System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学图像处理,具体为一种基于变分模型和神经网络的医学图像融合方法。
技术介绍
1、医学图像可根据提供的信息内涵分为解剖成像和功能成像,当前医学图像融合方法主要包括基于变换域的方法,基于金字塔分解的方法,以及基于深度学习的方法;基于变换域的融合方法首先将图像根据特定的变换域实施变换,然后在域空间进行融合操作,当所有空间特征完成融合后,再经过逆变换为融合图像,该方法包括小波变换,非下采样轮廓波变换,非下采样剪切波变换;基于金字塔分解的融合方法首先建立图像金字塔模型,然后对每层金字塔特征进行融合,最后逆变换为融合图像,例如,拉普拉斯金字塔,方向金字塔是常用的金字塔变换算法;基于深度学习的方法首先将建立深度神经网络模型和损失函数,然后输入图像训练以改进模型参数,训练结束后输出融合图像,该方法包括深度卷积神经网络、生成对抗网络等。,虽然基于深度学习的融合方法在融合质量和指标方面已大幅度超过传统方法,但是该方法需要经过大量的实验来调节网络架构及参数,且不同的训练集和测试集也会影响最终融合结果。
2、解剖图像以较高的空间分辨率提供了清晰的解剖结构信息,但其不能提高功能、代谢信息。功能图像的分辨率较差,难以得到精确的解剖结构和定位信息,但它能反映脏器的功能、代谢信息,这是解剖图像所不能替代的。为了克服这个难题,当前提出了大量的多模态医学图像融合算法。然而,已有算法大都基于分解或变换域,其在图像分解、变换和反变换的过程中容易丢失大量的细节信息。
3、针对细节丢失问题,本专利提出了基于变分模型和卷积神经网络的多
技术实现思路
1、本专利技术的目的在于克服上述
技术介绍
困难,提供一种基于变分模型和神经网络的医学图像融合方法。
2、为达到上述目的,采用的技术方案为:一种基于变分模型和神经网络的医学图像融合方法,首先使用变分模型对输入图像的结构纹理分解,分解得到卡通图像和纹理图像,其次分别使用局部像素值之和实现卡通图像融合,使用局部像素极大值实现纹理图像融合,再次使用卷积神经网络提取感知图像,通过robert边缘算法实现感知图像融合,最后将融合后的卡通图像、纹理图像、感知图像进行相加融合,经过颜色变换后得到最终图像。
3、包括以下具体步骤:s1.使用变分模型将输入图像的结构纹理分解,所述变分模型的算法流程如下:
4、1)初始化:
5、u0=v0=0
6、2)迭代过程:
7、
8、
9、3)当
10、max(|uu+1-un|,|vn+1-vn|)≤ε
11、停止迭代;
12、s2.采用局部像素值之和实现卡通图像融合,所述卡通图像融合流程如下:
13、
14、
15、
16、其中c为卡通融合图像,x为分解后的卡通图像,s为卡通图像局部像素值之和;
17、s3.采用局部像素极大值实现纹理图像融合,所述纹理图像融合流程如下:
18、
19、
20、
21、其中t为纹理融合图像,y为分解后的纹理图像,e为纹理图像局部像素极大值;
22、s4.采用卷积神经网络实现感知图像融合,所述感知图像融合流程如下:
23、
24、
25、
26、其中p为感知融合图像,z为提取的感知图像,r为感知图像的边缘值;
27、s5.将所述s2,s3,s4得到的三种融合图像进行相加融合,所述相加融合流程如下:
28、fi,j=ci,j+ti,j+pi,j;
29、其中f为融合亮度图像,c为卡通融合图像,t为纹理融合图像,p为感知融合图像。
30、进一步地,所述步骤s1中变分模型的算法流程推导如下:
31、解决osher和vese函数的以下变体:
32、其中gμ(ω)={v∈g(q)/||v||g≤μ},
33、定义以下在bv(ω)×g(ω)上的函数,
34、
35、fλ,μ(u,v)是有限的当且仅当(u,v)属于bv(ω)×gμ(ω)。
36、进一步地,所述fλ,μ(u,v)写成
37、定义以下函数:
38、提出引理,令u∈x和v∈gd,然后有
39、证明设g∈y使得v=div(g),
40、推断出
41、进一步地,所述定义在x×x上相关的离散函数由下式给出,
42、
43、得到由于是的指示函数,
44、将重写为进一步地,所述中u和v所扮演的对称角色,将公式写成
45、其中v是固定的,搜索u作为以下项的解为
46、其中u是固定的,搜索v作为以下项的解为
47、由所述的解由以下公式给出:
48、由所述的解由以下公式给出:
49、采用上述方案的有益效果为:
50、多模态处理:通过变分模型将多模态图像分解为卡通图像和纹理图像,可以更好地理解图像的不同组成部分,为后续的图像处理和分析提供了便利,这种多模态处理方法有助于更细致地理解图像内容,提高图像处理的精度和效率。
51、感知图像提取:使用卷积神经网络提取感知图像,能够从原始图像中提取出更丰富、更细致的信息,有助于提升图像理解的准确性,这一步处理能够使图像具有更强的感知效果,为后续的图像融合提供了良好的基础。
52、多种融合方法:对于卡通图像、纹理图像和感知图像的融合,能够适应不同的应用场景和需求,提高了图像融合的灵活性和实用性,这种分步骤、多方法的处理流程可以更好地满足不同用户的需求,提高用户体验。
53、通过上述步骤,本申请提出的方法都能有效改善图像质量,得到更丰富、更准确的图像信息,颜色保真度方面更优。
本文档来自技高网...【技术保护点】
1.一种基于变分模型和神经网络的医学图像融合方法,其特征是,首先使用变分模型对输入图像的结构纹理分解,分解得到卡通图像和纹理图像,其次分别使用局部像素值之和实现卡通图像融合,使用局部像素极大值实现纹理图像融合,再次使用卷积神经网络提取感知图像,通过Robert边缘算法实现感知图像融合,最后将融合后的卡通图像、纹理图像、感知图像进行相加融合,经过颜色变换后得到最终图像。
2.根据权利要求1所述的基于变分模型和神经网络的医学图像融合方法,其特征是,包括以下具体步骤:
3.根据权利要求2所述的基于变分模型和神经网络的医学图像融合方法,其特征是,所述步骤S1中变分模型的算法流程推导如下:
4.根据权利要求3所述的基于变分模型和神经网络的医学图像融合方法,其特征是:所述Fλ,μ(u,v)写成
5.根据权利要求4所述的基于变分模型和神经网络的医学图像融合方法,其特征是,所述定义在X×X上相关的离散函数由下式给出,
6.根据权利要求5所述的基于变分模型和神经网络的医学图像融合方法,其特征是,所述中u和v所扮演的对称角色,将公式写成
...【技术特征摘要】
1.一种基于变分模型和神经网络的医学图像融合方法,其特征是,首先使用变分模型对输入图像的结构纹理分解,分解得到卡通图像和纹理图像,其次分别使用局部像素值之和实现卡通图像融合,使用局部像素极大值实现纹理图像融合,再次使用卷积神经网络提取感知图像,通过robert边缘算法实现感知图像融合,最后将融合后的卡通图像、纹理图像、感知图像进行相加融合,经过颜色变换后得到最终图像。
2.根据权利要求1所述的基于变分模型和神经网络的医学图像融合方法,其特征是,包括以下具体步骤:
3....
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。