一种基于快速有限剪切波变换与稀疏表示的医学图像融合法制造技术

本发明专利技术公开了一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，包括如下方法：S1：通过FFST将源图像A和源图像B进行分解，获取所述源图像A和源图像B的低频系数和高频系数；S2：通过稀疏表示融合法将所述源图像A和源图像B的低频系数进行融合，确定融合低频系数；S3：根据PCNN融合法将所述源图像A和源图像B的高频系数进行融合，获取融合高频系数；S4：将所述融合低频系数和融合高频系数通过FFST逆变换进行重构，获取融合图像。本发明专利技术可以使融合图像在边缘清晰度、变化剧烈度和对比度方面均得到较好的融合性能，从而融合图像的细节更加清晰，边缘更加平滑，进而具有良好的主观视觉效果。

A Medical Image Fusion Method Based on Fast Finite Shear Wave Transform and Sparse Representation

【技术实现步骤摘要】
一种基于快速有限剪切波变换与稀疏表示的医学图像融合法
本专利技术涉及数字图像处理
，尤其涉及一种基于快速有限剪切波变换与稀疏表示的医学图像融合法。
技术介绍
随着各种成像设备的发展，不同类型的传感器从同一个场景的图像中获取的信息不同。CT图像对骨骼成像非常清楚，但是对软组织的对比度很低。MRI图像可以很好的显示软组织以及有关脉管。PET图像能够呈现人体细胞的代谢活动。在医学上，需要将不同模态的图像进行适当的融合，使源图像进行信息互补，从而得到信息更丰富的图像。其中临床诊断对医学图像的视觉效果要求更高。近年来，基于多尺度几何分析的图像融合方法由于其具有的多分辨率特点，被广泛应用于图像处理领域。小波变换是最典型的多尺度分析工具，但是小波变换不能较好地表示图像的线奇异性，容易产生伪吉布斯现象。为了解决这个问题，曲波变换(curvelettransform)、轮廓波变换(contourlettransform)、剪切波变换(shearlettransform)等多尺度几何分析的方法先后被提出，但是各自仍存在有不足。
技术实现思路
专利技术目的：针对现有医学图像融合中存在的源图像细节信息保留不够充分的问题，本专利技术提出一种基于快速有限剪切波变换与稀疏表示的医学图像融合法。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，所述医学图像融合法包括如下方法：S1：通过FFST将源图像A和源图像B进行分解，获取所述源图像A和源图像B的低频系数和高频系数；S2：通过稀疏表示融合法将所述源图像A和源图像B的低频系数进行融合，确定融合低频系数；S3：根据PCNN融合法将所述源图像A和源图像B的高频系数进行融合，获取融合高频系数；S4：将所述融合低频系数和融合高频系数通过FFST逆变换进行重构，获取融合图像。进一步地讲，所述步骤S2确定融合低频系数，具体如下：S2.1：所述源图像A和源图像B的低频系数通过K-SVD算法，确定过完备字典矩阵；S2.2：根据OMP优化算法获取融合图像的稀疏系数矩阵；S2.3：根据所述过完备字典矩阵和融合图像的稀疏系数矩阵，确定融合样本训练矩阵，具体为：VF＝DαF其中：VF为融合样本训练矩阵，D为过完备字典矩阵，αF为融合图像的稀疏系数矩阵；S2.4：通过融合样本训练矩阵确定所述融合低频系数。进一步地讲，所述步骤S2.1确定过完备字典矩阵，具体如下：S2.1.1：通过滑动窗口对所述源图像A和源图像B的低频系数进行分块处理，获取源图像A和源图像B的低频系数的图像子块；S2.1.2：根据所述源图像A和源图像B的低频系数的图像子块，获取源图像A和源图像B的低频系数的样本训练矩阵；S2.1.3：通过K-SVD算法将所述源图像A和源图像B的低频系数的样本训练矩阵进行迭代运算，确定过完备字典矩阵。