基于细节增强分解模型的医学图像融合方法技术

本发明专利技术是一种基于细节增强分解模型的医学图像融合方法，包括：步骤1、数据集获取；步骤2、将彩色图像转换为YUV信道；步骤3、设计细节增强分解模型，对医学图像进行分解，得到基本层B和细节层L，所述基本层B包含图像的基本内容信息，所述细节层L包含纹理细节与边缘轮廓信息；步骤4、使用不同的融合规则对步骤3中获得的基本层B和细节层L分别进行融合，步骤5、根据融合后的图像进行重构。本发明专利技术能在较短的处理时间内提供更清晰的边缘细节和优越的色彩，为现代医学图像融合提供了一定的应用价值。为现代医学图像融合提供了一定的应用价值。

【技术实现步骤摘要】
基于细节增强分解模型的医学图像融合方法


[0001]本专利技术属于医学图像融合领域，主要涉及利用一个细节增强分解模型在不失真的情况下提高图像质量进行医学图像融合的融合方法。

技术介绍

[0002]图像融合的目的是将多幅不同输入图像的特征融合成一幅图像，从而使其更可靠，更易于患者和医生理解。随着医学影像技术的迅速发展，大量医学影像设备被成功地应用于疾病诊断、放射治疗和外科手术。然而，不同的传感器对相同的细胞、组织、骨骼、器官和系统产生不同的成像结果。单一模式的医学成像不能完全反映器官或组织的全部生理信息。此外，融合图像不仅合成互补信息，还减少多模态医学图像中的冗余信息，从而节省存储成本。
[0003]基于深度学习网络的图像融合算法近年来成为热门研究课题。其中包括卷积神经网络(CNN)，多交点图像融合框架(IFCNN)等。这些基于深度神经网络的融合算法已经在非医学领域取得了众多成就。然而，由于缺乏地面实况信息和大量有效数据，基于神经网络的医学图像融合算法的发展受到了挫折。因此，像素级医学图像融合算法的开发仍然是一个热门的研究课题，其直接从原始像素中提取特征并应用，无需额外处理。此外，像素级的医学融合算法在空间域和变换域中运行。
[0004]特征提取方法和特征融合规则是医学融合算法的基础。基于特征提取方法，医学图像融合算法可分为三类。首先，使用多尺度变换(MST)或多尺度几何分析方法，如拉普拉斯金字塔(LP)、离散小波变换(DWT)。其次，通过局部拉普拉斯金字塔滤波等滤波分解获得图像的基本层和细节层(LLF)。第三，输入图像的能量和边缘细节层通过求解混合分解模型等目标函数和正则化项获得。特征提取后采用适当的特征融合规则，得到满意的融合图像。然而现有医学图像融合算法遇到的典型问题是对比度降低、细节模糊、颜色失真和耗时。

