[发明专利]基于非采样的轮廓波变换自适应的医学图像融合方法

摘要

本发明涉及一种基于非采样的轮廓波变换自适应的医学图像融合方法，属于图像处理领域。首先对源图像进行算术均值滤波处理，然后通过非采样中的正交9‑7小波滤波器和pkva滤波器分解图像得到低频子带系数和各带通方向子带系数；再对低频子带系数采用边缘信息最大准则来选择融合低频子带系数，各带通子带系数采用基于视觉神经元模型的自适应PCNN模型来选择融合各带通子带系数；最后经NSCT的逆变换获得最终融合图像。本发明算法是非常有效并正确的，并且融合后的图像边缘和空间纹理信息清晰、颜色失真小，没有伪轮廓现象，很好的保留原有图像的特征信息。

主权项

一种基于非采样的轮廓波变换自适应的医学图像融合方法，其特征在于包括下列步骤：步骤1：初始图像的获取采用来自同一颅脑256×256大小的核磁共振医学图像A和256×256大小的正电子发射断层医学图像B；步骤2：图像预处理对医学图像进行去噪预处理，采用3×3模版的算术均值滤波器G对图像A和B进行滤波处理见公式(1)，得到滤波后的图像A'和B'；X'＝G*X  (1)其中，X＝A,B；X'＝A',B'；步骤3：图像NSCT分解在NSCT多尺度变换中摒弃了常用的会产生冗余信息的拉普拉斯金字塔滤波器组，采用了非采样正交9‑7小波滤波器组，将图像A'和B'首先用非采样的正交9‑7小波滤波器组{h0,h1；g0,g1}进行多尺度分解，正交9‑7小波滤波器组{h0,h1；g0,g1}满足Bezout恒等式，见公式(2)，其中h0、g0为9‑7小波滤波器组的低通分解滤波器和重构滤波器，h1、g1为高通分解滤波器和重构滤波器；h0*g0+h1*g1＝1  (2)然后再用非采样的pkva滤波器组{u0,u1；v0,v1}进行多方向分解，pkva滤波器组{u0,u1；v0,v1}满足Bezout恒等式，见公式(3)，其中u0、v0为pkva滤波器组的低通分解滤波器和重构滤波器，u1、v1为高通分解滤波器和重构滤波器；u0*v0+u1*v1＝1  (3)得到A'图像分解后的低频子带系数为B'图像分解后的低频子带系数为A'图像分解后的各子带高频系数为B'图像分解后的各子带高频系数为设融合图像F低频子带系数为各子带高频系数为其中，J表示NSCT的分解层数；表示图像X的低频子带系数，X＝A',B',F，表示图像X第k层第l个方向的高频子带系数，X＝A',B',F，1≤k≤J；步骤4：图像融合系数选择对低频子带采用边缘能量最大准则来选择融合低频子带系数，对各方向子带采用自适应PCNN模型来选择融合高频系数，具体如下：(1)低频子带融合准则用图像边缘能量作为图像融合的算法，计算公式见公式(4)；EJX=Σi=1mΣj=1n[a(i,j)*b1(m-i,n-j)+a(i,j)*b2(m-i,n-j)+a(i,j)*b3(m-i,n-j)]---(4)]]>其中，X＝A'、B'；(i,j)表示m×n大小X的低频子带中某一系数的位置；因此，低频子带融合准则见公式(5)；aJF(i,j)=EJA′(i,j),ifEJA′(i,j)<EJB′(i,j)aJB′(i,j),ifEJA′(i,j)<EJB′(i,j)---(5)]]>其中，EJA′=Σi=1mΣj=1n[aJA′(i,j)*b1(m-i,n-j)+aJA′(i,j)*b2(m-i,n-j)+aJA′(i,j)*b3(m-i,n-j)];]]>EJB′=Σi=1mΣj=1n[aJB′(i,j)*h1(m-i,n-j)+aJB′(i,j)*b2(m-i,n-j)+aJB′(i,j)*b3(m-i,n-j)];]]>(2)各方向子带融合准则用自适应PCNN模型作为图像融合的算法，当PCNN用于处理二维图像时，计算公式见公式(6)；Fij(np)=SijLij(np)=e-aL*Lij(np-1)+VL*ΣklWijklYkl(np-1)Uij(np)=Fij(np)*(1+βij*Lij(np))Yij(np)=1,Uij(np)>θij(np-1)0,Uij(np)≤θij(np-1)θij(np)=e-aθ*θij(np-1)+VθYij(np)---(6)]]>其中Sij为外部输入，Fij为反馈输入，Yij脉冲输出，aL和aθ分别是线性连接输入Lij和动态阈值θij的衰减时间常数，VL和Vθ分别是连接放大系数和阈值放大系数，VL和Vθ通常为常数，取aL＝1，aθ＝0.2，VL＝1，Vθ＝20，Wijkl是线性连接输入Lij的加权系数，计算公式见公式(7)，其中link是PCNN的链接系数，取link＝5；其中，round函数是四舍五入功能函数；βij为连接强度，决定了线性连接输入Lij对内部活动项Uij的贡献，传统连接强度β是常数，分别用拉普拉斯区域能量和可见度函数执行滑动邻域操作来自动设置连接强度值，拉普拉斯区域能量计算公式见公式(8)，可见度计算公式见公式(9)；βL=Σi=2m-1Σj=2n-1[-d(i-1,j-1)-4d(i-1,j)-d(i-1,j+1)-4(i,j-1)+20d(i,j)-4d(i,j+1)-d(i+1,j-1)-4d(i+1,j)-d(i+1,j+1)]^2---(8)]]>βV=1m*nΣi=1mΣj=1n[(m*nΣi=1mΣj=1nd(i,j))δ*|d(i,j)-1m*nΣi=1mΣj=1nd(i,j)|*m*nΣi=1mΣj=1nd(i,j)]---(9)]]>其中，δ为可见度函数中的权重系数，取δ＝0.65；取PCNN的迭代次数np为200次，当公式(6)运行次数为200次时，迭代停止；根据各带通方向系数的脉冲输出的点火次数X＝A',B'，见公式(10)大小来选择融合带通方向子带系数的规则，提出用自适应PCNN模型来选择各方向子带系数公式见公式(11)；TklX(np)=TklX(np-1)+YklX(np)---(10)]]>dklF(i,j)=dklA′(i,j),ifTklA′(i,j)≥TklB′(i,j)dklB′(i,j),ifTklA′(i,j)<TklB′(i,j)---(11)]]>步骤5：图像重构根据上述融合后系数，经过NSCT的逆变换得到的图像就是融合图像；根据融合准则选择的低频子带系数和各高频子带系数首先用非采样的pkva滤波器组进行多方向重构，再用非采样的正交9‑7小波滤波器组进行多尺度重构，最终得到融合图像F。