进一步地讲，所述步骤S2.2根据OMP优化算法获取融合图像的稀疏系数矩阵，具体如下：S2.2.1：通过OMP优化算法估计源图像A和源图像B的低频系数的样本训练矩阵的稀疏系数，获取源图像A和源图像B的低频系数的稀疏系数矩阵；S2.2.2：根据所述源图像A和源图像B的低频系数的稀疏系数矩阵，获取融合图像的稀疏系数矩阵的列向量，具体为：其中：为融合图像的稀疏系数矩阵的列向量，为源图像A的低频系数的稀疏系数矩阵的列向量，为源图像B的低频系数的稀疏系数矩阵的列向量，||αA||1为源图像A的低频系数的稀疏系数矩阵中列向量各个元素绝对值之和，||αB||1为源图像B的低频系数的稀疏系数矩阵中列向量各个元素绝对值之和；S2.2.3：根据所述融合图像的稀疏系数矩阵的列向量，确定所述融合图像的稀疏系数矩阵。进一步地讲，所述步骤S3获取融合高频系数，具体如下：S3.1：设置PCNN神经网络；S3.2：累计PCNN神经网络迭代运行的输出，获取源图像A和源图像B的高频系数对应的新点火映射图，具体为：其中：OA为源图像A的高频系数对应的新点火映射图，OB为源图像B的高频系数对应的新点火映射图，OAE为源图像A的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出，OAS为源图像A的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出，OBE为源图像B的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出，OBS为源图像B的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出；S3.3：根据所述源图像A和源图像B的高频系数对应的新点火映射图，获取融合高频系数，具体为：其中：HF(i,j)为融合高频系数，HA(i,j)为源图像A的高频系数，HB(i,j)为源图像B的高频系数，OA(i.j)为源图像A的高频系数对应的新点火映射图，OB(i.j)为源图像B的高频系数对应的新点火映射图。进一步地讲，所述步骤S3.1设置PCNN神经网络，具体如下：S3.1.1：将PCNN神经网络模型初始化；S3.1.2：根据PCNN神经网络模型的链接输入、内部状态、变阈值输入和外部输入，设置所述PCNN神经网络，具体为：其中：Fij[n]为PCNN神经网络的反馈输入，Iij为PCNN神经网络的刺激信号，Lij[n]和Lij[n-1]为PCNN神经网络的链接输入，αL为PCNN神经网络的定值，VL为PCNN神经网络的链接输入的放大系数，Wijkl为PCNN神经网络的神经元之间的连接权系数，Yij[n]和Yij[n-1]为PCNN神经网络的外部输入，Uij[n]为PCNN神经网络的内部状态，β为PCNN神经网络的链接强度，θij[n]和θij[n-1]为PCNN神经网络的变阈值输入，αθ为PCNN神经网络的变阈值衰减时间常数，Vθ为PCNN神经网络的变阈值的放大系数，k为源图像的分解尺度，l为源图像的分解方向数。进一步地讲，所述步骤S3.2累计PCNN神经网络迭代运行的输出，具体如下：S3.2.1：获取源图像A和源图像B的高频系数的拉普斯能量和标准差，具体为：其中：SD为源图像A和源图像B的高频系数的标准差，EOL为源图像A和源图像B的高频系数的拉普斯能量，f(i,j)为像素值，mk为像素均值，W为滑动窗口，n为滑动窗口的长或宽，fii为在活动窗口内对i进行求导的结果，fjj为在活动窗口内对j进行求导的结果，(i,j)为源图像中像素点的位置；S3.2.2：将所述源图像A和源图像B的高频系数的拉普斯能量和标准差分别作为PCNN神经网络的链接强度值，获取所述PCNN神经网络迭代运行的输出。有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：(1)本专利技术的医学图像融合法可以有效的提取出图像中的特征信息，同时还可以将图像中不同的特征信息融合在一起，具有优良的细节表现特征，从而提高了融合结果的综合性能；(2)本专利技术的医学图像融合法得到的融合图像能够有效地表达出图像的边缘信息，使得融合图像在边缘清晰度、变化剧烈度和对比度方面均得到了较好的融合性能，从而融合图像的细节更加清晰，边缘更加平滑，进而具有良好的主观视觉效果。附图说明图1是本专利技术的整体流程示意图；图2是本专利技术的低频系数融合过程的流程示意图；图3是本专利技术的高频系数融合过程的流程示意图。具体实施方式为使本专利技术实施例的目的、技本文档来自技高网...

