄰域
內(nèi)的像素點(diǎn)，利用兩個(gè)5X5的方向掩模，計(jì)算梯度向量；
2) 根據(jù)梯度向量進(jìn)行血管分割以及血管方向概率分布特征的計(jì)算；
3 )通過最小化兩個(gè)血管方向概率分布的相對熵(Kullback-LeiblerDivergence)得出圖像的旋轉(zhuǎn)參數(shù)估計(jì)。
進(jìn)一步，所述血管方向概率分布特征的計(jì)算步驟包括對于分割出的血管邊緣，計(jì)算梯度向量(G,，C^)，其中血管方向6由如下表達(dá)式?jīng)Q定
夕二 J
tan
tan.
-A
G
如果Q <0
其它情況
將整個(gè)圓周角[-"/2,3;r/2]等分為72個(gè)方向，求出血管方向概率分布。
進(jìn)一步，所述圖像的旋轉(zhuǎn)參數(shù)估計(jì)包括對于己經(jīng)求出的血管方向概率分布S， P2，固定S，對^對應(yīng)血管方向分布每次順時(shí)針旋轉(zhuǎn)一個(gè)方向，旋轉(zhuǎn)71次，得出新的概率分布尸」，尸22，…，尸27'，計(jì)算《與A，尸2'，尸22,...，尸27'的相對熵(Kullback-Leibler Divergence),求出相對熵最小的上標(biāo)/:
/二argminZ化log仏，i = 0,1,...71
'7=0 尸2,
2/ ， j = 0,l,...,71下標(biāo)j表示概率分布^在j方向上的分量，圖像的旋轉(zhuǎn)參數(shù)
A^二/;r/36。
進(jìn)一步，步驟5)中所述兩幅圖像基于距離變換的相似性度量函數(shù)為
其中，m/"w'是浮動圖像分割出的血管邊緣像素?cái)?shù)目，《是浮動圖像第i個(gè)血管邊緣像素通過變換映射到參考圖像空間上對應(yīng)像素的歐式距離值，通過最大化函數(shù)值/，求取精確的圖像變換參數(shù)，實(shí)現(xiàn)精確配準(zhǔn)。
本發(fā)明利用圖像特征預(yù)先估計(jì)圖像的剛性變換參數(shù)，完成圖像的粗配準(zhǔn)，然后通過計(jì)算歐式距離變換，完成的圖像的精確配準(zhǔn)。由于預(yù)先準(zhǔn)確估計(jì)圖像變換參數(shù)，減少了大量的計(jì)算步驟，提高了算法的運(yùn)行速度。同時(shí)，基于歐式距離變換的相似性度量函數(shù)對低質(zhì)量的眼底圖像也能很好的描述圖像的匹配程度，算法具有比較高的魯棒性。實(shí)驗(yàn)結(jié)果表明，本算法可以在l秒以內(nèi)完成圖像的配準(zhǔn)，剛性配準(zhǔn)精度可以達(dá)到亞像素級，對于多種質(zhì)量低下的眼底圖像可以完成自動配準(zhǔn)。因此，具有重大的應(yīng)用價(jià)值。


圖1是本實(shí)現(xiàn)本發(fā)明的模塊示意圖；圖2(a)是病人在2005年6月20日的眼底圖像；圖2 (b)是病人在2006年3月7日的眼底圖像；圖2 (c)是提取的圖2 (a)圖視盤中心區(qū)域；圖2 (d)是提取的圖2 (b)圖視盤中心區(qū)域圖2(e)是分割出的視盤鄰域內(nèi)的圖2(a)圖血管；圖2 (f)是分割出的視盤鄰域內(nèi)的圖2 (b)圖血管；
圖3是血管方向劃分示意圖4是歐式距離變換示意圖，其中，像素值為0的點(diǎn)是標(biāo)志點(diǎn)，歐式距離變換計(jì)算的是像素到最近的標(biāo)志點(diǎn)的歐式距離；圖5 (a)是2005年6月20日的圖片作為參考圖像；圖5(b)是2006年3月7日的圖像作為浮動圖像；
圖5 (C)是浮動圖像經(jīng)配準(zhǔn)之后的結(jié)果圖像；
圖6是將參考圖像與配準(zhǔn)圖像融合之后的新圖像。
具體實(shí)施例方式
為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。
本發(fā)明的配準(zhǔn)方法主要包括以下步驟
步驟1:運(yùn)行眼底圖像加載模塊101，加載眼底圖像，應(yīng)用計(jì)算機(jī)編程語言0++編寫程序，讀取眼底圖像，將圖像轉(zhuǎn)化為二維數(shù)組，存儲在計(jì)算機(jī)中，以方便后續(xù)模塊進(jìn)行處理。
步驟2:運(yùn)行視盤中心提取模塊102，估計(jì)兩幅圖像的平移參數(shù)。視盤中心的提取依賴于視盤的以下特征屬性1)視盤一般對應(yīng)著圖像中最明亮的區(qū)域。2)視盤內(nèi)血管眾多，明顯，血管密度是圖像中最大
