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節(jié)，盡管在高倍鏡下可以觀察到樣本之間的局部細節(jié)，但是同樣很難觀測到樣本整體，這樣，就誕生了一個難題：怎樣在高倍鏡下能在保證觀察到樣本整體的所有細節(jié)的條件下，將視野擴展至全局？為了解決這個問題，研宄者們運用圖像拼接算法的基本特點，同時將多張高分辨率局部圖像進行拼接，由這樣生成的樣本全景圖，可以更好地滿足人們對醫(yī)學(xué)顯微圖像精確觀測的需求。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。遍布歐洲和美國這些發(fā)達的國家中，它的發(fā)病率多年來都高居不下；近些年來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勢頭。大多是在例行的健康檢查或抽血蹄檢時發(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節(jié)信息時，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檢測與描述

2.1圖像特征點檢測概述
通常要完成圖像特征點檢測工作，首先就要了解何謂圖像的特征，其實它就是圖像中可以唯一標(biāo)識圖像的一些屬性，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特征都屬于這個范疇，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，另一類是角點特征。所謂的在圖像中進行邊緣特征的檢測，實際上就是在圖像中尋找這樣一種像素點，它會在一個方向上灰度劇烈的變化，而在和這個方向相垂直的方向上灰度變化的很平和。在下面的各個情況中應(yīng)該會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行角點特征的檢測。在人們的實際生活中，角點好有一比，相對應(yīng)于拐角，馬路中間的十字路口等等。對于角點而言，對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交點，位于兩個邊緣之間。另一種是作為一個特征點，位于鄰域內(nèi)的而且具有兩個主方向。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行更深入的研究，從而就誕生了許許多多關(guān)于角點特征的檢測算法。

2.2圖像特征描述
由上所述，就可以得出一個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。獨特性它則需要描述算子在特征點局部圖像結(jié)構(gòu)發(fā)生變化時，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特征在相似性高低的比較時的運算速度，不難發(fā)現(xiàn)，特征空間維數(shù)越高，所耗時就越多，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，人們在研宄了眾多特征描述算子和相應(yīng)的相似性度量方法后，，基于圖像梯度方向直方圖統(tǒng)計算法被廣泛釆用，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)計直方圖來表示。

第三章圖像特征點匹配與融合.........13
3.1圖像特征點匹配概述......13
3.2特征點匹配與提純...........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，而特征描述算子來源于積分圖像的使用。當(dāng)在使用SURF算法時，其巾需要使用的積分圖像其實是一種中間結(jié)果，在特征點檢測的時候形成的。了解了這一點之后，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，己經(jīng)不斷的進行了重復(fù)計算。當(dāng)依照上文論述在完成了對于醫(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于兩幅相關(guān)圖像進行特征點匹配后，接下來的步驟就應(yīng)該是要進行醫(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，得出實驗結(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計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算法進行圖像的特征矢量描述，會產(chǎn)生一個維的特征描述矢量。由于維數(shù)過高，如果仍然采用歐式距離進行度量的話，鑒于歐氏距離對于高維不敏感的特性，匹配效果會大打折扣，精度難以達到標(biāo)準(zhǔn)，誤匹配率會升高。同時，歐式相似性度量不能對特征值進行歸一化，會形成一些高量級的特征點控制著低量級的特征點。’因此，不管低量級是否具有有效性，其對整體的影響可能會變得無關(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理論的研宂，木文通過對醫(yī)學(xué)顯微圖像特點的研究，得出高倍鏡下圖像突出細節(jié)，弱化了視野，而在低倍鏡下，雖然視野得以擴大，但是圖像的局部細節(jié)無法得以淸晰展現(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探討如何解決這一問題。所以本文有采用RANSAC算法對初次匹配生成的結(jié)果進行二次提純，獲得更為精確的四配點對。然后將源圖像與待拼接圖像投影到同一個坐標(biāo)系上后，通過漸入漸出的圖像融合算法完成圖像拼接。本文通過大量有說服力的實驗證明該方案可行，而且效果良好。第二部分主要在于將理論知識應(yīng)用于實際的探索，本文利用Matlab軟件編寫生成醫(yī)學(xué)顯微圖像系統(tǒng)模型，旨在做一個將該解決方案應(yīng)用與實際的嘗試。希望通過這個系統(tǒng)模型讓用戶真實感知一下這種解決辦法的優(yōu)劣。從而提出相關(guān)的改進意見。這樣才會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，真正有一天有機會成為一個完善的系統(tǒng)供人們使用。
.........

參考文獻（略）