基于自适应云模型的多模态脑部图像融合方法技术

本发明专利技术请求保护一种基于自适应云模型的多模态脑部图像融合方法，属于医学图像处理领域。本发明专利技术借助云模型理论将来自不同模态的MRI(核磁共振成像)脑部图像、MRI与PET(正电子发射断层成像)、MRI与SPECT(单光子发射断层成像)脑部图像进行融合。首先，根据脑部图像自身的灰度直方图特征，对灰度直方图进行拟合；然后，由拟合曲线的谷值点划分区间并通过逆向云发生器自适应地生成云模型；最后，设计云推理规则，得到融合后的图像。实验结果表明，相比传统融合方法，本方法融合后的图像脑部特征更清晰，激活区域更明显，在主观融合效果与客观评价指标方面均有很大的提高。

【技术实现步骤摘要】

本专利技术属于医学图像处理领域，具体设及一种新的脑部图像融合方法。
技术介绍
图像处理是指对现有图像进行预处理、配准、融合、分割等相关操作，W获取对同 一场景或同一目标更为精准，更为可靠的图像描述。 本专利技术W脑部图像为研究目标，提出一种新的融合方法，使得融合后的脑部图像 更符合人或机器的视觉特性，W利于对图像的进一步分析，便于临床医学的应用。几十年 来，图像融合方法层出不穷，大致可分为一些Ξ类： 1、基于空间域的融合方法； 2、基于变换域的融合方法； 3、基于智能域的融合方法。 基于空间域的融合方法(灰度值加权平均法、亮度-色度-饱和度变换法（IHS )、主 成分分析法(PCA)等)是直接在图像的像素灰度空间上进行灰度值处理，它的优点是简单易 行，但是融合精度往往不高;基于变换域的融合方法(离散小波变换法(DWT)、金字塔变换 法、轮廓波融合方法、支持向量机融合方法等)是对源图像首先进行空间频域变换，然后对 变换得到的系数根据一定规则结合，得到融合系数，最后进行逆变换得到输出图像。近年 来，伴随着人工智能的飞速发展，将模糊推理、神经网络、云模型等智能方法引入到医学图 像融合中已然呈现出势不可挡的趋势。[000引云模型是李德毅院±于1995年在模糊数学理论和概率论与数理统计的基础上提 出一种可W同时兼顾随机性和模糊性的数学模型，可达成概念定性值与数字定量值之间同 时兼顾模糊性与随机性的完美转换。本专利技术提出的融合方法根据输入图像的灰度直方图特 征，自适应地生成云模型。由图像本身特点决定生成云模型的形状和个数，很好地体现了融 合的方法的自适应性和智能性。
技术实现思路
针对现有技术的不足，本专利技术的目的是为了提供一种在图像显著性、对比度和边 缘信息转换等方面均取得了更好的融合效果的基于自适应云模型的多模态脑部图像融合 方法。。本专利技术的技术方案如下：一种，其包 括生成图像云模型过程和云推理规则设计过程，其中图像云模型生成过程包括W下步骤： 101、输入脑部图像，并对脑部图像的灰度直方图进行拟合的步骤；102、根据拟合得出的曲 线谷值点划分区间，并在区间内，由逆向云发生器得到Ξ个特征值，再由特征值生成云模型 的步骤;另外云推理规则设计过程包括步骤:103、将图像的灰度值数据对映射到步骤102云 模型的步骤;104、从云模型映射出灰度值，由灰度值构成融合后的输出图像。 进一步的，所述步骤102在区间内生成云模型，其中云模型的Ξ个特征值采用逆向 云发生器算法；由特征值生成云模型采用正向云发生器算法;步骤103云推理规则设计过程 中的灰度值数据对映射到云模型采用X条件云发生器，而从云模型映射出灰度值采用Υ条件 云发生器来实现。 进一步的，当两幅图像Α、Β进行融合时，步骤101包括步骤:将两幅待融合图像Α、Β 的灰度直方图进行拟合，得到各自拟合曲线； 对两条拟合曲线求导，得到曲线极值点，再从中筛选出谷值点。 进一步的，步骤102包括；在灰度值0~256之间，相邻两个谷值点构成一个区间，在每个区间内，运用逆向云 算法和正向云算法得到一个云，进而得到每幅图像对应的云模型。[001引进一步的，步骤103包括；对得到的两幅待融合图像的云模型，设计云推理规则;激发X条件云发生器将输入 灰度值数据对映射到云模型上。 进一步的，步骤104包括； 构造二维云图，实现输入数据对到输出单个数据值的转换;激发Y条件云发生器将 灰度值映射出，即为融合后的灰度值，进而得到融合后的图像。 