的區(qū)域。首先，設(shè)定眼底圖像中灰度最大值的85。/。為閾值T,設(shè)定類內(nèi)距離L為圖像寬度w的十二分之一，同時(shí)設(shè)定類內(nèi)像素點(diǎn)數(shù)閾值N，對圖像中灰度值高于閾值T的像素點(diǎn)進(jìn)行聚類。初始類的數(shù)目設(shè)為0，類中心均
設(shè)置為空。具體的聚類過程如下
1、 按順序遍歷圖像的每一個(gè)高于閾值T的像素點(diǎn)，若當(dāng)前類的數(shù)目為0，則將其作為第l個(gè)聚類中心，否則，計(jì)算當(dāng)前像素點(diǎn)p與n個(gè)聚類中心的歐式距離A,A,選取其中距離最小值丄i，若A〈L，貝U將p歸于第i類，更新第i類的中心坐標(biāo)。否則將p作為第n+l類的聚類中心。
2、 遍歷完成后，統(tǒng)計(jì)每一類的元素?cái)?shù)目n，只保留類內(nèi)元素?cái)?shù)目n大于N的類中心坐標(biāo)，插入候選的視盤中心點(diǎn)集P。聚類完成，得到候選視盤中心點(diǎn)集P。
然后，對于點(diǎn)集P內(nèi)的每一個(gè)候選點(diǎn)P,，計(jì)算以A為中心，以圖像寬度w的十二分之一為半徑的圓形區(qū)域內(nèi)的血管密度P。血管密度P的計(jì)算步驟如下
1、對于區(qū)域內(nèi)的每一個(gè)像素點(diǎn)，利用2個(gè)5X5的gabor小波方向掩模GradientX， GradientY，求解像素的梯度向量(G^,G )。
80
-0.13380
0.13380
卩0 -0.1338 0 0.1338 CT
0 -0.1947 0 0.1947 0
0 -0.2206 0 0.2206 0
0 -0.1947 0 0.1947 0
0 -0.1338 0 0.1338 0
0 0 0
-0.1947 -0.2206 -0.1947
0 0 0
0.1947 0.2206 0.1947
0 0 0
0
-0.13380
0.13380
2、對于梯度向量模大于經(jīng)驗(yàn)閾值^的售將其分割出來。
簡附
認(rèn)為它是血管的邊緣，
'、計(jì)算血管密度P， P
，其中mi附是血管的邊緣像素?cái)?shù)，S是
圓形區(qū)域的面積。
從這些候選點(diǎn)中，選取血管密度最大的點(diǎn)作為視盤中心，視盤中心區(qū)域?yàn)閳D2(c),(d)白色部分，視盤中心在圖上以黑色十字箭頭標(biāo)識，這樣我們可以獲得2幅眼底圖像的視盤中心坐標(biāo)，記為(x),^)， (x2，y2)，得出圖
像的平移參數(shù)估計(jì)AX二A—X2， 4^ = ^一72。
步驟3:運(yùn)行視盤血管分割及分布計(jì)算模塊103，估計(jì)圖像的旋轉(zhuǎn)參
圖像旋轉(zhuǎn)參數(shù)的估計(jì)主要由以下幾步完成
1、按照步驟2的血管分割方法，分割出以視盤中心為圓心，圖像寬度w的十二分之一為半徑的圓形區(qū)域內(nèi)的血管邊緣像素，如圖2(e)， (f)所示，然后計(jì)算每一點(diǎn)的血管方向6>。
6>二
tan
tan
《
if< 0
+ 7T
else
其中，(A，G;)是由GradientX， GradientY這2個(gè)掩模運(yùn)算求得的倡素梯度向量。
2、將整個(gè)圓周角[-W2,3;r/2]等分為72個(gè)方向，如圖3所示，求出血管方向概率分布尸二[尸0,《,...,尸71]。其中""m《是第i個(gè)方向內(nèi)的血管
邊緣像素?cái)?shù)目。
Z "廳力
3、在求出了兩幅圖像的血管方向概率分布A，尸2后，固定A，將尸2對應(yīng)血管方向分布每次順時(shí)針旋轉(zhuǎn)一個(gè)方向，旋轉(zhuǎn)71次，得出新的概率分布戶2'，尸22 ，…，P27'，計(jì)算《與尸2 ， iV ，尸22 ，…，尸27'的相對熵(Kullback-Leibler Divergence),求出相對熵最小的上標(biāo)"
2L 《
尸，0=尸，
7=0 S,
i = 0,l"..71
2/ ， j = 0,l,...，71
下標(biāo)j表示概率分布尸在j方向上的分量。則圖像的旋轉(zhuǎn)參數(shù)
