一种基于区域对比的医学图像融合方法技术

本发明专利技术公开了一种基于区域对比的医学图像融合方法，属于医学图像处理领域。该方法包括以下步骤：a、获取已配准的多模医学图像，根据多模医学图像的大小制定分块策略，按照从上到下、从左到右的原则对图像进行分块操作；b、计算每一像素在不同分块下的对比度和分块图像的直方图矩阵，并以直方图矩阵作为系数，生成每一像素的区域对比度矩阵；c、应用典型相关分析方法计算每一像素区域对比度矩阵的相关系数，求解像素区域对比度矩阵最相关时的系数矩阵；d、以求解得到的系数矩阵作为权值，生成融合图像。与现有技术相比，本发明专利技术的基于区域对比的医学图像融合方法具有融合效果好、执行效率高等特点，具有很好的推广应用价值。

【技术实现步骤摘要】

本专利技术涉及医学图像处理领域，具体地说是一种基于区域对比的医学图像融合方法。
技术介绍
随着成像技术的发展，医学图像已成为现代医学诊断和治疗的重要手段。目前，临床中常用的医学图像主要分为解剖图像和功能影像两种。解剖图像(如CT、MR等)能清晰的提供器官的解剖结构、形态特征，并且具有较高的分辨率；功能影像(如PET、fMRI等)可以准确提供器官的功能和新陈代谢信息，但是其分辨率较低。单独一种模态的图像只能提供患者某些方面的特征，不能反映其全部病理信息。因此，在临床实践中，往往需要有机整合多种影像中的互补信息，融合多种模态的医学图像，为精确诊断和精准治疗提供依据。现有技术中，多模医学图像融合方法按照处理策略可以分为像素级、特征级、决策级三个层次，像素级融合方法主要有空域融合、变换域融合、智能融合等。空域方法通过对像素值本身的加权平均或形态学处理进行融合，其计算简单，融合效果较差。变换域方法首先对医学图像进行金字塔、小波或多尺度几何变换，提取变换域子带系数，针对子带系数制定不同的融合规则，最后通过反变换生成融合图像，其融合效果较好，但计算复杂度高，实时性差。智能融合方法通过神经网络、统计学习、模糊集等算法迭代计算融合系数，生成融合图像，其融合效果好坏往往依赖于学习算法的设计，且同样存在计算复杂度高，实时性差等问题。总的来讲，现有的像素级融合方法都是基于多模医学图像的结构、形态、颜色、时频信息等特征制定融合策略，缺乏对像素空间位置关系及对比度等因素的分析；同时，现有方法一般采取加权平均或绝对值取大作为融合规则，易使融合结果陷入全局最优，导致局部细节丢失或模糊，难以满足实际应用需求。
技术实现思路
本专利技术的技术任务是针对上述现有技术的不足，提供一种应用像素空间位置关系及对比度制定融合规则的基于区域对比的医学图像融合方法。本专利技术的技术任务是按以下方式实现的：一种基于区域对比的医学图像融合方法，其特点是包括以下步骤：a、获取已配准的多模医学图像，根据多模医学图像的大小制定分块策略，按照从上到下、从左到右的原则对图像进行分块操作；b、计算每一像素在不同分块下的对比度和分块图像的直方图矩阵，并以直方图矩阵作为系数，生成每一像素的区域对比度矩阵；c、应用典型相关分析方法计算每一像素区域对比度矩阵的相关系数，求解像素区域对比度矩阵最相关时的系数矩阵；d、以求解得到的系数矩阵作为权值，生成融合图像。作为优选，步骤a中优选采用以下方式对图像进行分块操作：图像分块操作分t次进行，每次分块尺寸分别为多模医学图像大小的1，1/4，1/8…1/2t倍。t为大于等于2的正整数，定义配准后多模医学图像A和B大小均为m×n(单位：像素)，则t的最大取值为即步骤b中采用以下方法计算每一像素区域对比度矩阵：定义多模医学图像A和B的分块分别表示为BAi和BBi，i表示第i次分块，i的取值为大于等于2且小于等于t的正整数，分块内像素点(x,y)的对比度C(x,y)i为： C A ( x , y ) i = | A ( x , y ) - MA i m a x ( BA i ) - m i n ( BA i ) | ]]> C B ( x , y ) i = | B ( x , y ) - MB i m a x ( BB i ) - min ( BB i ) | ]]>分块BAi和BBi的直方图矩阵HAi、HBi，则每一像素区域对比度矩阵C(x,y)为：CA(x,y)＝[HA(x,y)1×CA(x,y)1…HA(x,y)i×CA(x,y)i…HA(x,y)t×CA(x,y)t]′CB(x,y)＝[HB(x,y)1×CB(x,y)1…HB(x,y)i×CB(x,y)i…HB(x,y)t×CB(x,y)t]′。步骤c利用典型相关分析求解区域对比度矩阵的系数矩阵的方法包括：首先，生成待融合图像像素点的对比度矩阵向量Z：Z＝[CA(x,y)CB(x,y)]计算其协方差矩阵Σ： Σ = Σ 11 Σ 12 Σ 21 Σ 22 ]]>其中，∑11＝Cov(CA(x,y),CA(x,y))∑12＝∑21＝Cov(CA(x,y),CB(x,y))∑22＝Cov(CB(x,y),CB(x,y))其次，令U＝A1CA(x,y)，V＝B1CB(x,y)作为两组变量的线性组合，则有，Cov(U,V)＝A1∑12B1'其中，本文档来自技高网...