技术实现思路

[0005]为了解决上述问题，本专利技术提供了一种细节增强分解模型的医学图像融合方法，该方法提供了一种细节增强模型，增强了图像的边缘细节，并且对分解后的每一层提出了有针对性的融合规则，有效的解决了现有的医学图像融合算法中存在的对比度降低以及失真等问题，为现代医学图像融合提供了一定的应用价值。
[0006]为了达到上述目的，本专利技术是通过以下技术方案实现的：
[0007]本专利技术是一种基于细节增强分解模型的医学图像融合方法，该方法包括如下步骤：
[0008]步骤1：获取数据集，从公开数据库或者实验等其他途径中获取对应的输入图像1记录为I1，输入图像2记录为I2。
[0009]步骤2：由于本研究的主要实验对象是灰度与彩色图像融合。因此，彩色图像首先被转换成YUV通道；然后，使用Y通道与相应的灰度图像进行融合。
[0010]步骤3：使用细节增强分解模型对医学图像进行分解。
[0011]细节增强分解模型为：
[0012][0013]其中w
b
为一阶导数滤波器w1＝[
‑
1 1]，w2＝[
‑
1 1]T
与二阶拉普拉斯滤波器ρ(x)为非凸变量，λ控制平滑度，表示对基本层使用拉普拉斯滤波器，表示强制定位的基本层B和细节层L与原始图像I接近。
[0014]步骤4：选用特定的融合规则将增强后的层融合。
[0015]基本层B包含了图像的基本内容信息，因此使用加权平均法获得基本层，具体公式如下：
[0016][0017][0018]其中X＝1，γ＝1.5，B
′
表示进行加权平均处理后的基本层，N代表有N个输入。
[0019]细节层L分别包含纹理细节与边缘轮廓信息，l2范数和最大奇异值分别表示细节与主要变形信息，通过使用3X3窗口滑动图像来获得一系列面片，对于每一个面片，通过计算l2范数和最大奇异值的乘积来确定，具体细节层融合规则为：
[0020][0021]其中(i，j)是窗口中的位置，G是面片的数量，表示g块在i，j中的融合像素，表示位于(i，j)中的第m个局部平均细节层的g块的像素，的定义如下：
[0022][0023]其中V
max
(l
g，m
)表示细节层的最大奇异值，在得到所有的融合面片l
g
，g＝1，2，...，G后，选择对重叠区域的平均操作得到融合的细节层L。
[0024]融合图像的计算公式如下：
[0025]F＝B+L。
[0026]步骤5：根据融合后的图像进行重构。
[0027]本研究的主要实验对象是灰度和彩色图像融合。因此，彩色图像首先被转换成YUV
通道；然后，使用Y通道与相应的灰度图像进行融合。最后进行颜色空间反演，得到彩色融合图像。
[0028]本专利技术的有益效果是：
[0029]本专利技术的融合方法增强分解图像的细节与边缘，更加的高效并且不引入噪声，有助于解决因融合而遇到的对比度降低、细节模糊以及颜色失真等问题；
[0030]本专利技术相比于单纯的特征提取，使用细节增强模型使分解出的层更加的平滑，不失真；
[0031]本专利技术针对每一层提出有效的、有针对性的融合规则，比传统的融合方法更具优势。
[0032]本专利技术细节增强分解模型与作为经典增强分解方法的局部拉普拉斯金字塔滤波相比具有无附加噪声、主观效果可接受、时间短等优点。
附图说明
[0033]图1为本专利技术的算法流程图。
[0034]图2为本专利技术与其他先进方法在PET
‑
MRI数据集上的对比实验图，其中：输入图像：PET图像为(a1/b1/c1/d1)；MRI图像为(a2/b2/c2/d2)；MST
‑
SR方法图像为(a3/b3/c3/d3)；CSR方法图像为(a4/b4/c4/d4)；CNN方法图像为(a5/b5/c5/d5)；LR
‑
SR方法图像为(a6/b6/c6/d6)；NSST
‑
CSTF方法图像为(a7/b7/c7/d7)；NSST
‑
PAPCNN方法图像为(a8/b8/c8/d8)；ReLP方法图像为(a9/b9/c9/d9)；TL
‑
ST方法图像为(a10/b10/c10/d10)；CSMCA方法图像为(a11/b11/c11/d11)；IFCNN方图像为法(a12/b12/c12/d12)；NSCT
‑
DCT图像为(a13/b13/c13/d13)；PCA
‑
SVD方法图像为(a14/b14/c14/d14)，本专利技术的融合方法图像为(a15/b15/c15/d15)。
[0035]图3为本专利技术与其他先进方法在SPECT
‑
MRI数据集上的对比实验图，其中：输入图像：SPECT图像为(a1/b1/c1/d1)；MRI图像为(a2/b2/c2/d2)；MST
‑
SR方法图像为(a3/b3/c3/d3)；CSR方法图像为(a4/b本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细节增强分解模型的医学图像融合方法，其特征在于：所述医学图像融合方法包括如下步骤：步骤1、从数据集中获取灰度和彩色图像；步骤2、将步骤1中获取的彩色图像转换为YUV信道；步骤3、设计细节增强分解模型，对医学图像进行分解，得到基本层B和细节层L，所述基本层B包含图像的基本内容信息，所述细节层L包含纹理细节与边缘轮廓信息；步骤4、使用不同的融合规则对步骤3中获得的基本层B和细节层L分别进行融合，融合图像的计算公式如下：F＝B+L；步骤5、根据融合后的图像进行重构。2.根据权利要求1所述基于细节增强分解模型的医学图像融合方法，其特征在于：步骤3中的细节增强分解模型为：其中w
b
为一阶导数滤波器w1＝[
‑
1 1]，w2＝[
‑
1 1]
T
与二阶拉普拉斯滤波器ρ(x)为非凸变量，λ控制平滑度，表示对基本层使用拉普拉斯滤波器，表示强制定位的基本层B和细节层L与原始图像I接近。3.根据权利要求2所述基于细节增强分解模型的医学图像融合方法，其特征在于：步骤3中对医学图像进行分解，具体的分解方法包括如下步骤：步骤3
‑
1：由于细节增强分解模型中的每个像素出处引入辅助变量节增强分解模型写成：其中β是优化过程中增加的权重；步骤3
‑
2：通过交替计算B和L和更新辅助变量实现目标函数的最小化；步骤3
‑
3：更新在保持B、L固定的情况下，找到每个像素处的闭合形式解以最小化在保持B、L固定的情况下，找到每个像素处的闭合形式解以最小化
计算B,L，固定时，B,L的函数为二次函数，假设有循环边界条件，使用对卷积矩阵W
b

【专利技术属性】
技术研发人员：戴丽娜，朱虎，邓丽珍，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：