第一章緒論

在當(dāng)今的醫(yī)學(xué)、生物學(xué)等技術(shù)下，顯微圖像在低倍鏡下的視野更大，但是很難查看到樣本的全部細(xì)節(jié)，盡管在高倍鏡下可以觀察到樣本之間的局部細(xì)節(jié)，但是同樣很難觀測(cè)到樣本整體，這樣，就誕生了一個(gè)難題：怎樣在高倍鏡下能在保證觀察到樣本整體的所有細(xì)節(jié)的條件下，將視野擴(kuò)展至全局？為了解決這個(gè)問題，研宄者們運(yùn)用圖像拼接算法的基本特點(diǎn)，同時(shí)將多張高分辨率局部圖像進(jìn)行拼接，由這樣生成的樣本全景圖，可以更好地滿足人們對(duì)醫(yī)學(xué)顯微圖像精確觀測(cè)的需求。前列腺癌屬于一種惡性多發(fā)性腫瘤，發(fā)病根源在于男性前列腺組織。遍布?xì)W洲和美國(guó)這些發(fā)達(dá)的國(guó)家中，它的發(fā)病率多年來(lái)都高居不下；近些年來(lái)影響力也波及到了亞洲，這種疾病的發(fā)病率有著十分明顯的增長(zhǎng)勢(shì)頭。大多是在例行的健康檢查或抽血蹄檢時(shí)發(fā)現(xiàn)的，利用前列腺特異抗原診斷的這種現(xiàn)有方法，它的精度還存在著一些缺陷。當(dāng)前唯一能確診前列腺癌的診斷方法是切片檢查但切片檢查技術(shù)也存在著明顯的局限與不足。為了觀察到切片的細(xì)節(jié)信息，一般將其置于高倍鏡下觀察，由于該狀態(tài)下顯微鏡所呈現(xiàn)的視野小，因此不能獲取切片樣本的全局信息。當(dāng)醫(yī)生只能看到一系列切片樣本的局部細(xì)節(jié)信息時(shí)，就極有可能忽略某些病變因素而造成間接的誤診。但是，現(xiàn)在通過顯微圖像的拼接技術(shù)拼接后的圖像是允許醫(yī)生看到病變?nèi)珗D的，從而有助于解決上述問題。
.........

第二章圖像的特征點(diǎn)檢測(cè)與描述

2.1圖像特征點(diǎn)檢測(cè)概述
通常要完成圖像特征點(diǎn)檢測(cè)工作，首先就要了解何謂圖像的特征，其實(shí)它就是圖像中可以唯一標(biāo)識(shí)圖像的一些屬性，比如，一般可能了解的像色彩特征，紋理特征，圖像的輪廓特征以及邊緣特征再加上角點(diǎn)特征都屬于這個(gè)范疇，在下文中就開始著重闡述一下圖像中一些很常用的特征，一類是邊緣特征，另一類是角點(diǎn)特征。所謂的在圖像中進(jìn)行邊緣特征的檢測(cè)，實(shí)際上就是在圖像中尋找這樣一種像素點(diǎn)，它會(huì)在一個(gè)方向上灰度劇烈的變化，而在和這個(gè)方向相垂直的方向上灰度變化的很平和。在下面的各個(gè)情況中應(yīng)該會(huì)滿足上文中所敘述的這些條件。另一種比較熱門的而且人們常用的是在圖像中進(jìn)行角點(diǎn)特征的檢測(cè)。在人們的實(shí)際生活中，角點(diǎn)好有一比，相對(duì)應(yīng)于拐角，馬路中間的十字路口等等。對(duì)于角點(diǎn)而言，對(duì)它的定義不是唯一的，有兩種可以參考一下，一種是通常定義它是一個(gè)交點(diǎn)，位于兩個(gè)邊緣之間。另一種是作為一個(gè)特征點(diǎn)，位于鄰域內(nèi)的而且具有兩個(gè)主方向。目前，它作為人們研究的新寵，大量的學(xué)者和專家投入其中進(jìn)行更深入的研究，從而就誕生了許許多多關(guān)于角點(diǎn)特征的檢測(cè)算法。

2.2圖像特征描述
由上所述，就可以得出一個(gè)理想的特征描述算子的一般要求，它必須有較高的魯棒性、獨(dú)特性和匹配速度。這其中，魯棒性則要求描述算子能夠在圖像的仿射變換、密度變化和噪聲干擾的這一些因素下還能穩(wěn)定的輸出正確結(jié)果。獨(dú)特性它則需要描述算子在特征點(diǎn)局部圖像結(jié)構(gòu)發(fā)生變化時(shí)，能夠存在捕獲并且反應(yīng)這一變化的能力。最后，匹配速度通常是指兩個(gè)特征在相似性高低的比較時(shí)的運(yùn)算速度，不難發(fā)現(xiàn)，特征空間維數(shù)越高，所耗時(shí)就越多，速度就越慢。當(dāng)然為了尋找到由上所述的理想特征描述算子，人們?cè)谘绣沉吮姸嗵卣髅枋鏊阕雍拖鄳?yīng)的相似性度量方法后，，基于圖像梯度方向直方圖統(tǒng)計(jì)算法被廣泛釆用，大致原理是將不同的圖像局部紋理和形狀特征用梯度統(tǒng)計(jì)直方圖來(lái)表示。

