基于反卷积网络和引导滤波的医学图像融合方法技术

本发明专利技术公开了一种基于反卷积网络和引导滤波的医学图像融合方法，主要解决现有技术融合图像分辨率低的问题，其实现方案为：获取待融合的两幅医学图像；构造空域中的低、高通滤波器，并替换反卷积网络原本的随机化滤波器，得到初始化后的反卷积网络；对初始化后的反卷积网络进行训练，并获得待融合医学图像的低、高频特征图；优化引导滤波器的参数，对待融合医学图像的低、高频特征图进行滤波，得到待融合图像低、高频特征图的重定义权重图；加权融合这两种特征图的重定义权重图，得到融合后的低、高频特征图；将融合后的低、高频特征图输入到训练后的反卷积网络中，得到医学融合图像。本发明专利技术提高了融合图像的分辨率，可用于对医学图像的处理。

Medical image fusion method based on deconvolution network and guided filtering

【技术实现步骤摘要】
基于反卷积网络和引导滤波的医学图像融合方法
本专利技术属于图像处理
，主要涉及一种医学图像融合方法，可用于临床中对图像的分析与处理。
技术介绍
医学CT图像和MRI图像用于医疗诊断，主要为了确定病变区域，对病变区域有效且精确的定位。CT图像对人体骨骼成像较好，但软组织可见能力却不高，MRI图像在神经系统、软组织等区域成像较好，但对骨骼却无法成像。CT图像和MRI图像的融合图像能够将两种成像方式的优势集中起来，为医疗工作者提供诊断参考依据。反卷积神经网络是由Zeiler等人在过去几年间提出和改进的一种使用无监督且自适应训练方式的网络。反卷积神经网络是可采用推断分解手段建立层级图像表示的一种架构。这些分层特征图像包含了低、中、高等全尺度的信息，同时这些分层特征图像也能够重构回输入图像。反卷积神经网络与卷积神经网络的相同之处在于都存在卷积和池化运算，其思想大体相似，不同之处在于卷积神经网络是执行输入图像和滤波器从底层到上层的卷积运算，实现获取上层的特征图。而反卷积神经网络中特征图与滤波器的卷积是从顶层向下层依次实施的。图像滤波的本文档来自技高网...

【技术保护点】
1.一种基于反卷积网络和引导滤波的医学图像融合方法，其特征在于，包括如下：/n(1)从数据库中选取对同一部位拍摄的一幅CT图像和一幅MRI图像作为待融合医学图像；/n(2)初始化反卷积神经网络：/n(2a)构造低通滤波器和高通滤波器，即一个低通巴特沃斯滤波器和三个高通巴特沃斯滤波器；/n(2b)用已构造的通滤波器和高通滤波器替换反卷积神经网络原本的随机化滤波器，得到初始化后的反卷积神经网络；/n(3)获取待融合医学图像的低频特征图和高频特征图：/n(3a)将获取的一幅待融合CT图像和一幅待融合MRI图像输入到初始化反卷积神经网络中；/n(3b)保持初始化后的反卷积神经网络的滤波器不变，初始化待...

