本发明专利技术公开了一种基于错误纹理消除策略的图像融合方法及系统，该方法包括：通过低通滤波器对多模态医学图像进行图像分解；基于梯度差与熵的融合规则对高频分量进行融合处理；基于像素选择规则对低频分量进行融合处理；基于迭代最小二乘法对低频融合图像进行错误纹理消除处理；对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。该系统包括：分解模块、高频融合模块、低频融合模块、纹理消除模块和加权融合模块。通过使用本发明专利技术，能够有效提取出不同模态的医学图像信息，提供高质量的融合图像。本发明专利技术作为一种基于错误纹理消除策略的图像融合方法及系统，可广泛应用于医学图像融合技术领域。技术领域。技术领域。
【技术实现步骤摘要】
一种基于错误纹理消除策略的图像融合方法及系统
[0001]本专利技术涉及医学图像融合
，尤其涉及一种基于错误纹理消除策略的图像融合方法及系统。
技术介绍
[0002]医学图像融合旨在从多重成像模态生成包含互补信息的单一图像，磁共振图像(MRI)、计算机断层扫描图像(CT)、正电子发射断层扫描(PET)和单光电子发射计算机断层扫描(SPECT)主要应用于医学图像融合，MRI提供软组织的高分辨率解剖学信息，而CT提供有关骨头和植入物等密集结构的信息，与CT和MRI图像不同，PET和SPECT提供有关血流和代谢变化功能信息，但其空间分辨率较低，虽然医生对医学图像的顺序分析可以提供足够的信息，但在许多情况下可能不太方便，重要的是，医学图像的融合已被证明可以促进医学图像用于医学诊断和分析的临床可靠性，深度学习由于其在特征提取方面的优越能力，在图像融合领域显示出巨大的潜力，基于深度学习的融合方法主要分为端到端和非端到端两大类，一般而言，非端到端的融合方法只利用深度学习的特征提取能力识别医学图像中一些有用的信息，构造融合的权重图，对于端到端的方法，医学图像通常由无监督的方式进行融合，而基于深度学习的方法通常是基于卷积运算的，卷积运算可以很好地从源图像中捕获局部信息，但在建立远程上下文依赖关系的能力有限，且采用的损失函数通常基于像素级，像素级对噪声具有较低的鲁棒性，这在某种程度上会导致不可取的残差伪影，虽然基于多尺度变换的方法在医学图像融合中也取得了不错的效果，但是这类方法得到的融合结果很容易收到对比度降低和残差伪影的影响，假如对于图像特征提取的方案不太可靠，可能会引入部分错误的细节与能量信息产生次优的融合结果。
技术实现思路
[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于错误纹理消除策略的图像融合方法及系统，能够有效提取出不同模态的医学图像信息，提供高质量的融合图像。
[0004]本专利技术所采用的第一技术方案是：一种基于错误纹理消除策略的图像融合方法，包括以下步骤：
[0005]通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；
[0006]基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；
[0007]基于像素选择规则对低频分量进行融合处理，得到低频融合图像；
[0008]基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像；
[0009]对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。
[0010]进一步，所述通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量这一步骤，其具体包括：
[0011]将多模态医学图像输入至低通滤波器进行梯度卷积提取处理，得到多模态医学图像的低频分量，所述多模态医学图像的低频分量包括图像的能量信息；
[0012]将多模态医学图像与低频分量进行作差处理，得到多模态医学图像的高频分量，所述多模态医学图像的高频分量包括图像的细节信息与纹理信息。
[0013]进一步，所述基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像这一步骤，其具体包括：
[0014]基于梯度差与熵的融合规则对高频分量进行细节捕获处理，得到高频分量的像素值；
[0015]对高频分量的像素值的大小进行比较，选取像素值最大时对应的图像，得到高频分量的决策图；
[0016]对高频分量的决策图与高频分量进行做积运算，得到高频融合图像。
[0017]进一步，所述梯度差与熵的融合规则的表达式具体如下所示：
[0018][0019][0020]上式中，表示多模态医学图像的高频分量，表示(i,j)的领域，其中是一个大小为ψ
×
ψ的局部窗口，GE(
·
)表示像素点的梯度能量，表示在(i',j')梯度上的绝对值，表示的熵的值。
[0021]进一步，所述基于像素选择规则对低频分量进行融合处理，得到低频融合图像这一步骤，其具体包括：
[0022]获取多模态医学图像的低频分量的像素值并进行比较处理，生成第一低频融合决策图；
[0023]基于局部相位相干法对低频分量进行图像锐度评估，得到低频分量的亮度信息；
[0024]基于低频分量的亮度信息对空间位置上所有方向进行加权平均组合，构建空间LPC图；
