[发明专利]一种基于投影字典对学习的医学图像融合质量改善的方法

说明书

本发明涉及一种基于投影字典对学习的医学图像融合质量改善的方法，属于数字图像处理技术领域。先采集图像，将采集后的图像作为作为训练样本，再将训练样本进行处理得到投影字典对；利用训练得到的字典对把源图像分解为低秩分量和稀疏分量；然后对稀疏分量采用外部块先验、内部自适应先验联合和稀疏约束，对低秩元素添加核范数约束，从而迭代后得到稀疏系数和低秩系数；对低秩合成字典，低秩分析字典和低秩系数进行迭代更新，得到更新后的低秩分量，对稀疏合成字典，稀疏分析字典和稀疏系数进行迭代更新，得到稀疏分量，把得到的投影字典对和稀疏分量，低秩分量融合得到最终的融合图像。

技术领域

本发明涉及一种基于投影字典对学习的医学图像融合质量改善的方法，属于数字图像处理技术领域。

背景技术

医学是关系到千千万万人的身心健康的应用学科，医疗手段和诊断水平的高低直接关系到人们的切身利益。随着信息科学和计算机应用的发展，影像医学和生命科学的研究应用日益广泛，同时也进一步推动了医学成像的蓬勃发展。各种各样的检查设备的功能不断地提高，性能继续地完善，通过高速计算机设备及通讯网络完成对图像信息的采集、处理、存储、管理及传输等新的模式，使图像资料得以充分利用和有效管理。医务工作者借助计算机影像处理与分析，可以从多方位、多层次的观察角度对病变体及其感兴趣的区域进行定性直至准确的定量分析，对提高临床诊断的准确性和正确性有很大的益处。

医学图像融合是一个20世纪90年代兴起并快速发展的新技术，很多方法还处于实验研究阶段，目前应用还不广泛。随着医学影像工程技术的迅速发展，近年来出现了许多先进的医疗成像设备，它提供了一个广泛临床诊断的多种模态影像信息。

作为一种有效的信息融合技术，医学图像融合已经出现，许多方法被提出。其中，最受欢迎方法是基于多尺度的分析，一般用多尺度分析(MTA)的方法包括离散小波变换(DWT)，双树复数小波变换(DTCWT)剪切波变换(ST)、曲波变换(CVT)、和非下采样轮廓波变换，轮廓波变换(NSCT，等等。

稀疏表示理论和字典学习技术也提出了在医学图像融合中显示出可喜的成果，李等人提出了一个医学融合方法通过组稀疏表示和字典学习。基于密度的聚类算法,朱等开发了一种新颖紧凑的字典学习方法在多模医学图像融合中。金等人利用K均值聚类和主成分分析来构造一个紧凑字典在多模图像融合中。为了捕捉图像的内在特征保留平稳小波的层次结构,尹海涛等提出了一个联合字典学习策略用于平稳小波的所有基带。这些传统基于图像融合方法的字典学习方法产生令人满意的结果。尽管如此,输入图像的不同元素在在最上面提到的方法被相同的对待,因此得到的融合结果不是最优。由于分析字典缺乏图像局部结构自适应性，相对于解析构造字典，从示例图像块中学习字典更常见，在许多图像处理和识别任务中产生最先进的结果。出于这个原因,基于字典学习在图像融合方法很常见。传统方法生成一个无噪声图像融合是分别进行图像去噪和融合。如果这样做，通过图像去噪的方法产生的振荡响应将被传播，在融合过程中将被放大。在已存在的融合算法中，对于有噪声的源图像融合后得到的图像效果是不理想的。直观地说,融合和去噪过程共同进行一个会产生更加令人满意的结果。因此,一些研究人员已经意识到这种缺陷，开始利用新的方法同时进行图像融合和去噪。例如：一个综合的方法图像融合及去噪的方法被提出，是基于自适应稀疏表示和紧凑的字典学习的方法。对于多聚焦图像融合和恢复,杨等人在[15]中提出了一种基于稀疏表示的融合和去噪的方法。然而,最上面的方法实现图像融合和去噪是通过改变稀疏表示算法的近似标准。对于不同内容的元素输入图像和恢复结果之间的全局误差不是唯一的，产生的并不总是令人满意的。

在许多传统的图像融合和去噪的算法中，这两个过程是分开进行的。但是如果这么做，在图像去噪的方法中产生的振荡响应会被传播，同时在图像融合过程中将被放大，产生的融合结果将丢失很多细节信息。到后来发展的联合去噪和融的医学图像融合的方法，是通过改变稀疏表示算法的近似标准值，对于输入图像的不同元素和恢复结果之间的全局误差不是唯一的，产生的融合结果也不总是令人满意的。

发明内容