步驟4:以任意一幅圖像作為參考圖像，運(yùn)行視盤血管歐式距離變換計(jì)算模塊104。將步驟3中分割出來的血管像素點(diǎn)作為標(biāo)志點(diǎn)集，計(jì)算以視盤中心為圓心，圖像寬度的十分之一為半徑的圓形鄰域內(nèi)的歐式距離變換。距離變換是圖像處理中的常用技術(shù)，給定一幅圖像及標(biāo)志像素點(diǎn)集，如何求出圖像中的每個(gè)像素點(diǎn)到最近的標(biāo)志點(diǎn)的距離就是距離變換所要解決的問題。 一幅已經(jīng)完成歐式距離變換計(jì)算的示意圖像如圖4所示。圖像大小是8X7，像素值為O的點(diǎn)對應(yīng)的就是標(biāo)志點(diǎn)，其余的像素值代表該像素距離最近標(biāo)志點(diǎn)的歐式距離。
步驟5:將另一幅圖像作為浮動圖像，運(yùn)行眼底圖像精確配準(zhǔn)模塊105。將步驟2， 3求得的剛性變換參數(shù)作為初始變換參數(shù)，將浮動圖像中分割出來的血管像素點(diǎn)映射到基準(zhǔn)圖像上，計(jì)算兩幅圖像基于距離變換的相似
10性度量函數(shù)值/:
/二t'丄"' W W附Z
其中，"wm/是浮動圖像分割出的血管邊緣像素?cái)?shù)目。《是浮動圖像 第i個(gè)血管邊緣像素通過變換映射到參考圖像空間上對應(yīng)像素的歐式距離 值。我們通過基于梯度下降的尋優(yōu)算法，快速尋找相似性度量函數(shù)/的最 大值，解得相應(yīng)的變換參數(shù)，實(shí)現(xiàn)圖像的快速，精確配準(zhǔn)。梯度下降的尋
優(yōu)算法是一種常用的優(yōu)化算法，主要的算法流程如下
對需要優(yōu)化的函數(shù)/(X)在^t進(jìn)行泰勒展開，省略二階及以上小量
其中^代表從A點(diǎn)開始的第k+l步迭代的尋優(yōu)方向，在梯度下降算
法中，J選取為^點(diǎn)的負(fù)梯度方向，第k+l步尋優(yōu)的表達(dá)式如下
A是第k+1步迭代的步長，當(dāng)函數(shù)的梯度值趨于o時(shí)，停止迭代，優(yōu)
化過程結(jié)束，此時(shí)的A即為所求的最優(yōu)解。
為了驗(yàn)證本發(fā)明方法，我們選取了臨床獲得的眼底圖像作為實(shí)驗(yàn)樣 本，通過大量的實(shí)驗(yàn)，我們可以在l秒以內(nèi)完成亞像素級的剛性眼底圖像 配準(zhǔn)，對低質(zhì)量的眼底圖像也能得到很好的實(shí)驗(yàn)結(jié)果。具體的配準(zhǔn)結(jié)果如
圖5 (c)，圖6所示。其中圖6是將配準(zhǔn)后的圖像與之前的參考圖像融合 之后得到的新圖像，圖像中亮度高的矩形區(qū)域來源于配準(zhǔn)后的圖像，亮度 低的矩形區(qū)域來源于參考圖像。從圖上可以看出，配準(zhǔn)的精度非常高。實(shí) 驗(yàn)表明，本發(fā)明是快速，精確，魯棒的，具有巨大的實(shí)用價(jià)值。
以上所述，僅為本發(fā)明中的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并不 局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想 到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保 護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1.一種基于距離變換和剛性變換參數(shù)估計(jì)的眼底圖像配準(zhǔn)方法，包括以下步驟1)加載第一眼底圖像和第二眼底圖像；2)提取所述兩幅眼底圖像的視盤中心，估計(jì)所述兩幅眼底圖像的平移參數(shù)；3)對所述兩幅眼底圖像進(jìn)行視盤血管分割以及分布特征計(jì)算，估計(jì)所述兩幅圖像的旋轉(zhuǎn)參數(shù)；4)以所述第一眼底圖像作為參考圖像，對步驟3)中分割出來的血管像素點(diǎn)作為標(biāo)志點(diǎn)集，計(jì)算以視盤中心為圓心，圖像寬度的十分之一為半徑的圓形鄰域內(nèi)的距離變換；5)以所述第二眼底圖像作為浮動圖像，將步驟2)和3)中求得的剛性變換參數(shù)作為初始變換參數(shù)，將浮動圖像中分割出來的血管像素點(diǎn)映射到基準(zhǔn)圖像上，計(jì)算兩幅圖像基于距離變換的相似性度量函數(shù)值，通過優(yōu)化這個(gè)函數(shù)值，求得最佳的變換參數(shù)，完成兩幅圖像的精確配準(zhǔn)。