本发明专利技术涉及基于多向经验模式分解的医学图像融合方法，该方法采用多向经验模式分解对采集的不同种类的医学源图像进行多尺度多向分解，获得源图像的多尺度多向的高频分量内蕴模式分量，按照区域能量规则进行融合处理，可有效地提取各源图像的高频细节信息；对源图像的低频剩余分量采用能量贡献规则进行融合处理，最后反变换获取融合图像，融合后的图像有效提高融合图像的目视效果，避免小波、超小波、窗口经验模式分解融合算法引起的融合图像出现局部畸变或缺失的缺点，无需人为进行参数的选择，并且能够很好地提取源图像的细节信息，实现自适应地医学图像融合基于全新的多尺度分解结构，具有完全数据驱动的自适应性，具有更强的细节信息获取能力。
【技术实现步骤摘要】
本专利技术属于图像融合
，涉及。
技术介绍
图像融合是以图像为主要研究内容的信息融合技术，是将两幅或多幅图像合成为ー副图像，以获取对同一场景的更加精确、更为全面、更为可靠的图像描述。图像融合技术通过有效地利用多幅图像间的冗余性和互补性，使融合后的图像更适合人眼视觉系统，适合计算机的理解、分析及后续处理的需求。医学图像融合是图像融合中的ー项重要应用。目前，医学成像设备主要有计算机断层扫描(Computer Tomography, CT),磁共振成像(Magnetic Resonance Imaging, MRI) 或较新的正电子发射断层扫描(Positron Emission Tomography, PET)。CT图像反应的是人体组织的X线吸收系数，而骨骼组织的吸收系数最大，因此CT图像中骨骼组织最清晰。MRI图像反应的是人体组织的质子密度，而软组织的质子密度最高，因此MRI图像中软组织最清晰。PET是目前惟一可在活体上显示生物分子代谢、受体及神经介质活动的新型影像技术，当疾病早期处于分子水平变化阶段，病变区的形态结构尚未呈现异常，MRI、CT检查还不能明确诊断吋，PET即可发现病灶所在。将三类图像进行融合，可有效地提高医生的诊断效果O目前，基于多分辨率、多尺度分解的融合算法，在图像融合中得到广泛应用。各国研究者提出Wavelet变换、Ridgelet变换、Curvelet变换、Contourlet变换和Bandelet变换等多种小波和超小波变换的处理方法，就是这方面的重要研究成果。但无论是基于哪种小波，在图像融合中都存在一个问题融合后的图像会在局部位置出现畸变，这在一般应用中还可接受，但在医学图像中，这就有可能造成医生的误诊，影响病者的后续治疗。因此，エ程界和数学界从未停止过探索更好的分解算法。1999年，美国宇航局的Norden E. Huang教授专利技术了经验模式分解算法(Empirical Mode Decomposition, EMD),能将非稳定非线性信号按频率做自适应分解。ニ维经验模式分解是ー维EMD分解算法在ニ维平面上的推广，可用于图像数据的分析和处理，通过将原始图像自适应的分解为有效数量的子图像，可以将图像从高频到低频的局部窄带细节信息内蕴模式分量分解出来，剰余分量表示图像的趋势。分解出来内蕴模式分量具有当前图像的纹理信息。但传统ニ维经验模式分解有缺陷分解得到的内蕴模式分量图像中有暗斑。因此严重影响了传统ニ维经验模式分解在图像处理领域中的应用。后来出现的窗ロ经验模式分解WEMD较好地解决了传统ニ维经验模式分解的缺陷，又保留了传统ニ维经验模式分解自适应分解特性，并已在图像融合中得到应用，但融合后的图像由于出现少量的待融合图像信息缺失还有待进ー步地提高。为进ー步提高融合效果，本专利技术提出了多向经验模式分解算法，其应用还处于起步阶段，少有关于图像融合的讨论，基于多向经验模式分解算法的融合规则也少有具体实现，需深入探索。综上，目前现有的融合技术应用于医学图像融合，还存在一些不足基于小波、超小波的融合图像会出现局部畸变，传统经验模式分解方法分解得到的内蕴模式分量图像暗斑都对融合结果有很大的影响，窗ロ经验模式分解的融合图中，会出现少量的细节信息缺失，并且融合规则的好坏对融合效果也有巨大的影响。
技术实现思路
本专利技术的目的是提供一种，以达到既不出现小波、超小波融合算法融合后的图像出现畸变，又不出现窗ロ经验模式分解在医学图像融合中出现细节缺失，还无需人为进行參数的选择，并且能够很好地提取源图像的细节信息，实现自适应地医学图像融合。为实现上述目的，本专利技术的采用多向经验模式分解方法对采集到的源图像进行多尺度分解，获得源图像的多级尺度多方向的高频内蕴模式分量，按照区域能量规则进行融合处理，并对源图像的低频剩余分量采用能量贡献规则进行融合处理，最后反向重构获取融合图像，该方法的步骤如下 (I)采用多向经验模式分解对匹配好的不同种类的待融合医学源图像进行多尺度多向分解，获得源图像的多尺度多向的高频分量内蕴模式分量imfu和低频剩余分量ri，其中i = 1,2,3, ......，m, m为待融合图像的数量，j = 1,2,3, ......，η, η为分解得到的imf的级数；(2)将相同级的待融合图像的高频分量内蕴模式分量Imfij按照区域能量规则进行融合处理，产生融合图像的第j级内蕴模式分量imfj ；(3)将待融合图像的ri;按照整体能量贡献规则进行处理，得到融合图像的剩余分量r ；(4)将imf〗和r反向重构并进行坐标系反变换得到融合图像。