第三章圖像特征點(diǎn)匹配與融合.........13
3.1圖像特征點(diǎn)匹配概述......13
3.2特征點(diǎn)匹配與提純...........13
第四章基于SURF-BC算法的圖像拼接...........17
4.1SURF算法...........17
4.2基于Bray-Curtis距離的圖像匹配.....20
第五章總結(jié)與展望.........36

第四章基于SURF-BC算法的圖像拼接

4.1SURF算法
由上文所述，SUFT往往通過采用高斯圖像生成的特征矢量作為特征描述算子，而特征描述算子來(lái)源于積分圖像的使用。當(dāng)在使用SURF算法時(shí)，其巾需要使用的積分圖像其實(shí)是一種中間結(jié)果，在特征點(diǎn)檢測(cè)的時(shí)候形成的。了解了這一點(diǎn)之后，當(dāng)然就有責(zé)任區(qū)使用它充分，以避免當(dāng)SURF特征矢量生成時(shí)，己經(jīng)不斷的進(jìn)行了重復(fù)計(jì)算。當(dāng)依照上文論述在完成了對(duì)于醫(yī)學(xué)顯微圖像的特征提取，與特征描述，利用基于Bray-Curtis距離的特征匹配法對(duì)于兩幅相關(guān)圖像進(jìn)行特征點(diǎn)匹配后，接下來(lái)的步驟就應(yīng)該是要進(jìn)行醫(yī)學(xué)顯微圖像的融合了。就是將兩幅圖像利用圖像融合算法拼接到一起，完成最終的研究目的，得出實(shí)驗(yàn)結(jié)論。本文最終采用漸入漸出的融合算法通過兩步完成醫(yī)學(xué)顯微圖像的拼接的最終工作。

4.2基于Bray-Curtis距離的圖像匹配
由上文可知，歐式距離可以被用來(lái)計(jì)算兩幅圖像特征描述矢量之間的相似度值。但是，由于本章所采用SURF算法進(jìn)行圖像的特征矢量描述，會(huì)產(chǎn)生一個(gè)維的特征描述矢量。由于維數(shù)過高，如果仍然采用歐式距離進(jìn)行度量的話，鑒于歐氏距離對(duì)于高維不敏感的特性，匹配效果會(huì)大打折扣，精度難以達(dá)到標(biāo)準(zhǔn)，誤匹配率會(huì)升高。同時(shí)，歐式相似性度量不能對(duì)特征值進(jìn)行歸一化，會(huì)形成一些高量級(jí)的特征點(diǎn)控制著低量級(jí)的特征點(diǎn)。’因此，不管低量級(jí)是否具有有效性，其對(duì)整體的影響可能會(huì)變得無(wú)關(guān)緊要。
..........

第五章總結(jié)與展望

本文的主要工作可以總的分為以下兩部分：第一部分主要在于對(duì)理論的研宂，木文通過對(duì)醫(yī)學(xué)顯微圖像特點(diǎn)的研究，得出高倍鏡下圖像突出細(xì)節(jié)，弱化了視野，而在低倍鏡下，雖然視野得以擴(kuò)大，但是圖像的局部細(xì)節(jié)無(wú)法得以淸晰展現(xiàn)。所以為了使醫(yī)生獲取醫(yī)學(xué)顯微圖像的全局信息，木文采用圖像拼接這一方法來(lái)探討如何解決這一問題。所以本文有采用RANSAC算法對(duì)初次匹配生成的結(jié)果進(jìn)行二次提純，獲得更為精確的四配點(diǎn)對(duì)。然后將源圖像與待拼接圖像投影到同一個(gè)坐標(biāo)系上后，通過漸入漸出的圖像融合算法完成圖像拼接。本文通過大量有說(shuō)服力的實(shí)驗(yàn)證明該方案可行，而且效果良好。第二部分主要在于將理論知識(shí)應(yīng)用于實(shí)際的探索，本文利用Matlab軟件編寫生成醫(yī)學(xué)顯微圖像系統(tǒng)模型，旨在做一個(gè)將該解決方案應(yīng)用與實(shí)際的嘗試。希望通過這個(gè)系統(tǒng)模型讓用戶真實(shí)感知一下這種解決辦法的優(yōu)劣。從而提出相關(guān)的改進(jìn)意見。這樣才會(huì)是的本文采用的這種方案能真正在醫(yī)療診斷中起到輔助治療的效果，真正有一天有機(jī)會(huì)成為一個(gè)完善的系統(tǒng)供人們使用。
.........

參考文獻(xiàn)（略）