本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
本专利技术属于图像处理领域，尤其涉及一种基于非采样的轮廓波变换（NSCT)自适 应脉冲耦合神经网络（PCNN)的医学图像融合方法。
技术介绍
图像融合是指将两个或两个以上的传感器在同一时间或不同时间获得的关于某 个场景的图像或图像序列的信息加以综合，从而生成一幅新的对该场景描述更全面、更精 确的图像。 随着医学影像成像技术的飞速发展，图像质量已经有很大的提高，但是由于医学 影像成像技术的成像原理不同，单独使用一种模态的成像技术，往往不能提供医生所需要 的足够信息，通常要将不同模态的医学图像融合在一起，得到全面互补的信息以便了解病 变组织的综合信息，从而做出准确地诊断。 多尺度图像融合的研究难点主要有两个问题，其一是多尺度分解方法的选择，其 二是融合准则的选择。大量的研究表明：不同的多尺度变换分解方法和融合规则直接影响 到医学图像融合的效果。 文献《一种基于区域的多分辨率图像融合算法。IEEE第五届国际会议上的信息融 合[J]，2002 :1557-1564》表明小波变换已经广泛地应用在多模态医学图像的融合处理中。 但是文献《Contourlets超越小波[M]。科学出版社，2002》研究表明小波变换对二维图像进 行分析时只能分解成三个各向同性的方向，不能充分利用图像的几何特征来挖掘图像中的 边缘方向信息，这使得融合后的图像容易产生方块效应，降低了融合后图像的质量。针对小 波变换的缺陷，文献《Contourlet变换：一种有效的方向多分辨率图像表示[J]。IEEE图像 处理事务，2005, 14 (12) :2091-2106》中的 Μ· N. Do 和 M. Vetterli 提出了提出了 Contourlet 变换，该变换不仅具有小波变换的多尺度、时频局部特征特性，还有多方向特性，可以更好 的捕捉图像的边缘信息。但是文献《基于Contourlet变换的多波段SAR图像融合[A]。 IEEE国际信息获取[C]。2006 :420-424》研究表明Contourlet变换需要对图像进行降采 样操作，这使得Contourlet变换因缺乏平移不变性而产生伪轮廓现象。为此，文献《非下采 样轮廓波变换理论，设计和应用[J]。IEEE图像处理事务，2006, 15(10) :3089-3101》中的 A. L. Cunha等又提出了一种具有平移不变性的Contourlet变换即非采样Contourlet变换， 很好的解决了伪轮廓现象，但是该变换采用拉普拉斯金字塔进行多尺度分解会产生冗余信 息。文献《关于PCNN应用于图像处理的研究[J]。电讯技术，2003, 3:21-24》表明人工神 经网络已经广泛地应用于图像融合中，特别是Eckhorn等对猫的视觉皮层神经元脉冲串同 步振荡现象的研究而形成的脉冲耦合神经网络在图像处理领域中正被广泛研究，但是传统 PCNN的连接强度通常是常数，这就极大地限制了 PCNN自动处理能力和使用的普遍性。
技术实现思路
本专利技术提供一种，目的是提 供一种细节清晰信息保留完全的图像融合方法。 本专利技术采取的技术方案是：包括下列步骤： 步骤1 :初始图像的获取 采用来自同一颅脑256X256大小的核磁共振医学图像A和256X256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 X 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) 本文档来自技高网...
【技术保护点】
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，G=19111111111;]]>X＝A,B；X'＝A',B'。步骤3：图像NSCT分解将图像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低F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，表示图像X第k(1≤k≤J)层第l个方向的高频子带系数；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，b1=-1-1-1222-1-1-1,b2=-12-1-12-1-12-1,b3=-10-1040-10-1;]]>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，本专利技术的低频子带融合准则见公式(5)；aJF(i,j)=aJA′(i,j),ifEJA′(i,j)≥EJB′(i,j)aJB′(i,j),ifEJA′(i,j)<EJB′(i,j)]]>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)*b1(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*ΣklWijklYijkl(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，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[-...
【技术特征摘要】
1. 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 米用来自同一颉脑256X256大小的核磁共振医学图像A和256X256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 X 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：步骤3 :图像NSCT分解 将图像A'和B'首先用非采样的正交9-7小波滤波器组{^，h ;&，&}进行多尺度分 解，正交9-7小波滤波器组{hQ, h ;gQ, gj满足Bezout恒等式，见公式（2)，其中hQ、gQ为9-7 小波滤波器组的低通分解滤波器和重构滤波器，4、gl为高通分解滤波器和重构滤波器； ho^go+h^gj = 1 (2) 然后再用非采样的pkva滤波器组{U(l，Ul ;V(l，Vl}进行多方向分解，pkva滤波器组 {uQ, Ui ;vQ, vj满足Bezout恒等式，见公式（3)，其中uQ、vQ为pkva滤波器组的低通分解滤 波器和重构滤波器，为高通分解滤波器和重构滤波器； Uo^Vo+u^Vj = 1 (3) 得到A'图像分解后的低频子带系数为a/，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4'，B'图像分解后的各子带高频系数为 <'，设融合图像低F 频子带系数为4，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， =尤表示图像X第k(i彡k彡J)层第1个方向的高频子带系数； 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...
【专利技术属性】
技术研发人员：黄丹飞，陈俊强，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：吉林;22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。