论文部分内容阅读
医学图像融合技术有效解决了单一模态医学成像对于人体组织器官信息成像的局限性,提高医学影像信息的利用效能,这对于医学临床诊断具有重要的理论研究意义和实际应用价值。多年来,图像融合技术不断发展,很多研究成果被普遍应用于医学图像融合领域,本文针对医学图像复杂多样的特点,以及多尺度变换下不同尺度不同方向下的子图系数的特性,致力于多尺度分解框架下的医学图像融合算法进行研究,主要研究工作如下:1)为了解决单一模态医学图像的局限性,本文结合非下采样剪切波变换(NSST)可以捕捉图像细节特征的特点,提出了一种基于NSST变换和改进型脉冲耦合神经网络(PCNN)的多模态医学图像融合算法。首先,利用NSST变换对源图像进行多尺度、多方向的分解,得到低频子带系数和高频方向子带系数;然后,用低频子带系数的区域能量和方差求取区域特征,并采用基于区域特征加权的方式进行低频子带系数的融合;内层高频子带系数先通过PCNN求出区域点火特性,再与平均梯度加权的方式来进行选择,外层高频子带系数采用区域绝对值取大的融合规则。最后,对获得的融合系数进行NSST逆变换得到融合图像。2)针对医学图像复杂多样的特点,结合多尺度几何分析和单尺度稀疏表示的变换思想,提出了一种NSST变换与稀疏表示相结合的医学图像融合新算法。首先,利用NSST变换对精确配准的源图像进行多尺度分解,得到图像的低频子带系数和高频方向子带系数;然后,通过K-SVD算法对稀疏度较差的低频子带系数进行字典训练构造出过完备字典D,求解其稀疏表示系数,并根据稀疏编码的稀疏度、能量、梯度特征进行自适应融合,最后再结合过完备字典D对融合后的稀疏编码进行重构得出融合图像低频系数;同时高频子带系数的融合权值取决于其区域拉普拉斯能量和平均梯度的大小;最后,采用NSST逆变换重构得到最终的融合图像。3)本文分别对灰度图像及彩色图像进行大量融合实验,并与不同融合算法产生的融合结果图像作对比得知,本文算法有效增加了不同模态医学图像的互补信息,图像信息更加丰富,对于边缘、纹理等细节信息显示更加清晰,可以达到很好的视觉效果,能够为医生对病理的分析提供帮助。同时从客观上定量分析图像质量评价指标,可以看出,本文提出的算法的边缘保持度、结构相似度等指标达到最优,标准差、空间频率等指标评价良好,这表明融合图像具有较好的边缘保持能力,图像结构性好,同时图像有更分散的灰度分布。