【技术保护点】
1.一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述医学图像融合法包括如下方法：S1：通过FFST将源图像A和源图像B进行分解，获取所述源图像A和源图像B的低频系数和高频系数；S2：通过稀疏表示融合法将所述源图像A和源图像B的低频系数进行融合，确定融合低频系数；S3：根据PCNN融合法将所述源图像A和源图像B的高频系数进行融合，获取融合高频系数；S4：将所述融合低频系数和融合高频系数通过FFST逆变换进行重构，获取融合图像。

【技术特征摘要】
1.一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述医学图像融合法包括如下方法：S1：通过FFST将源图像A和源图像B进行分解，获取所述源图像A和源图像B的低频系数和高频系数；S2：通过稀疏表示融合法将所述源图像A和源图像B的低频系数进行融合，确定融合低频系数；S3：根据PCNN融合法将所述源图像A和源图像B的高频系数进行融合，获取融合高频系数；S4：将所述融合低频系数和融合高频系数通过FFST逆变换进行重构，获取融合图像。2.根据权利要求1所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S2确定融合低频系数，具体如下：S2.1：所述源图像A和源图像B的低频系数通过K-SVD算法，确定过完备字典矩阵；S2.2：根据OMP优化算法获取融合图像的稀疏系数矩阵；S2.3：根据所述过完备字典矩阵和融合图像的稀疏系数矩阵，确定融合样本训练矩阵，具体为：VF＝DαF其中：VF为融合样本训练矩阵，D为过完备字典矩阵，αF为融合图像的稀疏系数矩阵；S2.4：通过融合样本训练矩阵确定所述融合低频系数。3.根据权利要求2所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S2.1确定过完备字典矩阵，具体如下：S2.1.1：通过滑动窗口对所述源图像A和源图像B的低频系数进行分块处理，获取源图像A和源图像B的低频系数的图像子块；S2.1.2：根据所述源图像A和源图像B的低频系数的图像子块，获取源图像A和源图像B的低频系数的样本训练矩阵；S2.1.3：通过K-SVD算法将所述源图像A和源图像B的低频系数的样本训练矩阵进行迭代运算，确定过完备字典矩阵。4.根据权利要求2所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S2.2根据OMP优化算法获取融合图像的稀疏系数矩阵，具体如下：S2.2.1：通过OMP优化算法估计源图像A和源图像B的低频系数的样本训练矩阵的稀疏系数，获取源图像A和源图像B的低频系数的稀疏系数矩阵；S2.2.2：根据所述源图像A和源图像B的低频系数的稀疏系数矩阵，获取融合图像的稀疏系数矩阵的列向量，具体为：其中：为融合图像的稀疏系数矩阵的列向量，为源图像A的低频系数的稀疏系数矩阵的列向量，为源图像B的低频系数的稀疏系数矩阵的列向量，||αA||1为源图像A的低频系数的稀疏系数矩阵中列向量各个元素绝对值之和，||αB||1为源图像B的低频系数的稀疏系数矩阵中列向量各个元素绝对值之和；S2.2.3：根据所述融合图像的稀疏系数矩阵的列向量，确定所述融合图像的稀疏系数矩阵。5.根据权利要求1或2或3或4所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S3获取融合高频系数，具体如下：S3.1：设置PCNN神经网络；S3...

【专利技术属性】
技术研发人员：谈玲，于欣，张健，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32