### 归一化互信息的计算原理与实现 归一化互信息（Normalized Mutual Information, NMI）是一种衡量两个图像相似性的方法，常用于医学图像配准和分析。以下是一个基于 `nibabel` 和 `scipy` 的 Python 示例代码，用于计算两个 `.nii` 格式医学图像的归一化互信息。 #### 示例代码 ```python import numpy as np import nibabel as nib from scipy.stats import entropy def load_nifti_data(file_path): """加载nii格式图像数据""" img = nib.load(file_path) return img.get_fdata() def compute_joint_histogram(image1, image2, bins=64): """计算两个图像的联合直方图""" hist_2d, _, _ = np.histogram2d( image1.ravel(), image2.ravel(), bins=bins, range=[[np.min(image1), np.max(image1)], [np.min(image2), np.max(image2)]] ) return hist_2d / np.sum(hist_2d) # 归一化 def compute_normalized_mutual_information(image1, image2, bins=64): """计算归一化互信息""" joint_histogram = compute_joint_histogram(image1, image2, bins) # 计算边缘分布 marginal_x = np.sum(joint_histogram, axis=1) marginal_y = np.sum(joint_histogram, axis=0) # 计算熵 h_x = entropy(marginal_x) h_y = entropy(marginal_y) h_xy = entropy(joint_histogram.flatten()) # 计算互信息 mutual_information = h_x + h_y - h_xy # 计算归一化互信息 normalized_mutual_information = 2 * mutual_information / (h_x + h_y) return normalized_mutual_information # 加载两个nii图像 image1_path = "path_to_image1.nii" # 替换为实际路径 image2_path = "path_to_image2.nii" # 替换为实际路径 image1_data = load_nifti_data(image1_path) image2_data = load_nifti_data(image2_path) # 确保两个图像大小相同 if image1_data.shape != image2_data.shape: raise ValueError("两个图像的尺寸必须相同") # 计算归一化互信息 nmi = compute_normalized_mutual_information(image1_data, image2_data) print(f"归一化互信息: {nmi}") ``` #### 代码说明 - 使用 `nibabel` 加载 `.nii` 格式的医学图像数据[^1]。 - 通过联合直方图计算两个图像的联合概率分布，并进一步计算边缘分布。 - 利用熵公式计算图像的熵值以及联合熵值。 - 最终根据归一化互信息公式 \( \text{NMI} = \frac{2 \cdot I(X;Y)}{H(X) + H(Y)} \) 得到结果[^2]。 ### 注意事项 - 确保两个输入图像的尺寸相同，否则需要进行插值或其他预处理操作以对齐图像尺寸。 - 联合直方图的分箱数（`bins` 参数）可以根据图像的具体情况调整，通常设置为 64 或 128。 - 如果图像包含非零像素区域不一致的情况，可以考虑仅对重叠区域进行计算。