步骤1:加载图像

本例使用了膝盖的两张MRI图像。固定图像为自旋回波图像，运动图像为自旋回波图像，采用反演恢复。两个矢状切片是同时获得的，但有轻微的错位。

固定= dicomread (“knee1.dcm”）;移动= dicomread (“knee2.dcm”）;

的imshowpair函数对于在注册过程的每个部分中可视化图像是有用的。使用它以蒙太奇的方式单独看到两个图像或显示他们堆叠显示错误配准的数量。

imshowpair(移动,固定的,“蒙太奇”)标题(“未注册”）

在重叠图像中imshowpair，灰色区域对应的是具有相似强度的区域，而洋红和绿色区域显示的是一幅图像比另一幅图像更亮的地方。在一些图像对中，绿色和品红区域并不总是表示配准错误，但在这个例子中，很容易使用颜色信息来查看它们的配准错误。

imshowpair(移动、固定)标题(“未注册”）

步骤2:设置初始注册

的imregconfig函数使它很容易选择正确的优化器和度量配置使用imregister．这两幅图像具有不同的强度分布，表明这是一种多模态结构。

(优化器,度量)= imregconfig (“多通道”）;

两个图像之间的失真包括缩放、旋转和(可能的)剪切。使用仿射变换来注册图像。

这是非常非常罕见的imregister将图像与默认设置完美对齐。不过，使用它们是决定先调优哪些属性的有用方法。

movingRegisteredDefault = imregister(移动,固定的,仿射的优化器,指标);imshowpair (movingRegisteredDefault、固定)标题(答:默认注册的）

第三步:改进注册

初始配准不是很好。仍然有明显的不对齐区域，特别是在右侧边缘。通过调整优化器和度量配置属性来改进注册。

优化器和度量变量是对象，它们的属性控制注册。

disp(优化)

注册。optimizer. oneplusoneevolutionary Properties: GrowthFactor: 1.050000e+00 Epsilon: 1.500000e-06 InitialRadius: 6.250000e-03 MaximumIterations: 100

disp(公制)

注册。metric. mattesmutualinformation属性:NumberOfSpatialSamples: 500 NumberOfHistogramBins: 50 UseAllPixels: 1

的InitialRadius属性控制参数空间中用于细化几何变换的初始步长。当多模态配准问题不收敛于默认参数时，InitialRadius是一个很好的第一个调整参数。从减少默认值开始InitialRadius比例系数是3.5。

优化器。InitialRadius = optimizer.InitialRadius / 3.5;movingRegisteredAdjustedInitialRadius = imregister(移动,固定的,仿射的优化器,指标);imshowpair (movingRegisteredAdjustedInitialRadius、固定)标题(B: InitialRadius调整的）

调整InitialRadius有积极的影响。在图像的顶部和右侧边缘的对齐上有一个明显的改进。

的MaximumIterations属性控制优化器允许进行的最大迭代次数。增加MaximumIterations允许注册搜索运行更长的时间，并可能找到更好的注册结果。注册是否继续改善，如果InitialRadius从最后一步使用大量的迭代?

优化器。MaximumIterations = 300;movingRegisteredAdjustedInitialRadius300 = imregister(移动,固定的,仿射的优化器,指标);imshowpair (movingRegisteredAdjustedInitialRadius300、固定)标题('C:调整初始半径，最大迭代= 300'）

通过重用该算法，进一步改进了配准InitialRadius优化器设置从以前的注册和允许优化器采取大量的迭代。

有关可调优的多模式优化器和度量参数的更多信息，请参见参考页OnePlusOneEvolutionary优化器和MattesMutualInformation指标。

步骤4:使用初始条件来改善注册

当运动图像和固定图像的配准有一个良好的初始条件时，基于优化的配准效果最好。获得改进的注册结果的一种有用技术是从更简单的转换类型开始，如“刚性”，然后将生成的转换作为更复杂的转换类型的初始条件，比如仿射的．

这个函数imregtform使用相同的算法imregister，但返回一个几何变换对象作为输出，而不是注册的输出图像。使用imregtform得到一个基于“相似”模型(平移、旋转和缩放)。

修正后的配准结果有了一定的改善MaximumIterations和InitialRadius优化器的属性。保持这些优化器设置，同时使用初始条件，并尝试进一步完善注册。

tformSimilarity = imregtform(移动,固定的,“相似”优化器,指标);

由于配准是在默认坐标系统(也称为内在坐标系统)中求解的，因此获得了定义固定图像位置和分辨率的默认空间参考对象。

Rfixed = imref2d(大小(固定));

使用imwarp来应用几何变换的输出imregtform对移动图像进行校正，使其与固定图像对齐。使用“OutputView”选项imwarp指定输出重采样图像的世界范围和分辨率。指定Rfixed随着“OutputView”强制重新采样的移动图像具有与固定图像相同的分辨率和世界限制。

tformSimilarity movingRegisteredRigid = imwarp(移动,“OutputView”, Rfixed);imshowpair (movingRegisteredRigid、固定)标题(D:基于相似度变换模型的配准）

的“T”输出几何变换的性质定义了将移动中的点映射到固定中相应点的变换矩阵。

tformSimilarity。T

ans =3×31.0331 -0.1110 0 0.1110 1.0331 0 -51.1491 6.9891 1.0000

使用“InitialTransformation”名称/值imregister使用仿射的转换模型“相似”结果用作几何变换的初始条件。这种精确的配准估计包括了剪切的可能性。

movingRegisteredAffineWithIC = imregister(移动,固定的,仿射的优化器,度规,．．．“InitialTransformation”, tformSimilarity);imshowpair (movingRegisteredAffineWithIC、固定)标题(E:基于相似初始条件的仿射模型配准）

使用“InitialTransformation”完善的“相似”的结果imregtform用全仿射模型也得到了很好的配准结果。

第五步:决定何时适可而止

比较跑步的结果imregister在不同的配置和初始条件下，很明显有大量的输入参数可以在寄存器中变化，每一个参数都可能导致不同的配准结果。

定量比较配准结果是困难的，因为没有一种质量指标可以准确地描述两幅图像的对齐。通常，必须通过可视化的结果定性地判断配准结果。在上面的结果中，C)和E)的配准结果都很好，很难从视觉上区分。

步骤6:交替可视化

随着多模态配准质量的提高，通常很难直观地判断配准质量。这是因为强度的差异会掩盖错位区域。有时切换到不同的显示模式imshowpair暴露隐藏的细节。(但情况并不总是如此。)