【技术实现步骤摘要】
基于多尺度多特征的影像科用脑部图像融合识别方法
本专利技术涉及医疗影像科用图像处理领域，具体涉及一种基于多尺度多特征的影像科用脑部图像融合识别方法。
技术介绍
目前，国内外诸多著名学者都致力于图像分割融合算法的研究，图像分割方法主要有以下四种：基于阈值、基于边缘检测、基于区域、基于能量的分割。基于阈值的分割方法主要有直方图凹面分析法、最大类间方差法、阈值插值法等，该类方法直观简单高效，但是由于图像的复杂性，阈值的选取成为该类方法的一大挑战；基于边缘检测的分割方法中比较经典的算法有Sobel、Prewitt、Laplace以及Canny算子等，该类方法由于噪声点和周围像素点间的阶跃性非常明显，所以极易被误判为边缘；基于区域的图像分割方法主要有区域生长法以及分裂合并法，区域生长法分割较大图像容易出现不连续的空洞从而引发过分割，分裂合并法在不断分裂的过程中容易对边界区域产生破坏；基于能量的图像分割方法包括基于水平集的方法、基于图论的方法、基于ICM的方法等等。基于水平集的方法自出现以来，便成为图像分割领域的热点，在国际顶级期刊和国际会议上均有大量的水平集图像分割新方法提...
【技术保护点】
1.一种基于多尺度多特征的影像科用脑部医学图像融合识别方法，其特征在于，包括以下步骤：采集原始脑部医学图像作为样本，使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，采用高次样条函数对灰度直方图进行拟合，所述拟合后的曲线有明显的谷值点和峰值点；灰度直方图划分谷值区间，在高次样条函数拟合的基础上得到平滑可导的拟合曲线，并求取该平滑可导拟合曲线的极值点，根据极值点两边的符号将谷值点筛选出来；使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘脑部图像，并得到灰度解剖医学图像...
【技术特征摘要】
1.一种基于多尺度多特征的影像科用脑部医学图像融合识别方法，其特征在于，包括以下步骤：采集原始脑部医学图像作为样本，使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，采用高次样条函数对灰度直方图进行拟合，所述拟合后的曲线有明显的谷值点和峰值点；灰度直方图划分谷值区间，在高次样条函数拟合的基础上得到平滑可导的拟合曲线，并求取该平滑可导拟合曲线的极值点，根据极值点两边的符号将谷值点筛选出来；使用改进的IsotropicSobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘脑部图像，并得到灰度解剖医学图像MRI和伪彩色功能医学图像，对拟合改进的IsotropicSobel边缘检测算子为所示：使用自适应阈值算法对边缘图像进行二值化，得到二值化后的脑部医学图像；使用形态学运算操作对二值化后的医学图像进行处理，得到脑部医学候选区域图像，并将候选区域图像形成训练数据，初始化卷积神经网络，所述初始化卷积神经网络为：设置卷积神经网络中的参数，其中包括：卷积核的数量、降采样层的数量、卷积核的大小、降采样层的降幅，初始化卷积核的权重和偏置；将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播；对多层感知器进行误差计算和梯度计算，并判断误差是否收敛；若是，则将得到的误差和梯度用反向传播算法，经过降采样层、卷积层、降采样层、卷积层、输入层逐层传播，并且逐层更新网络的权重，判断是否为输入层，若是则提取出特征数据；将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，把经过卷积神经网络的训练特征数据输入支持向量机，同时，用网格搜索的优化方法来优化支持向量机...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。