【技术特征摘要】
1.一种基于反卷积网络和引导滤波的医学图像融合方法，其特征在于，包括如下：
(1)从数据库中选取对同一部位拍摄的一幅CT图像和一幅MRI图像作为待融合医学图像；
(2)初始化反卷积神经网络：
(2a)构造低通滤波器和高通滤波器，即一个低通巴特沃斯滤波器和三个高通巴特沃斯滤波器；
(2b)用已构造的通滤波器和高通滤波器替换反卷积神经网络原本的随机化滤波器，得到初始化后的反卷积神经网络；
(3)获取待融合医学图像的低频特征图和高频特征图：
(3a)将获取的一幅待融合CT图像和一幅待融合MRI图像输入到初始化反卷积神经网络中；
(3b)保持初始化后的反卷积神经网络的滤波器不变，初始化待融合CT图像和待融合MRI图像的特征图并不断对其进行调整，计算特征图与滤波器重构得到的图像与其对应的原图像之间的重构误差，重构误差最小时，得到待融合CT图像和MRI图像的最优特征图；
(3c)保持最优特征图不变，不断改变反卷积神经网络中的滤波器，计算最优特征图与滤波器重构得到的图像与其对应的原图像之间的重构误差，重构误差最小时，得到已完成滤波器学习的反卷积神经网络；
(3d)将这幅待融合CT图像和这幅待融合MRI图像，再输入到已完成滤波器学习的反卷积神经网络中，分解获得待融合医学图像低频特征图和高频特征图；
(4)应用引导滤波融合规则分别对医学图像的低频特征图和高频特征图进行融合；
(4a)利用遗传算法优化引导滤波器的窗口半径r，获得引导滤波器最佳窗口半径rb：
设遗传优化算法的适应度函数为：其中，σ(r)为在窗口半径r处融合后图像的标准差,σ(1)为r＝1时融合后图像的标准差,为r处融合后图像的平均梯度,为r＝1时融合后图像的平均梯度,ES(r)为r处融合后图像的边缘强度,ES(1)为r＝1时融合后图像的边缘强度r的取值范围为1至M为引导滤波器引导图像在行方向上的像素个数，N为引导滤波器引导图像在列方向上的像素个数；
计算C(r)的最大值，此时r的值即为引导滤波器最佳窗口半径rb；
(4b)判断待融合医学CT图像低频特征图在每个像素点上的值是否大于待融合医学MRI图像低频特征图对应像素点位置上的值：
若是，则将1作为对应像素点位置的低频特征图的第一权重图W1L，
否则，则将1作为对应像素点位置的低频特征图的第二权重图W2L，其余像素点的值均为0；
(4c)判断待融合医学CT图像高频特征图在每个像素点上的值是否大于待融合医学MRI图像高频特征图对应像素点位置上的值：
若是，则将1作为对应像素点位置的高频特征图的第一权重图W1H，
否则，将1作为对应像素点位置的高频特征图的第二权重图W2H，其余像素点的值均为0；
(4d)计算待融合医学CT图像低频特征图的方差σ1L和待融合医学MRI图像低频特征图的方差σ2L，设置引导滤波器的低频调整参数为εl1＝σ1L×σ2L×10-20，最佳窗口半径为rb，利用引导滤波器分别对低频特征图的第一权重图W1L和第二权重图W2L进行滤波，得到待融合医学图像低频特征图的第一重定义权重图M1L和第二重定义权重图M2L；
(4e)计算待融合医学CT图像高频特征图的方差σ1H和待融合医学MRI图像高频特征图的方差σ2H，设置引导滤波器的高频调整参数为εl2＝σ1H×σ2H×10-20，引导滤波器的窗口半径为rb，利用引导滤波器分别对待融合医学图像高频特征图的第一权重图W1H和第二权重图W2H进行滤波，得到待融合医学图像高频特征图的第一重定义权重图M1H和第二重定义权重图M2H；
(4f)对待融合医学图像低频特征图的第一重定义权重图、第二重定义权重图和低频特征图进行加权融合，得到融合后的低频特征图；
(4g)对待融合医学图像高频特征图的第一重定义权重图、第二重定义权重图和高频特征图进行加权融合，得到融合后的高频特征图；
(5)将融合后的低频特征图和高频特征图输入到已完成学习的反卷积神经网络中，重构得到医学融合图像。


2.根据权利要求1所述的方法，其特征在于，步骤(2a)中构造低通滤波器和高通滤波器，即一个低通巴特沃斯滤波器和三个高通巴特沃斯滤波器，其实现如下：
(2a1)利用巴特沃斯低通滤波器和高通滤波器的传递函数计算得到时域中的低通滤波器和高通滤波器：






其中L(u,v)为时域低通滤波器，H(u,v)为时域高通滤波器，u和v为频域平面的横方向和纵方向坐标位置，D(u,v)为频率点(u,v)到频率原点的像素距离，D0为截止频率，n为滤波器阶数；
(2a2)对时域中的低通滤波器和高通滤波器进行二维逆傅里叶变换，得到低通滤波器和高通滤波器。


3.根据权利要求1所述的方法，其特征在于，(4d)中计算待融合医学CT图像低频特征图的方差σ1L和待融合医学MRI图像低频特征图的方差σ2L，其实现如下：
(4d1)计算待融合医学CT图像...

【专利技术属性】
技术研发人员：那彦，马晋珺，杨凌波，郑亚楠，蔡晨溪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61