基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法技术

本发明专利技术公开了基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，涉及图像处理技术领域，能分别对正常脑部、脑萎缩和脑肿瘤三组脑部医学图像进行融合，多次实验结果表明本发明专利技术提出的ICDL方法与基于多尺度变换的方法、传统稀疏表示的方法、基于K‑SVD字典学习的方法以及多尺度字典学习的方法相比，不仅提高了脑部医学图像融合的质量，而且有效降低了字典训练的时间，能为临床医疗诊断提供有效帮助。

【技术实现步骤摘要】
基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法
本专利技术涉及图像处理
，特别是涉及基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法。
技术介绍
在医学领域，医生需要对同时具有高空间和高光谱信息的单幅图像进行研究和分析，以便于对疾病进行准确诊断和治疗。这种类型的信息仅从单模态图像中无法获取，例如，CT成像能够捕捉人体的骨结构，具有较高的分辨率，而MR成像能够捕捉人体器官的软组织如肌肉、软骨、脂肪等细节信息。因此，将CT和MR图像的互补信息相融合以获取更全面丰富的图像信息，可为临床诊断和辅助治疗提供有效帮助。目前应用于脑部医学图像融合领域比较经典的方法是基于多尺度变换的方法：离散小波变换(DWT)、平稳小波变换(SWT)、双树复小波变换(DTCWT)、拉普拉斯金字塔(LP)、非下采样contourlet变换(NSCT)。基于多尺度变换的方法能很好地提取图像的显著特征，但是对图像误配准敏感，传统的融合策略也使得融合结果无法保留源图像的边缘、纹理等细节信息。随着压缩感知的兴起，基于稀疏表示的方法被广泛用于图像融合领域，并取得了极佳的融合效果。Yang.B等使用冗本文档来自技高网...

【技术保护点】
一种基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，其特征在于，该方法包括：预处理阶段：对于已经配准的脑部CT/MR源图像IC，IR∈RMN，RMN表示具有M行N列的向量空间，使用步长为1的滑动窗把源图像IC，IR分别分割为

【技术特征摘要】
1.一种基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，其特征在于，该方法包括：预处理阶段：对于已经配准的脑部CT/MR源图像IC，IR∈RMN，RMN表示具有M行N列的向量空间，使用步长为1的滑动窗把源图像IC，IR分别分割为大小的图像块，对于每幅CT源图像IC和MR源图像IR，都有个图像块，然后将这些图像块编纂成m维列向量，将CT源图像IC中的第j个图像块记为MR源图像IR中的第j个图像块记为减去各自的平均值：其中，和分别表示和中所有元素的均值，1表示一个全1的m维列向量；融合阶段：使用CoefROMP算法求解的稀疏系数，公式表示如下：其中，||α||0表示稀疏系数α中非零元素的个数，ε表示允许偏差的精度，DF表示字典DC和DR融合后得到的融合字典；将稀疏系数的l2范数作为源图像的活跃度测量，则稀疏系数和通过以下的融合规则融合：均值和使用“加权平均”规则融合：其中，则和的融合结果为：重建阶段：对所有的图像块都执行预处理阶段和融合阶段以得到所有图像块的融合结果，对于每个块向量通过反滑窗的过程重塑成的图像块并放回到对应的像素位置，再对重复像素取平均得到最终的融合图像IF。2.如权利要求1所述的方法，其特征在于，在融合阶段中，所述融合字典通过以下方法计算获得：使用高质量CT和MR图像作为训练集，从训练集中采样得到向量对{XC,XR}，定义为n个采样的CT图像向量组成的矩阵，为对应的n个采样的MR图像向量组成的矩阵，其中Rd×n表示具有d行n列的向量空间；...

【专利技术属性】
技术研发人员：王丽芳，董侠，成茜，史超宇，王雁丽，
申请(专利权)人：中北大学，
类型：发明
国别省市：山西,14