所述的步骤(I)中对每一幅源图像进行图像高频到低频的多尺度多方向分解，首先，分解处理的第I级内蕴模式分量是图像所含有的最高频率分量，源数据减去第I级内蕴模式分量得到第I级剩余分量；对第I级剩余分量再分解，得到第2级内蕴模式分量和第2级剩余分量；以此类推，得到η级内蕴模式分量和第η级剩余分量。所述的多向经验模式分解的处理过程包括如下步骤(11)以待融合图像X的中心为原点，将直角坐标变换到极坐标，得到变换矩阵y，s = l,s表示极径的长度；(12)rs0 = ys, ys为极坐标系中具有相同极径长度的那一行或列，j = I, j表示分解第j级内蕴模式分量；(13)确定な)的所有局部极值点，并组成极大值点集和极小值点集；(14)根据分解级数j ；(a)设定当前最大窗ロ N，初始窗ロ M，窗ロ K = M，M数值为奇数；(b)以rs(H)中一个数值为当前中心，如果在窗ロ K内的极大值点个数和极小值点个数相等，贝1J求取窗ロ K内数值均值mean,转到步骤(d)；(c)K = K+2，如果1( < N，转到步骤(b);如果K彡N，直接求取窗ロ K内数值均值mean ；(d)以mean作为当前数值的局部均值,转到下一个数值，K = M,转到步骤(b),直至遍历rs(j_D的所有数值；(15)用得到的所有局部均值点构成Iy1的均值线Iihl,并计算imfsj =,rsJ = I^j-D，j = j+1 ；(16)重复步骤(13)到(15)的操作，直到 规定的分解层级数n，s = s+1 ；(17)重复步骤(12)到(16)的操作，直到所有相同极径长度的列或行都分解完毕，得到变换矩阵I的每ー级内蕴模式分量和最后ー级剩余分量r。所述的步骤(13)中，图像的局部极大值点为灰度值比周围3区域2个相邻像素点灰度值都高的点，图像的极小值点为灰度值比周围2个相邻像素点灰度值都低的点。所述的步骤(14) (a)中，最大窗ロ N是由所有局部极大和极小值点分别组成极大值点集SI和极小值点集S2 ;分别遍历极值点集SI和S2找出紧邻当前极值点距离最近的极值点，并计算两点间的距离PiQ = 1，2，3，···？；？为极大值的数目)和P' j(j = 1,2,3，一qw为极小值的数目)，WPi或F j的和均值中值较小的ー个取整作为最大窗ロ N。当N为偶数时，执行N = N+1操作，#= min 2^/尸XFj ^ ，初始窗ロ M统一定义等 L =ι ]=ι于3。所述的步骤⑵包括(21)计算相同级Imfij当前像素为中心的窗ロ Q的能量(Q为3X3)，形成融合规则矩阵Sij, i = 1,本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多向经验模式分解的医学图像融合方法，其特征在于，该方法的步骤如下(1)采用多向经验模式分解对匹配好的不同种类的待融合医学源图像进行多尺度多向分解，获得源图像的多尺度多向的高频分量内蕴模式分量imfu和低频剩余分量^，其中i=1,2,3, ......，m, m为待融合图像的数量，j = 1,2,3, ......，η, η为分解得到的imf的级数； (2)将相同级的待融合图像的高频分量内蕴模式分量Imfij按照区域能量规则进行融合处理，产生融合图像的第j级内蕴模式分量imfj ； (3)对源图像的低频剩余分量采用能量贡献规则进行融合处理，得到融合图像的剰余分量r ； (4)将Imfj和剰余分量r反向重构得到极坐标系下的融合图像，再进行坐标系反变换得到最終融合图像。2.根据权利要求I所述的方法，其特征在于所述的步骤(I)中对每一幅源图像进行图像高频到低频的多尺度多向分解，首先，分解处理的第I级内蕴模式分量是图像所含有的最高频率分量，源数据减去第I级内蕴模式分量得到第I级剩余分量；对第I级剩余分量再分解，得到第2级内蕴模式分量和第2级剩余分量；以此类推，得到η级内蕴模式分量和第η级剩余分量。3.根据权利要求I所述的方法，其特征在于，所述步骤(I)中多向经验模式分解的处理过程包括如下步骤 (11)以待融合图像X的中心为原点，将直角坐标变换到极坐标，得到变换矩阵y，S=1，s表示极径的长度； (12)rs0= ys，ys为极坐标系中具有相同极径长度的那一行或列，j = 1，j表示分解第j级内蕴模式分量； (13)确定rs(H)的所有局部极值点，并组成极大值点集和极小值点集； (14)根据分解级数j； (a)设定当前最大窗ロN，初始窗ロ M，窗ロ K = M，M数值为奇数； (b)以^^㈧中一个数值为当前中心，如果在窗ロK内的极大值点个数和极小值点个数相等，贝1J求取窗ロ K内数值均值mean,转到步骤(d)； (c)K = K+2,如果K ...
【专利技术属性】
技术研发人员：梁灵飞，平子良，普杰信，黎蔚，黄涛，
申请(专利权)人：河南科技大学，
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。