逆向一致性

在图像注册中，逆向一致性衡量的是由注册算法产生的图像之间的映射的一致性。反向一致性误差由Christiansen和Johnson在2001年提出，量化了由注册程序产生的每个图像到另一个图像的映射组成与身份函数之间的距离，并被用作许多注册算法损失函数中的正则化约束，以强制执行一致的映射。反向一致性对于良好的图像配准是必要的，但这并不充分，因为一个映射可以是完全一致的，但根本不能配准图像。

图像配准是在两幅图像之间建立一个共同坐标系的过程，给定两幅图像{displaystylef_{1}:Omega_{2}toOmega_{1}}将点从目标空间映射到源空间。将点从目标空间映射到源空间。一个理想的套准算法不应该对这对图像中的哪一个被用作源或目标敏感，而且套准算子应该是反对称的，这样的映射{displaystyleI_{1}}之间的关系应该是相互逆的。分别应该是彼此的倒数，即{displaystylecirc}表示函数组合算子。表示函数组合算子。真正的算法并不完美，当在套准问题中交换源图像和目标图像的角色时，所得到的变换并不是彼此的逆向。反向一致性可以通过在套准损失函数中加入对称正则化项来强制执行，该正则化项对不一致的变换进行惩罚反向一致性可以作为评价图像配准结果的一个质量指标。

反向一致性误差({displaystyleICE})衡量两个变换的组合与识别函数之间的距离，它可以用平均({displaystyleICE_{a}}或xxx（ICEa）。)或xxx({displaystyleICE_{m}}}在感兴趣的区域内的xxx值(ICEm)。)在一个感兴趣的区域内虽然逆向一致性是好的套准算法的必要属性，但仅靠逆向一致性误差并不足以评估图像套准结果的质量，因为一个完全一致的映射，在没有其他约束的情况下，甚至可能无法正确套准一对图像。