[0025]对空间LPC图进行LPC强度测量，输出显著特征图；
[0026]获取显著特征图的像素值并进行比较处理，生成第二低频融合决策图；
[0027]对第一低频融合决策图与第二低频融合决策图进行融合处理，构建低频融合图像。
[0028]进一步，所述基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像这一步骤，其具体包括：
[0029]确定迭代最小二乘法模型的目标函数并进行最小化处理，得到最小化后的目标函数；
[0030]将最小化后的目标函数嵌入至迭代最小二乘法模型并进行傅里叶变换与逆傅里叶变换处理，构建ILS模型；
[0031]将低频融合图像输入至ILS模型进行纹理信息提取处理，得到消除纹理后的低频分量；
[0032]将多模态医学图像的低频分量与消除纹理后的低频分量进行作差处理，得到低频纹理决策图像；
[0033]基于低频纹理决策图像的像素值进行比较，选取像素值最大时对应的图像，获取消除低频纹理融合图像。
[0034]进一步，所述ILS模型的表达式具体如下所示：
[0035][0036]上式中，F
‑1(
·
)表示IFFT算子，F(
·
)表示FFT算子，f表示输入的图像，表示F(
·
)的复共轭，F(1)表示FFT的delta函数，u表示平滑后的输出结果，表示u延x轴和y轴的梯度，u
n+1
表示第n迭代后输出的结果，c表示一个常数，其中c＝0.8，表示分别表示延x轴、y轴的梯度。
[0037]进一步，所述对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理的表达式具体如下所示：
[0038][0039]上式中，F表示最终融合图像，FH表示高频融合图像，FT表示低频融合图像，表示消除低频纹理融合图像。
[0040]本专利技术所采用的第二技术方案是：一种基于错误纹理消除策略的图像融合系统，包括：
[0041]分解模块，用于通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；
[0042]高频融合模块，基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；
[0043]低频融合模块，基于像素选择规则对低频分量进行融合处理，得到低频融合图像；
[0044]纹理消除模块，基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到低频纹理融合图像；
[0045]加权融合模块，用本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于错误纹理消除策略的图像融合方法，其特征在于，包括以下步骤：通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；基于像素选择规则对低频分量进行融合处理，得到低频融合图像；基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像；对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。2.根据权利要求1所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量这一步骤，其具体包括：将多模态医学图像输入至低通滤波器进行梯度卷积提取处理，得到多模态医学图像的低频分量，所述多模态医学图像的低频分量包括图像的能量信息；将多模态医学图像与低频分量进行作差处理，得到多模态医学图像的高频分量，所述多模态医学图像的高频分量包括图像的细节信息与纹理信息。3.根据权利要求2所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像这一步骤，其具体包括：基于梯度差与熵的融合规则对高频分量进行细节捕获处理，得到高频分量的像素值；对高频分量的像素值的大小进行比较，选取像素值最大时对应的图像，得到高频分量的决策图；对高频分量的决策图与高频分量进行做积运算，得到高频融合图像。4.根据权利要求3所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述梯度差与熵的融合规则的表达式具体如下所示：梯度差与熵的融合规则的表达式具体如下所示：上式中，表示多模态医学图像的高频分量，表示(i,j)的领域，其中是一个大小为ψ
×
ψ的局部窗口，GE(
·
)表示像素点的梯度能量，表示在(i',j')梯度上的绝对值，表示的熵的值。5.根据权利要求4所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述基于像素选择规则对低频分量进行融合处理，得到低频融合图像这一步骤，其具体包括：获取多模态医学图像的低频分量的像素值并进行比较处理，选取像素值最大时对应的图像，生成第一低频融合决策图；基于局部相位相干法对低频分量进行图像锐度评估，得到低频分量的亮度信息；基于低频分量的亮度信息对空间位置上所有方向进行加权平均组合，构建空间LPC图；
对...
【专利技术属性】
技术研发人员：李小松，黎熹来，谭海曙，王晓磐，程晓琦，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。