【技术实现步骤摘要】
本专利技术涉及图像融合领域，尤其是涉及一种基于类交叉双边滤波的脑部mri图像融合方法及系统。
技术介绍
1、医生从单模态医学图像中获取的患者信息有限，因此在进行临床诊断时，往往需要参考患者的病理信息，结合患者不同模态的临床图像进行诊断。因此，从临床应用的角度来看，医学图像融合具有十分重要的意义。
2、图像融合过程包括图像分解、特征融合和图像重建。图像分解的充分性决定了能否充分提取源图像的特征信息。特征融合是图像融合的另一个重要方面。为不同的分解层选择合适的融合方法是图像融合成功的重要一步。随着多尺度分析、稀疏表示、深度学习等图像理论研究的深入，图像融合技术也取得了长足的进步。
3、典型的基于多尺度变换的方法包括基于金字塔的算法、基于小波的算法、基于非下采样剪切波的算法和基于非下采样轮廓波的算法。然而，拉普拉斯金字塔变换方法对噪声敏感，没有方向性，在重建期间稳定性差，并且在金字塔的层之间具有冗余；梯度金字塔算法抗噪性强，稳定性好，运算速度快，但同时存在细节和边缘丢失的问题；小波变换容易出现环状伪影的问题；非下采样轮廓波变换减少了图像中的吉布斯现象，增强了图像细节信息的表达能力，但非下采样操作增加了转换数据中的冗余，而逆变换过程中的非下采样操作导致了高计算复杂度和低计算效率，从而使其不能满足实时应用的要求；非下采样剪切波变换具有更快的计算速度，类似于非下采样轮廓波变换，它将非子采样金字塔变换与几种不同的剪切波滤波器相结合，以提供多尺度和多方向的分解。由于它对方向滤波器的支持面积小，非下采样金字塔减少了吉布斯现
4、随着深度学习算法的发展，卷积神经网络(cnn)已经应用于许多计算机视觉研究。然而，现有的基于深度学习的算法需要相当长的训练时间，计算量大，硬件成本较高，模型设计复杂，且对数据量的要求较为苛刻。
5、传统的多尺度分解方法并不适合源图像受噪声影响的图像融合。在这种情况下，传统的多尺度分解需要至少三个尺度才能获得满意的融合，但由此带来的负面影响是时间复杂度升高，并且不能应用于实时图像融合场景。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于类交叉双边滤波的脑部mri图像融合方法及系统，实现了对实时图像的融合，提高了融合图像轮廓边缘的清晰度。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于类交叉双边滤波的脑部mri图像融合方法，包括以下步骤：
4、获取待融合的脑部mri图像数据；
5、利用类交叉双边滤波器对所述图像数据进行选择性滤波，分解得到能量层和结构层；
6、根据融合策略对所述能量层和结构层分别进行融合；
7、对融合后的能量层和结构层算术相加得到最终的融合图像；
8、其中，所述融合策略包括：利用视觉显著性检测图vsdm指导所述能量层的融合，通过加权平均获得能量层的融合图像；采用多尺度形态梯度mlmg结合基于八邻域的改进拉普拉斯算子wseml来指导所述结构层的融合，通过加权平均获得结构层的融合图像。
9、进一步地，所述类交叉双边滤波器的公式如下：
10、
11、式中，kp为归一化常数，为空间位置的滤波核，为像素大小的滤波核，i(x,y)为原始图像的像素，i和iβ为不同模态的图像的像素，ωp为应用于图像i的过滤窗口。
12、进一步地，所述归一化常数kp的计算公式如下：
13、
14、式中，kp为归一化常数，σd为空间位置的标准差，σr为像素大小的标准差，i和iβ为不同模态的图像的像素，ωp为应用于图像i的过滤窗口。
15、进一步地，所述空间位置的滤波核gσd的计算公式如下：
16、
17、式中，σd为空间位置的标准差。
18、进一步地，所述像素大小的滤波核gσr的计算公式如下：
19、
20、式中，σr为像素大小的标准差。
21、进一步地，所述视觉显著性检测图vsdm的计算公式如下：
22、
23、式中，uk表示像素k的强度值，uj的取值范围是[0-255]，uj为像素j的强度值，||uk-uj||表示像素值差，sj为像素值uj在图像u中的出现频率。
24、进一步地，所述能量层的融合图像的计算公式如下：
25、
26、式中，vsdma为输入源图像a的vsdm，vsdmb为输入源图像b的vsdm，iea(x,y)为图像a的能量层像素，ieb(x,y)为图像b的能量层像素；
27、所述结构层的融合图像的计算公式如下：
28、fs(x,y)＝m′a(x,y)×isa(x,y)+m′b(x,y)×isb(x,y)