【技术保护点】
一种基于区域对比的医学图像融合方法，其特征在于包括以下步骤：a、获取已配准的多模医学图像，根据多模医学图像的大小制定分块策略，按照从上到下、从左到右的原则对图像进行分块操作；b、计算每一像素在不同分块下的对比度和分块图像的直方图矩阵，并以直方图矩阵作为系数，生成每一像素的区域对比度矩阵；c、应用典型相关分析方法计算每一像素区域对比度矩阵的相关系数，求解像素区域对比度矩阵最相关时的系数矩阵；d、以求解得到的系数矩阵作为权值，生成融合图像。

【技术特征摘要】
1.一种基于区域对比的医学图像融合方法，其特征在于包括以下步骤：a、获取已配准的多模医学图像，根据多模医学图像的大小制定分块策略，按照从上到下、从左到右的原则对图像进行分块操作；b、计算每一像素在不同分块下的对比度和分块图像的直方图矩阵，并以直方图矩阵作为系数，生成每一像素的区域对比度矩阵；c、应用典型相关分析方法计算每一像素区域对比度矩阵的相关系数，求解像素区域对比度矩阵最相关时的系数矩阵；d、以求解得到的系数矩阵作为权值，生成融合图像。2.根据权利要求1所述的基于区域对比的医学图像融合方法，其特征在于步骤a中图像分块操作分t次进行，每次分块尺寸分别为多模医学图像大小的1，1/4，1/8…1/2t倍，t为大于等于2的正整数，定义配准后多模医学图像A和B大小均为m×n，则t的最大取值为3.根据权利要求1或2所述的基于区域对比的医学图像融合方法，其特征在于步骤b中采用以下方法计算每一像素区域对比度矩阵：定义多模医学图像A和B的分块分别表示为BAi和BBi，i表示第i次分块，i的取值为大于等于2且小于等于t的正整数，分块内像素点(x,y)的对比度C(x,y)i为： C A ( x , y ) i = | A ( x , y ) - MA i m a x ( BA i ) - m i n ( BA i ) | ]]> C B ( x , y ) i = | B ( x , y ) - MB i ...

【专利技术属性】
技术研发人员：曹强，李宝生，毛羽，李振江，
申请(专利权)人：山东省肿瘤医院，
类型：发明
国别省市：山东;37