[发明专利]基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法

摘要

本发明公开了基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，涉及图像处理技术领域，能分别对正常脑部、脑萎缩和脑肿瘤三组脑部医学图像进行融合，多次实验结果表明本发明提出的ICDL方法与基于多尺度变换的方法、传统稀疏表示的方法、基于K‑SVD字典学习的方法以及多尺度字典学习的方法相比，不仅提高了脑部医学图像融合的质量，而且有效降低了字典训练的时间，能为临床医疗诊断提供有效帮助。

主权项

一种基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，其特征在于，该方法包括：预处理阶段：对于已经配准的脑部CT/MR源图像IC，IR∈RMN，RMN表示具有M行N列的向量空间，使用步长为1的滑动窗把源图像IC，IR分别分割为大小的图像块，对于每幅CT源图像IC和MR源图像IR，都有个图像块，然后将这些图像块编纂成m维列向量，将CT源图像IC中的第j个图像块记为MR源图像IR中的第j个图像块记为减去各自的平均值：x^Cj=xCj-mCj·1]]>x^Rj=xRj-mRj·1]]>其中，和分别表示和中所有元素的均值，1表示一个全1的m维列向量；融合阶段：使用CoefROMP算法求解的稀疏系数，公式表示如下：αCj=argminα||α||0s.t.||x^Cj-DFα||2<ϵ]]>αRj=argminα||α||0s.t.||x^Rj-DFα||2<ϵ]]>其中，||α||0表示稀疏系数α中非零元素的个数，ε表示允许偏差的精度，DF表示字典DC和DR融合后得到的融合字典；将稀疏系数的l2范数作为源图像的活跃度测量，则稀疏系数和通过以下的融合规则融合：αFj=αCj,if||αCj||2≥||αRj||2,αRj,otherwise]]>均值和使用“加权平均”规则融合：mFj=w·mCj+(1-w)·mRj]]>其中，则和的融合结果为：xFj=DFαFj+mFj·1]]>重建阶段：对所有的图像块都执行预处理阶段和融合阶段以得到所有图像块的融合结果，对于每个块向量通过反滑窗的过程重塑成的图像块并放回到对应的像素位置，再对重复像素取平均得到最终的融合图像IF。