29、式中，m′a(x,y)为源图像a的结构层信息融合规则，m′b(x,y)为源图像b的结构层信息融合规则，isa(x,y)为源图像a的结构层像素，isb(x,y)为源图像b的结构层像素。
30、进一步地，在所述多尺度形态梯度mlmg中加入腐蚀操作。
31、进一步地，所述基于八邻域的改进拉普拉斯算子wseml的计算公式如下：
32、
33、式中，w是边长为(2r+1)的矩阵，r是权重半径，eml是基于nayar提出的改进拉普拉斯方法；
34、其中，eml的计算公式如下：
35、
36、式中，p∈{a，b}，a和b为两个源图像。
37、按照本专利技术的另一方面，提供了一种基于类交叉双边滤波的脑部mri图像融合系统，包括：
38、图像获取模块，用于获取待融合的脑部mri图像数据；
39、图像滤波模块，利用类交叉双边滤波器对所述图像数据进行选择性滤波，分解得到能量层和结构层；
40、图像融合模块，根据融合策略对能量层和结构层分别进行融合并对融合后的能量层和结构层算术相加得到最终的融合图像；
41、其中，所述融合策略包括：利用视觉显著性检测图vsdm指导所述能量层的融合，通过加权平均获得能量层的融合图像；采用多尺度形态梯度mlmg结合基于八邻域的改进拉普拉斯算子wseml来指导所述结构层的融合，通过加权平均获得结构层的融合图像。
42、与现有技术相比，本专利技术具有以下有益效果：
43、1.本专利技术引入了vsdm来指导能量层的融合，这削弱了使用加权平均技术融合能量层所导致的边缘损失和对比度降低；对于结构层，使用mlmg和wseml来指导结构层的融合，提高了融合图像轮廓边缘的清晰度。
44、2.本专利技术通过类交叉双边滤波的滤波方法，考虑了待融合图像的对应像素值之间的关系，将图像分解为具有纯强度信息的能量层和具有细节的结构层。该方法可以充分提取图像的局部和唯一细节以及结构层中焦点的轮廓，能够应用于实时图像融合场景。本文档来自技高网...
【技术保护点】
1.一种基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，所述类交叉双边滤波器的公式如下：
3.根据权利要求2所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，所述归一化常数kp的计算公式如下：
4.根据权利要求2所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，所述空间位置的滤波核的计算公式如下：
5.根据权利要求2所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，所述像素大小的滤波核的计算公式如下：
6.根据权利要求1所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，所述视觉显著性检测图VSDM的计算公式如下：
7.根据权利要求1所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，所述能量层的融合图像的计算公式如下：
8.根据权利要求1所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，在所述多尺度形态梯度MLMG中加入腐蚀操
9.根据权利要求1所述的基于类交叉双边滤波的脑部MRI图像融合方法，其特征在于，所述基于八邻域的改进拉普拉斯算子WSEML的计算公式如下：
10.一种基于类交叉双边滤波的脑部MRI图像融合系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于类交叉双边滤波的脑部mri图像融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于类交叉双边滤波的脑部mri图像融合方法，其特征在于，所述类交叉双边滤波器的公式如下：
3.根据权利要求2所述的基于类交叉双边滤波的脑部mri图像融合方法，其特征在于，所述归一化常数kp的计算公式如下：
4.根据权利要求2所述的基于类交叉双边滤波的脑部mri图像融合方法，其特征在于，所述空间位置的滤波核的计算公式如下：
5.根据权利要求2所述的基于类交叉双边滤波的脑部mri图像融合方法，其特征在于，所述像素大小的滤波核的计算公式如下：
6.根据权利...
【专利技术属性】
技术研发人员：黄钢，聂生东，张毅，吴文辉，王鹏，
申请(专利权)人：南昌中科移动医疗影像研究院，
类型：发明
国别省市：
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。