进一步的，所述X/Y条件云发生器变换，具体包括W下步骤： 假设图像A生成m个云，图像B生成m个云； 记一组输入灰度值数据对对两个云模型的激发分别为μLι和μ2^，即构成X条件云发 生器，通过软与算法构造二维云，实现μχ=μL? X化j，求其最大值记为Umax; μLι激发图像A云模型，即构成Y条件云发生器，生成一系列灰度值，求其平均记为 :石，μ2鴻A发图像B云模型生成一系列灰度值，求其平均记为而，比较石和与，取较大者输出， 即为融合后的灰度值，Uii中l< = i<=m，化j中 1< = j<=ri2，yx中l< = x<=niXn2;n，i， j均取正整数。 本专利技术的优点及有益效果如下： 本专利技术在智能域融合方法的基础上，W脑部图像为研究对象，提出了一种基于自 适应云模型的融合方法。结合最新的云模型理论，根据图像本身灰度值的特点，通过拟合灰 度直方图，曲线求导，谷值划分区间，云发生器等一系列算法，生成属于图像各自的云模型， 很好的体现了融合方法的自适应性和智能性。最后，由Χ/?条件云发生器完成灰度值的映 射，进而得到融合后的图像。 融合后的脑部图像在显著性、对比度和边缘信息转换等方面均取得了更好的融合 效果。同时，在互信息、均方差误根、结果相似性等客观评价指标上也体现出明显的优势。【附图说明】 图1是本专利技术提供优选实施例的总 体流程图； 图2为W输入图像A、B为例，实现由图像到云模型的过程； 图3为正向/逆向云发生器，实现由区间内灰度值到云模型的Ξ个特征值和由Ξ个 特征值到云模型的过程； 图4为云推理规则流程图； 图5为X/Y条件云发生器图，实现灰度值在云模型上的映射； 图6为本专利技术基于自适应云模型的MRI和PET的8种融合结果。【具体实施方式】 W下结合附图，对本专利技术作进一步说明： 如图1所示，包括W下步骤： 步骤1、如附图2(a)和2(b)所示，输入图像A、B。 步骤2、按照W下方法对输入的图像进行云变换： 步骤201、如附图2(c)和2(d)所示，得到图像A、B的灰度直方图。 步骤202、由于灰度直方图存在峰谷特征不明显或含有多个波峰波谷的情况，所W 我们对输入图像的灰度直方图采用高次样条函数进行拟合，如附图2(e)和2(f)所示。 步骤203、对拟合曲线求一阶导函数，令一阶导函数等于0,即得到拟合曲线的极值 点，通过判断极值点左右的符号筛选出谷值点。设最终生P个谷值点，记为化1山，-屯}，那 么由灰度值划分区间如下，0~ki为第一个区间，ki~k2为第二个区间，...，kp~256为第(P+ 1)个区间。 步骤204、对于每个区间的灰度值，由逆向云发生器得到Ξ个特征值;再由Ξ个特 征值，根据正向云发生器生成云模型，如图3所示。 步骤205、由步骤204得到的图像A、B的云图，如附图2(g)和2化)所示。 步骤3、如附图4设计云推理规则，实现灰度值在云模型上的映射，具体步骤如下： 步骤301、设图像A生成m个云模型，图像B生成m个云模型。 步骤302、对于一个输入数据对：，i，j = 1，2，…256，图像A灰 度值的输入激发X条件云发生器产生一组隶属度值，求其平均值记为μLι;同样，图像B灰度值 的输入激发X条件云发生器产生一组隶属度值，求其平均记为化J。 步骤303、通过软与算法构造二维云，实现μχ = μυΧ化j，求其最大值记为Umax。 步骤304、用μLι激发图像A云模型中的第i个云（即构成Y条件云发生器)生成一系列 灰度值，求其平均得石，同样，用激发图像B的第j个云生成一系列灰度值，求其平均当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于自适应云模型的多模态脑部图像融合方法，其特征在于，包括生成图像云模型过程和云推理规则设计过程，其中图像云模型生成过程包括以下步骤：101、输入脑部图像，并对脑部图像的灰度直方图进行拟合的步骤；102、根据拟合得出的曲线谷值点划分区间，并在区间内，由逆向云发生器生成三个特征值，再由特征值生成云模型的步骤；另外云推理规则设计过程包括步骤：103、将图像的灰度值数据对映射到步骤102云模型的步骤；104、从云模型映射出灰度值，由灰度值构成融合后的输出图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：李伟生，赵佳，肖斌，王国胤，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85