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟2)中所述視盤中 心提取包括O將圖像的灰度最大值的85%設(shè)定為閾值；[2) 對圖像中灰度值高于閾值的像素點(diǎn)進(jìn)行聚類，設(shè)定類內(nèi)距離為圖 像寬度的十二分之一，同時(shí)設(shè)定類內(nèi)像素點(diǎn)數(shù)閾值，得出候選的視盤中心 點(diǎn)集；[3) 對視盤中心點(diǎn)集中的候選點(diǎn)，分別計(jì)算其半徑為圖像寬度十二分 之一的圓形區(qū)域內(nèi)的血管密度，選擇血管密度最大的點(diǎn)作為視盤中心。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟3)中所述進(jìn)行視 盤血管分割以及分布特征計(jì)算，估計(jì)兩幅圖像的旋轉(zhuǎn)參數(shù)包括[1) 對以視盤中心為圓心，圖像寬度的十二分之一為半徑的圓形鄰域 內(nèi)的像素點(diǎn)，禾U用兩個(gè)5X5的方向掩模，計(jì)算梯度向量；[2) 根據(jù)梯度向量進(jìn)行血管分割以及血管方向概率分布特征的計(jì)算；[3 )通過最小化兩個(gè)血管方向概率分布的相對熵(Kullback-LeiblerDivergence)得出圖像的旋轉(zhuǎn)參數(shù)估計(jì)。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述血管方向概率分 布特征的計(jì)算步驟包括對于分割出的血管邊緣，計(jì)算梯度向量(《,(^)，其中血管方向^由如下表達(dá)式?jīng)Q定<formula>formula see original document page 3</formula>如果Q <0tan-iSl+;r 其它惰況 G將整個(gè)圓周角[-;r/2,3;r/2]等分為72個(gè)方向，求出血管方向概率分布。
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述圖像的旋轉(zhuǎn)參數(shù) 估計(jì)包括對于己經(jīng)求出的血管方向概率分布《，P2，固定《，對尸2對應(yīng)血 管方向分布每次順時(shí)針旋轉(zhuǎn)一個(gè)方向，旋轉(zhuǎn)71次，得出新的概率分布《， g2，…，尸271 ，計(jì)算《與尸2，尸2',尸22，...，尸27'的相對熵(Kullback扁Leibler Divergence),求出相對熵最小的上標(biāo)/:<formula>formula see original document page 3</formula>圖像的旋轉(zhuǎn)參數(shù)下標(biāo)j表示概率分布P在j方向上的分量 A6> = z'tt/36。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟5)中所述兩幅圖像基于距離變換的相似性度量函數(shù)為
全文摘要
本發(fā)明是一種基于距離變換和剛性變換參數(shù)估計(jì)的眼底圖像配準(zhǔn)方法，所述方法主要步驟包括(1)加載眼底圖像。(2)提取視盤中心，估計(jì)圖像的平移參數(shù)。(3)對視盤鄰域內(nèi)的像素點(diǎn)，計(jì)算梯度向量，進(jìn)行血管分割以及血管分布概率特征的計(jì)算，通過最小化兩個(gè)概率分布的相對熵(Kullback-Leibler Divergence)得出圖像旋轉(zhuǎn)參數(shù)的估計(jì)。(4)對第三步中分割出來的血管，計(jì)算它們的歐式距離變換。(5)進(jìn)行圖像的精確配準(zhǔn)。本發(fā)明方法是一種快速、精確、魯棒的自動眼底圖像配準(zhǔn)算法，在眼底圖像配準(zhǔn)方面有著重大的應(yīng)用價(jià)值。
文檔編號G06T7/00GK101593351SQ20081011329
公開日2009年12月2日 申請日期2008年5月28日 優(yōu)先權(quán)日2008年5月28日
發(fā)明者鑫 楊, 捷 田, 鄧可欣, 健 鄭 申請人:中國科學(xué)院自動化研究所