一种鱼类捕食行为分析的多模态脑影像融合方法技术

本发明专利技术提供了一种鱼类捕食行为分析的多模态脑影像融合方法，涉及图像融合技术领域，本方法包括步骤S1：基于分离字典学习通过关联稀疏系数构成的稀疏矩阵来表征结构纹理特征；S2：通过正交匹配追踪法和黎曼流形上共轭梯度法经过循环迭代得到预训练字典；S3：采用纹理对比度与稀疏显著性特征和构造活性测度以保留纹理信息，通过稀疏重构得到融合的脑影像。本方法能够克服字典原子的更新形式易造成纹理信息丢失和字典整体更新效率偏低的不足，以及因活性测度表征单一造成纹理信息丢失的缺陷。陷。陷。

【技术实现步骤摘要】
一种鱼类捕食行为分析的多模态脑影像融合方法


[0001]本专利技术涉及图像融合
，具体而言，涉及一种鱼类捕食行为分析的多模态脑影像融合方法。

技术介绍

[0002]包括人类在内的动物行为涉及动机、感知、决策、运动控制、反馈等一系列复杂的神经环路功能，研究如何更好地理解动物的神经环路活动与行为之间的联系是系统神经科学的重点目标。以鱼类的捕食行为为例，现有的鱼类全脑神经活动的记录是在头部固定的活体鱼上完成的，而对脑功能结构的研究有助于提高对鱼类全脑神经活动的理解。脑功能成像处理技术中的脑影像融合通过将多模态的脑功能成像关于同一场景的互补信息融合到单一影像中，能够有效提升对脑功能结构信息的立体感知，从而对理解鱼类全脑神经活动与行为之间的联系提供了必要的研究基础。因多模态脑影像成像机制不同，脑影像间往往存在明显的亮暗对比、纹理差异和相似度低等特点。脑影像自身的成像特点使得已有融合方法效果并不理想。
[0003]目前，学术界对脑影像融合的研究主要集中在像素级、特征级和决策级三个融合层次，其研究成果也较为完善。其中，像素级融合通过直接作用于原始数据层中的像素能够更完整地保留源影像中的有效信息，且因脑影像融合相比于对实时性的要求，更加重视融合算法的准确性，因此像素级融合在脑影像融合中得到了更为广泛的应用。常用的像素级融合算法包括空间域、变换域、稀疏表示、深度学习及其复合算法。与其他算法相比较，稀疏表示能够实现信号的自然稀疏性，利于纹理特征的提取，并且该原理与人类视觉系统HVS的生理特征相一致。虽然基于稀疏表示的融合方法中，传统的解析字典学习能够简单快速的实现信号的稀疏表示，但其对于复杂纹理的表达能力通常很差。字典更新形式降低了字典整体的更新效率。字典原子以列向量的形式更新，可理解为仅在一个维度方向上提取图像的纹理信息，降低了相邻区域的结构和纹理相关性，易造成信息丢失。另外，稀疏特征的活性测度表征单一也是造成纹理信息丢失的重要原因。

