张群艺　杨奋林

摘 要：引入符號函数建立了兼顾位移场光滑与不连续的自适应全变分配准模型，并给出了有效的不动点迭代方法。实验表明，由自适应全变分模型得到的图像比全变分配准模型的效果更好，花费时间更少。

关键词：图像配准;自适应;全变分;不动点方法

中图分类号：BT

文献标识码：Adoi：10.19311/j.cnki.1672-3198.2020.19.096

0 引言

图像配准是医学图像应用中最困难的任务之一。配准的目的是自动对齐图像，并在显示同一对象的不同视图的图像中建立特征之间的对应关系。成功配准后，可以将来自不同图像的信息进行比较，组合或融合，以完成进一步的任务。

基于变分的图像配准结合了位移场形变的本质特征，是图像配准中一类重要的方法。变分模型是图像配准应用中非常有效的工具。扩散模型是比较简单的模型，能产生光滑的位移场，采用AOS方法可快速求解。TV配准能保留位移场不连续。本文兼顾位移场的光滑与不连续，提出一种改进的自适应TVp配准模型，并给出了不动点迭代方法求解。

表1显示TVP配准的相似性测度比TV配准少3.9241，TVP配准的误差相对于TV配准减少了近0.86%，且迭代时间及步数约TV配准的50%。

4 结语

本文将TVP模型引入图像配准，利用符号函数将模型正则项变为容易求解的幂函数。该模型提高了TV模型的配准质量，花费时间更短，迭代步数更少，误差更低。

参考文献

[1]Fischer B， Modersitzki J. Fast diffusion registration[J]. Contemporary Mathematics，2002，313：117-129.

[2]Frohn-Schauf C， Henn S， Witsch S. Multigrid based total variation image registration[J]. Computing and Visualization in Science，2008，11（2）：101-113.

[3]Vogel C R， Oman M E. Iterative Methods for Total Variation Denoising[J]. SIAM Journal on Scientific Computing，1996，17（1）：227-238.

[4]Blomgren P， Chan T F， Mulet P， et al. Total variation image restoration： Numerical methods and extensions[C]. IEEE International Conference on Image Processing，1997，3：384-387.

[5]Blomgren P， Chan T F， Mulet P. Extensions to total variation denoising[J]. Proceedings of SPIE the International Society for Optical Engineering，1999，3162：367-375.

[6]Chen Q， Montesinos P， Sun Q S， et al. Adaptive total variation denoising based on difference curvature[J]. Image and Vision Computing，2010，28（3）：298-306.