基于最佳拼接路径的大视野显微图像研究

doi:10.3969/j.issn.1000-5641.2021.06.009

华东师范大学学报（自然科学版） ›› 2021, Vol. 2021 ›› Issue (6): 81-87.doi: 10.3969/j.issn.1000-5641.2021.06.009

基于最佳拼接路径的大视野显微图像研究

许阳¹, 刘洪英^1,^2,*(), 庄泉洁²

1. 华东师范大学通信与电子工程学院, 上海　 200241
2. 上海澜澈生物科技有限公司, 上海　 200240

收稿日期:2020-08-31 出版日期:2021-11-25 发布日期:2021-11-26
通讯作者: 刘洪英 E-mail:hyliu@ee.ecnu.edu.cn
基金资助:
上海市闵行区科委2018年度产学研合作计划（2018MH306）

Research on large-field microscopic images based on the best stitching path

Yang XU¹, Hongying LIU^1,^2,*(), Quanjie ZHUANG²

1. School of Communication and Electronic Engineering, East China Normal University, Shanghai　 200241, China
2. Shanghai Lanche Biological Technology Co., Ltd., Shanghai　 200240, China

Received:2020-08-31 Online:2021-11-25 Published:2021-11-26
Contact: Hongying LIU E-mail:hyliu@ee.ecnu.edu.cn

摘要/Abstract

摘要：

图像拼接技术是大视野显微数字图像应用中的关键技术之一. 随着科学技术的发展, 人们更加关心大视野显微数字图像的快速而又准确的图像拼接问题. 而现有的传统图像拼接方法是在图像配准之后按照固定的顺序拼接, 这对显微数字图像的采集质量以及配准的准确度要求很高, 一旦有误差便会沿着固定的路径累加, 从而使后续的图像产生错位等问题. 通过实验分析, 提出了一种优化大视野图像拼接路径的方法, 极大地优化了误差累积和配准失败带来的问题, 有效地提高了大视野显微数字图像的拼接质量. 该方法不仅可用于大视野显微图像的拼接, 也适用于其他类型的图像拼接.

关键词: 大视野显微数字图像, 误差累积, 图像配准, 最佳拼接路径

Abstract:

Image stitching technology is one of the key technologies in the application of large-field microscopic digital images. The existing traditional image stitching method is to stitch in a fixed order after image registration, and once there is an error, it will be accumulated along a fixed path, thereby causing problems such as misalignment of subsequent images. In this study, through experimental analysis, a method for optimizing the stitching path of the large-field image was proposed, which greatly optimized the problems caused by error accumulation and registration failure, and effectively improved the stitching quality of the large-field microscopic digital image. This method can be used not only for the stitching of large-field microscopic images, but also for other types of stitching.

Key words: large-field microscopic digital image, error accumulation, image registration, optimal stitching path

中图分类号:

TP751

许阳, 刘洪英, 庄泉洁. 基于最佳拼接路径的大视野显微图像研究[J]. 华东师范大学学报（自然科学版）, 2021, 2021(6): 81-87.

Yang XU, Hongying LIU, Quanjie ZHUANG. Research on large-field microscopic images based on the best stitching path[J]. Journal of East China Normal University(Natural Science), 2021, 2021(6): 81-87.

图/表 9

图1

表1

图2

图3

图4

图5

图6

表2

图7

参考文献 20

1	王鸿. 图像拼接方法及其应用研究 [D]. 长沙: 中南大学, 2013.
2	叶志前, 吴昊. 基于特征点的病理切片图像拼接算法. 生物医学工程学杂志, 2010, 27 (5): 984- 986.
3	刘炳宪, 谢菊元, 王焱辉, 等. 一种图像拼接方法: CN108537730A [P]. 2018-09-14.
4	许阳, 刘洪英, 庄泉洁, 等. 一种大视野图像拼接路径的优化方法: CN110689511A [P]. 2020-01-14.
5	黄永祯. 病理切片数字显微成像光学系统的研究 [D]. 南京: 南京理工大学, 2014.
6	吴金杰. 一类照度不均匀图像的拼接技术研究 [D]. 杭州: 杭州电子科技大学, 2012.
7	RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: An efficient alternative to SIFT or SURF [C] // 2011 International Conference on Computer Vision. IEEE, 2011: 2564-2571. DOI: 10.1109/ICCV.2011.6126544.
8	张锐娟, 张建奇, 杨翠. 基于SURF的图像配准方法研究. 红外与激光工程, 2009, 38 (1): 160- 165.
9	LOWE D G. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 2004, 60 (2): 91- 110. doi: 10.1023/B:VISI.0000029664.99615.94
10	肖健. SIFT特征匹配算法研究与改进 [D]. 重庆: 重庆大学, 2012.
11	LIU L, ZHAN Y Y, LUO Y, et al. Summarization of the scale invariant feature transform. Journal of Image and Graphics, 2013, 18 (8): 885- 892.
12	孙奇. 基于特征的图像配准方法的研究与实现 [D]. 沈阳: 沈阳航空航天大学, 2014.
13	柴政, 刘任任, 梁光明. 基于机械扫描与改进SURF的显微图像拼接算法. 计算机技术与发展, 2019, 29 (11): 97- 101.
14	BAY H, TUYTELAARS T, GOOL L. SURF: Speeded up robust features [C] // Proceedings of the 9th European Conference on Computer Vision. Berlin: Springer, 2006: 404-417. DOI: 10.1007/11744023_32.
15	谷宗运, 谭红春, 殷云霞, 等. 基于SURF和改进的RANSAC算法的医学图像配准. 中国医学影像学杂志, 2014, 22 (6): 470- 475.
16	FISCHLER M A, BOLLES R C. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 1981, 24 (6): 381- 395. doi: 10.1145/358669.358692
17	马兴民. 图像配准若干关键技术研究及应用 [D]. 北京: 北京科技大学, 2019.
18	卢佳毅. 基于卷积神经网络的肺部CT图像配准方法 [D]. 武汉: 华中科技大学, 2019.
19	YI K M, VERDIE Y, FUA P, et al. Learning to assign orientations to feature points [C] // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016: 107-116. DOI: 10.1109/CVPR.2016.19.
20	CAO X H, YANG J H, GAO Y Z, et al. Region-adaptive deformable registration of CT/MRI pelvic images via learning-based image synthesis. IEEE Transactions on Image Processing, 2018, 27 (7): 3500- 3512. doi: 10.1109/TIP.2018.2820424

配准方法	匹配对数量/对			耗时/s
配准方法	暴力匹配后	阈值过滤后	随机抽样一致性后	耗时/s
SIFT	350	15	13	1.142
SURF	144	12	11	0.763
GPU版本SURF	105	2	2	0.007

拼接方法	路径上配准失败数/个	路径上配准对总数/对	失误率/%
传统拼接	58	611	9.5
T = T_Cu方法	39	611	6.4
T = T_Cu × T_Ad方法	32	611	5.2

基于最佳拼接路径的大视野显微图像研究

Research on large-field microscopic images based on the best stitching path

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 20

相关文章 1

编辑推荐

Metrics

本文评价