技术实现思路

[0004]本专利技术解决的问题是如何克服字典原子的更新形式易造成纹理信息丢失和字典整体更新效率偏低的不足，以及因活性测度表征单一而造成纹理信息丢失的缺陷。
[0005]为解决上述问题，本专利技术提供一种鱼类捕食行为分析的多模态脑影像融合方法，包括步骤：
[0006]S1：基于分离字典学习通过关联稀疏系数构成的稀疏矩阵来表征结构纹理特征；
[0007]S2：通过正交匹配追踪法和黎曼流形上共轭梯度法经过循环迭代得到预训练字典；
[0008]S3：采用纹理对比度与稀疏显著性特征和构造活性测度以保留纹理信息，通过稀疏重构得到融合的脑影像。
[0009]在上述方法中，针对方法中字典原子的更新形式易造成纹理信息丢失和字典整体更新效率偏低的不足，采用分离字典学习的方式通过关联稀疏系数构成的稀疏矩阵来表征更丰富的结构纹理特征，并通过子字典矩阵形式的同步更新来提高字典更新效率。针对方法中因活性测度表征单一造成纹理信息丢失的不足，采用纹理对比度和稀疏显著性特征和构造新的活性测度以保留更完备的纹理信息，最终通过稀疏重构得到融合的脑影像。
[0010]进一步地，所述步骤S1包括：
[0011]S11：建立初始字典原子与当前残差，利用初始字典原子和当前残差确定最相关字典原子的索引，并经多次迭代得到索引集，采用最小二乘法更新稀疏系数，并对稀疏系数求偏导，得到当前字典下的重构样本以及更新残差；
[0012]S12：将更新残差与字典原子重新确定最相关字典原子的索引，以完成迭代循环，得到正交匹配追踪法下的更新稀疏系数。
[0013]进一步地，所述步骤S2包括：
[0014]S21：将分离字典构成的组变量投影到黎曼流形上，并通过测地线线性搜索移动步长，得到当前点在切空间上的黎曼梯度和修正搜索方向；
[0015]S22：利用黎曼梯度和修正搜索方向通过线性搜索确定步长，得到黎曼流形上共轭梯度法下的更新字典数组；
[0016]S23：结合正交匹配追踪法和黎曼流形上共轭梯度法进行循环迭代，经样本训练后，得到预训练字典。
[0017]进一步地，所述字典学习的目标函数为：
[0018][0019]其中，表示稀疏系数；N表示训练样本Y的个数；D
A
∈R
m
×
n
(n＞m)和D
B
∈R
m
×
n
(n＞m)表示子字典；
[0020]字典学习过程包括稀疏编码和分离字典更新两部分的循环迭代。
[0021]进一步地，所述步骤S3包括：
[0022]S31：将多个已配准的多模态脑影像经滑动窗口技术得到对应的重叠块，并采用预训练字典对重叠块进行稀疏表示得到相应的稀疏系数图。
[0023]进一步地，所述步骤S3还包括：
[0024]S32：基于重叠块，采用纹理对比度测度提取空间显著特征；
[0025]S33：基于稀疏系数图，采用稀疏显著性特征和测度提取变换显著特征；
[0026]S34：结合空间显著性和变换显著性构造融合活性测度，并利用活性测度指导多个多模态脑影像对应的稀疏系数融合；
[0027]S35：利用预训练字典通过稀疏重构得到融合的脑影像。
[0028]本专利技术采用上述技术方案包括以下有益效果：
[0029]本专利技术能够通过分离字典学习的方式通过关联稀疏系数构成的稀疏矩阵来表征更丰富的结构纹理特征，并通过子字典矩阵形式的同步更新来提高字典更新效率。采用纹理对比度和稀疏显著性特征和构造新的活性测度以保留更完备的纹理信息，通过稀疏重构得到融合的脑影像，从而有效改善纹理信息丢失对字典学习脑影像融合的影响。
附图说明
[0030]图1为本专利技术实施例提供的鱼类捕食行为分析的多模态脑影像融合方法流程图一；
[0031]图2为本专利技术实施例提供的鱼类捕食行为分析的多模态脑影像融合方法流程图二；
[0032]图3为本专利技术实施例提供的鱼类捕食行为分析的多模态脑影像融合方法中结合空间显著性和变换显著性的字典学习脑影像融合框架；
[0033]图4为本专利技术实施例提供的鱼类捕食行为分析的多模态脑影像融合方法流程图三；
[0034]图5为本专利技术实施例提供的鱼类捕食行为分析的多模态脑影像融合方法中变量n对亮度对比度的影响；
[0035]图6为本专利技术实施例提供的鱼类捕食行为分析的多模态脑影像融合方法中变量η对方向对比度的影响。
具体实施方式
[0036]为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。
[0037]以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0038]实施例
[0039]本实施例提供了一种鱼类捕食行为分析的多模态脑影像融合方法，如图1和图2所示，本方法包括步骤：
[0040]S1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种鱼类捕食行为分析的多模态脑影像融合方法，其特征在于，包括步骤：S1：基于分离字典学习通过关联稀疏系数构成的稀疏矩阵来表征结构纹理特征；S2：通过正交匹配追踪法和黎曼流形上共轭梯度法经过循环迭代得到预训练字典；S3：采用纹理对比度与稀疏显著性特征和构造活性测度以保留纹理信息，通过稀疏重构得到融合的脑影像。2.根据权利要求1所述的鱼类捕食行为分析的多模态脑影像融合方法，其特征在于，所述步骤S1包括：S11：建立初始字典原子与当前残差，利用初始字典原子和当前残差确定最相关字典原子的索引，并经多次迭代得到索引集，采用最小二乘法更新稀疏系数，并对稀疏系数求偏导，得到当前字典下的重构样本以及更新残差；S12：将更新残差与字典原子重新确定最相关字典原子的索引，以完成迭代循环，得到正交匹配追踪法下的更新稀疏系数。3.根据权利要求2所述的鱼类捕食行为分析的多模态脑影像融合方法，其特征在于，所述步骤S2包括：S21：将分离字典构成的组变量投影到黎曼流形上，并通过测地线线性搜索移动步长，得到当前点在切空间上的黎曼梯度和修正搜索方向；S22：利用黎曼梯度和修正搜索方向通过线性搜索确定步长，得到黎曼流形上共轭梯度法下的更新字典数组；S23：结合正交匹配追踪法和黎曼流形上共轭梯度法进...

【专利技术属性】
技术研发人员：胡秋，蔡卫明，胡绍海，白杨，邹欢清，金婧，马新莉，
申请(专利权)人：浙大宁波理工学院，
类型：发明
国别省市：