基于多尺度变换和卷积稀疏表示的图像融合方法及系统技术方案

本发明专利技术公开了一种基于多尺度变换和卷积稀疏表示的图像融合方法，包括：不同模态的医学图像通过滚动引导滤波分解得到的基础子图和细节子图，通过NSST将基础子图分解为多尺度方向的高频子带和低频子带，通过卷积稀疏表示编码为高频稀疏系数和低频稀疏系数，对高频和低频系数进行相应不同的融合规则进行稀疏系数的融合，通过卷积稀疏表示对融合系数重建，通过逆NSST对融合子带重建得到融合后的基础子图，同时采用基于加权改进的拉普拉斯能量和融合细节子图，将融合后的基础子图和细节子图相加得到最终的融合图像。本发明专利技术解决现有的医学图像融合方法中存在的问题，为医学图像融合领域提供了更好的解决方案，实现高质量融合图像的获得。像的获得。像的获得。

【技术实现步骤摘要】
基于多尺度变换和卷积稀疏表示的图像融合方法及系统


[0001]本专利技术属于图像融合
，尤其涉及一种基于多尺度变换和卷积稀疏表示的图像融合方法及系统。

技术介绍

[0002]随着医学影像工程和计算机技术的不断发展，出现了许多先进的成像设备，这为临床诊断提供了多种模态的医学图像，这些图像从不同的角度反映了关于人体器官和病变组织的不同信息。例如：CT图像具有较强的空间分辨率和几何特性，对骨骼等致密结构的成像非常清晰，但是软组织的对比度较低；MRI图像可清晰反映软组织、器官、血管等解剖结构，但对钙化点不敏感，且受到磁干扰会发生几何失真；SPECT和PET图像能反映组织器官的代谢水平和血流状况，对肿瘤病变呈现“热点”，但其分辨率较低，很难得到精确的解剖结构形态。由此可见，每一种模态的医学图像传递的信息都有其特有的优势，同时也有局限性和不足，因此，在面对复杂疾病时，单一模态的医学图像不足以提供足够的辅助信息供临床医生参考，以给出对疾病的准确诊断或者制定适合的手术治疗方案。
[0003]近年来计算机技术发展迅速，多模态医学图像融合技术出现并得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度变换和卷积稀疏表示的图像融合方法，其特征是，包括：通过滚动引导滤波将不同模态的源图像分别分解为基础子图和细节子图；通过非下采样剪切波变换将不同源图像的基础子图分别分解为多个尺度和方向的高频子带和低频子带；对每个尺度和方向的高频子带和低频子带分别进行卷积稀疏表示编码，分别得到对应的多个尺度和方向的高频稀疏系数和低频稀疏系数；利用不同的融合规则分别对不同源图像每个尺度和方向的高频稀疏系数和低频稀疏系数进行稀疏系数的融合，得到多个尺度和方向的高频融合稀疏系数和低频融合稀疏系数，再通过卷积稀疏表示分别重建为多个尺度和方向的高频子带和低频子带；通过逆非下采样剪切波变换对多个尺度和方向的高频子带和低频子带进行融合重建，得到融合后的基础子图；通过基于加权改进的拉普拉斯能量和将对细节子图进行融合，得到融合后的细节子图；将融合后的基础子图与融合后的细节子图相加得到最终的融合图像。2.如权利要求1所述的一种基于多尺度变换和卷积稀疏表示的图像融合方法，其特征是，在进行卷积稀疏表示编码之前，还包括：基于所获得多个尺度和方向的高频子带和低频子带，训练学习得到对应的多个尺度和方向的高频卷积稀疏字典和低频卷积稀疏字典。3.如权利要求2所述的一种基于多尺度变换和卷积稀疏表示的图像融合方法，其特征是，训练学习得到低频卷积稀疏字典，包括：以低频子带图像作为训练数据集，用交替方向乘数法最优地求解卷积稀疏字典学习模型，得到低频卷积稀疏字典。4.如权利要求2所述的一种基于多尺度变换和卷积稀疏表示的图像融合方法，其特征是，训练学习得到对应的多个尺度和方向的高频卷积稀疏字典，包括：分别用不同尺度和方向的高频子带图像作为训练数据集，用交替方向乘数法最优地求解卷积稀疏字典学习模型，在每个尺度上对应地学习到一个高频卷积稀疏字典组，每个高频卷积稀疏字典组包括该尺度上多个方向分别对应的高频卷积稀疏字典。5.如权利要求1所述的一种基于多尺度变换和卷积稀疏表示的图像融合方法，其特征是，对每个尺度和方向的高频子带和低频子带分别进行卷积稀疏表示编码，分别得到对应的多个尺度和方向的高频稀疏系数和低频稀疏系数，具体为：利用学习到的多个尺度和方向的高频卷积稀疏字典和低频卷积稀疏字典，分别对相应的高频子带和低频子带进行卷积稀疏编码，分别得到相应的高频稀疏系数和低频稀疏系数...

【专利技术属性】
技术研发人员：赵秀阳，李吉喆，
申请(专利权)人：济南大学，
类型：发明
国别省市：