论文部分内容阅读
由于多模态医学图像的成像原理不同,它们所包含的诊断信息不同。将具有互补信息的多模态医学图像融合后可以更好地辅助医生临床诊断和治疗。21世纪以来,稀疏表示理论蓬勃发展,目前,该理论已经在医学图像融合领域取得了较好的研究成果。本文主要研究基于稀疏表示的脑部CT和MRI图像特征提取和融合算法,重点研究了基于学习字典的图像特征提取算法和稀疏域的活动级测量准则,主要内容包括：(1)对医学图像融合技术的研究背景、研究意义、国内外研究现状进行了分析,并总结了图像的稀疏表示理论。(2)提出了基于K-SVD和脉冲耦合神经网络(Pulse-coupled Neural Network, PCNN)的脑部CT和MRI图像融合算法。基于空间域和变换域的医学图像融合算法复杂度较低,但融合图像存在像素不连续,对比度下降和边缘模糊等现象,为了解决该问题,本文提出了基于K-SVD和脉冲耦合神经网络的脑部CT和MRI图像融合算法。该算法通过预处理技术得到训练样本,通过K-SVD算法和正交匹配追踪(OMP)算法得到学习字典和训练样本的稀疏编码；将稀疏编码的l1范数作为脉冲耦合神经网络的激励,该网络的输出作为活动级测量准则。K-SVD算法得到的学习字典与训练样本高度匹配,基于该学习字典的稀疏编码可以更有效地表征源图像的特征,另外,基于PCNN的活动级测量准则符合人类视觉系统的工作原理,故该算法性能良好。(3)提出了基于在线字典学习(Online Dictionary Learning, ODL)方法的脑部CT和MRI图像融合算法,提高了算法的运行速度。K-SVD算法是二阶迭代批处理过程,在每次字典更新过程中需要访问整个训练样本集合,当样本数量太大时,K-SVD算法运行速度很慢。为了解决该问题,本文提出了基于在线字典学习的CT和MRI图像融合算法。该算法通过预处理技术得到训练样本,采用在线字典学习算法和最小角回归算法得到学习字典和训练样本的稀疏编码；将稀疏编码的l1范数作为活动级测量准则,根据活动级最大原则融合稀疏编码。由于在线字典学习算法在每次迭代过程中仅仅访问训练样本集合的一个很小的子集,该融合算法的运行速度得到了显著的提高。