This application involves a method, device, computer equipment and storage medium for quantifying the effect of fused images. The feature vectors of fused images are acquired by computer equipment. According to the preset self-organizing mapping neural network algorithm and the feature vectors, a quantization model is constructed, and then the fused image effect to be tested is quantized according to the quantization model. The input of type I is the feature vectors (signal-to-noise ratio, mean value, information entropy and clarity) of the fused image, so this method considers the fused image's multi-purpose synthetically (evaluating from the multi-feature information contained in the image), avoids evaluating the fusion effect only from the single purpose of the fused image, gives a comprehensive evaluation result, and quantifies the result as one. The degree value can directly reflect the quality of the fused image and make the evaluation result very intuitive.
【技术实现步骤摘要】
融合图像效果量化方法、装置、计算机设备和存储介质
本申请涉及融合图像
,特别是涉及一种融合图像效果量化方法、装置、计算机设备和存储介质。
技术介绍
医学图像融合可以汇集源图像各自的信息,表现出更丰富的信息。如将正电子发射计算机断层显像(PositronEmissionTomography,简称PET)图像和电子计算机断层扫描(ComputedTomography,简称CT)图像融合起来,就可以在一幅图像中同时得到清晰的解剖结构信息以及对应的脏器功能代谢信息。由于医学应用领域的敏感性,需要医学融合图像不可以丢失任何有用的信息,否则可能会因为图像信息的不完整导致医疗事故,因此对融合图像的评价必须准确直观而有效。融合图像的效果不仅会受到源图像的噪声、融合算法的参数、观察者的感兴趣区等因素的影响,还依赖于图像的用途而做出评价。目前,医学融合图像的评价一般原则是,判断信息量是否提高、噪声是否得到抑制、均匀区域噪声的抑制是否得到加强、边缘信息是否得到保留、图像均值是否提高等,基于这些原则,目前的客观评价方法主要包括:基于统计特性的评价(如:均值、标准差)、基于信息量的评价(如:熵)、基于信噪比的评价(如:信噪比)、基于梯度值的评价(如:清晰度)、还有基于模糊积分、粗糙集、证据理论、卷积神经网络的评价等等。但是,上述现有客观评价方法都是只选择融合图像某一方面的用途进行评价的,无法给出一个综合评价结果,且其评价结果不够直观。
技术实现思路
基于此,有必要针对上述现有的融合图像评价方法只选择某一方面的用途进行评价的,无法给出一个综合评价结果,且其评价结果不够直观的技术问题 ...
【技术保护点】
1.一种融合图像效果量化方法,其特征在于,所述方法包括:获取多个融合图像的特征向量;所述特征向量用于表征所述融合图像的特征信息;根据预设的自组织映射神经网络算法和所述特征向量,构建量化模型;根据所述量化模型对待测试的融合图像效果进行量化。
【技术特征摘要】
1.一种融合图像效果量化方法,其特征在于,所述方法包括:获取多个融合图像的特征向量;所述特征向量用于表征所述融合图像的特征信息;根据预设的自组织映射神经网络算法和所述特征向量,构建量化模型;根据所述量化模型对待测试的融合图像效果进行量化。2.根据权利要求1所述的方法,其特征在于,所述根据预设的自组织映射神经网络算法和所述特征向量,构建量化模型,包括:根据所述特征向量生成训练样本集;所述训练样本集为根据多个融合效果较好的融合图像的特征向量得到的数据集;根据所述训练样本集初始化所述自组织映射神经网络的初始权值矩阵;根据所述自组织映射神经网络的学习率、邻域半径和预设的自适应停止准则,对所述初始权值矩阵进行更新,得到所述训练样本集的特征空间;根据所述特征空间确定所述量化模型。3.根据权利要求2所述的方法,其特征在于,所述根据所述训练样本集初始化神经网络的初始权值矩阵,包括:获取所述训练样本集中各所述特征向量的取值范围;将所述取值范围内的值均匀随机分配至所述神经网络竞争层的各个神经元,得到所述初始权值矩阵。4.根据权利要求2或3所述的方法,其特征在于,所述根据所述神经网络的学习率、邻域半径和预设的自适应停止准则,对所述初始权值矩阵进行更新,得到所述训练样本集的特征空间,包括:根据所述初始权值矩阵,计算所述训练样本集与所述神经网络中各神经元之间的欧式距离;确定所述欧式距离最小的神经元为获胜神经元;根据所述获胜神经元和所述邻域半径确定优胜...
【专利技术属性】
技术研发人员:沈强,曲杰,王莹珑,
申请(专利权)人:武汉联影医疗科技有限公司,
类型:发明
国别省市:湖北,42
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。