MattesMutualInformation
马特斯互信息度量的配置
描述
一个MattesMutualInformation对象描述了互信息度量配置传递给函数imregister解决图像配准问题。
创建
您可以创建一个MattesMutualInformation对象使用以下方法:
imregconfig——返回一个MattesMutualInformation对象搭配适当的优化器注册多通道图像进入
在命令行创建一个度量= registration.metric.MattesMutualInformation;
MattesMutualInformation对象的默认设置
属性
例子
注册与锍图像互信息度量
创建一个MattesMutualInformation对象,并使用它来注册两个膝盖的MRI图像,得到使用不同的协议。
读取图像到工作区中。多通道图像,因为他们有不同的亮度和对比度。
固定= dicomread (“knee1.dcm”);移动= dicomread (“knee2.dcm”);
查看错位的图像。
图imshowpair(固定,移动,“缩放”,“联合”);
创建优化器配置对象适用于注册多通道图像。
优化器= registration.optimizer.OnePlusOneEvolutionary;
创建指标配置对象适用于注册多通道图像。
度量= registration.metric.MattesMutualInformation
度量= registration.metric.MattesMutualInformation属性: NumberOfSpatialSamples: 500 NumberOfHistogramBins: 50 UseAllPixels: 1
调整优化器的属性,以便将汇聚全球最大的问题。增加迭代的数量优化器将使用来解决这个问题。
优化器。InitialRadius = 0.009;优化器。ε= 1.5的军医;优化器。GrowthFactor = 1.01;优化器。MaximumIterations = 300;
执行注册。
movingRegistered = imregister(移动,固定的,仿射的优化器,指标);
查看注册图像。
图imshowpair (movingRegistered固定,“缩放”,“联合”);
提示
更大的互信息值对应于更好的登记结果。您可以检查锍互信息的计算值如果你启用
“DisplayOptimization”当你打电话imregister,例如:movingRegistered = imregister(移动,固定的,“刚性”,优化器,度规,DisplayOptimization, true);
算法
互信息度量是衡量两个变量相关理论技术的信息。这些算法使用的联合概率分布采样的像素从两个图像测量确定一组像素的值映射到其他图像相似的价值观。这个信息是多么相似图像的定量测量。高互信息意味着大量减少两者之间的不确定性(熵)分布,表明图像可能更好的对齐。
锍互信息算法使用一组像素位置持续时间的优化,而不是在每一次迭代时画一套新的。使用的样本数量来计算概率密度估计和垃圾箱的数量用于计算熵都是用户可选择的。边际和联合概率密度函数是评估使用样品均匀间隔的垃圾箱。熵值计算加法垃圾箱。零级和三阶b样条内核是用来固定和移动计算概率密度函数图像,分别[1]。
引用
[1]Rahunathan传承,d . Stredney p . Schmalbrock,克莱默最初。图像配准使用严格的登记和互信息最大化。海报发表于:MMVR13。第13届医学满足虚拟现实会议;2005年1月,长滩,CA。
[2]d锍,湄Haynor h . Vesselle t Lewellen, w . Eubank。“非刚性的多模图像配准。”(Proceedings paper).Medical Imaging 2001: Image Processing. SPIE Publications, 3 July 2001. pp. 1609–1620.
