基于平移不变剪切波变换的多模态医学图像融合方法技术

本发明专利技术公开了一种基于平移不变剪切波变换的多模态医学图像融合方法，包括以下步骤：1）准备待融合的两幅多模态医学图像，利用平移不变剪切波变换分别将两幅图像都分解为低频近似图像和高频细节图像，再将高频细节图像分解为不同的方向子带；2）分别融合两幅图像的低频近似图像和高频细节图像分解的各个方向子带；3）对步骤2）融合后的低频近似图像和高频细节图像分解的各个方向子带，利用逆平移剪切波变换得到融合图像。本发明专利技术采用了平移不变剪切波变换的图像融合方法，能方便、经济、高效率地实现多模态医学图像数据的融合，并能充分显示并捕捉到不同模态图像的内部隐含的细节部位的形态信息和功能信息，从而满足医学运用的精确性要求。

【技术实现步骤摘要】

本专利技术涉及一种图像融合方法，尤其是一种，属于医学图像处理及应用

技术介绍
多模态医学图像融合在临床诊断中扮演着重要的角色，它广泛应用于图像引导手术、图像引导放射治疗、非侵入性诊断以及治疗的计划的制定中。例如，在非侵入性诊断及治疗计划中，医生常常需要利用不同模态的医学图像来看清病人体内的病变结构和细节信息来准确地确定肿瘤的相对位置以及观察病变肿瘤对放射性射线的病理反应。因此，多模态医学图像融合技术是现代医学可视化技术的关键环节，广泛应用于现代医学临床诊断中。目前，多模态医学图像融合方法大致可分为三种策略替换方法、算术方法、多尺度分解法。替换方法，如彩色空间变换法，可能导致图像光谱的畸变；算术方法，如贝叶斯估计法，易导致图像对比度降低而丢失重要的细节信息。通常，图像中的轮廓、边缘等特征出现在不同大小的尺度上，人类的视觉系统研究表明物理图像经过视网膜处理变成神经图像是在不同的频率通道处理的，图像特征能在不同的尺度和频率上引起人类视觉系统的敏感。因此相比于上述两种方法，基于多尺度分解的多模态医学图像融合方法更符合人类视觉系统的工作原理。基于多尺度分解的多模态医学图像融合方法的本文档来自技高网...

【技术保护点】
基于平移不变剪切波变换的多模态医学图像融合方法，其特征在于包括以下步骤：1）准备待融合的两幅多模态医学图像，利用平移不变剪切波变换分别将两幅图像都分解为低频近似图像和高频细节图像，再将高频细节图像分解为不同的方向子带；2）分别融合两幅图像的低频近似图像和高频细节图像分解的各个方向子带：2.1）对低频近似图像，采用基于区域系数绝对值和权重的融合策略进行融合；2.2）对高频细节图像各个方向子带，采用基于子带标准差和概率密度函数权重的融合规则进行融合：a）构建高频子带系数的隐马尔科夫树HMT模型，利用HMT模型训练各子带系数，得到每个子带的标准差和概率密度函数；b）采用基于子带标准差和概率密度函数权...

【技术特征摘要】
1.基于平移不变剪切波变换的多模态医学图像融合方法，其特征在于包括以下步骤 1)准备待融合的两幅多模态医学图像，利用平移不变剪切波变换分别将两幅图像都分解为低频近似图像和高频细节图像，再将高频细节图像分解为不同的方向子带； 2)分别融合两幅图像的低频近似图像和高频细节图像分解的各个方向子带 2.1)对低频近似图像，采用基于区域系数绝对值和权重的融合策略进行融合； 2.2)对高频细节图像各个方向子带，采用基于子带标准差和概率密度函数权重的融合规则进行融合 a)构建高频子带系数的隐马尔科夫树HMT模型，利用HMT模型训练各子带系数，得到每个子带的标准差和概率密度函数； b)采用基于子带标准差和概率密度函数权重的融合规则确定融合图像的各个高频子带系数； 3)对步骤2)融合后的低频近似图像和高频细节图像分解的各个方向子带，利用逆平移剪切波变换得到融合图像。2.根据权利要求1所述的基于平移不变剪切波变换的多模态医学图像融合方法，其特征在于所述待融合的两幅多模态医学图像若为彩色图像，在步骤I)对图像分解之前，先进行IHS变换，获得图像的Intensity分量，再对Intensity分量利用平移不变剪切波变换进行分解；在步骤3)中利用逆平移剪切波变换先得到Intensity分量，再进行逆IHS变换得到融合的彩色图像。3.根据权利要求1或2所述的基于平移不变剪切波变换的多模态医学图像融合方法，其特征在于所述步骤I)所述利用平移不变剪切波变换分解图像，具体如下 1.1)利用非下采样金字塔策略将其中一幅多模态医学图像分解成为低频近似图像fJ+1和高频细节图像g#1...

【专利技术属性】
技术研发人员：李彬，王雷，田联房，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：