專利名稱：基于多向經(jīng)驗?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像融合方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像融合技術(shù)領(lǐng)域，涉及基于多向經(jīng)驗?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像融合方法。
背景技術(shù)：
圖像融合是以圖像為主要研究內(nèi)容的信息融合技術(shù)，是將兩幅或多幅圖像合成為ー副圖像，以獲取對同一場景的更加精確、更為全面、更為可靠的圖像描述。圖像融合技術(shù)通過有效地利用多幅圖像間的冗余性和互補(bǔ)性，使融合后的圖像更適合人眼視覺系統(tǒng)，適合計算機(jī)的理解、分析及后續(xù)處理的需求。醫(yī)學(xué)圖像融合是圖像融合中的ー項重要應(yīng)用。目前，醫(yī)學(xué)成像設(shè)備主要有計算機(jī)斷層掃描(Computer Tomography, CT),磁共振成像(Magnetic Resonance Imaging, MRI) 或較新的正電子發(fā)射斷層掃描(Positron Emission Tomography, PET)。CT圖像反應(yīng)的是人體組織的X線吸收系數(shù)，而骨骼組織的吸收系數(shù)最大，因此CT圖像中骨骼組織最清晰。MRI圖像反應(yīng)的是人體組織的質(zhì)子密度，而軟組織的質(zhì)子密度最高，因此MRI圖像中軟組織最清晰。PET是目前惟一可在活體上顯示生物分子代謝、受體及神經(jīng)介質(zhì)活動的新型影像技術(shù)，當(dāng)疾病早期處于分子水平變化階段，病變區(qū)的形態(tài)結(jié)構(gòu)尚未呈現(xiàn)異常，MRI、CT檢查還不能明確診斷吋，PET即可發(fā)現(xiàn)病灶所在。將三類圖像進(jìn)行融合，可有效地提高醫(yī)生的診斷效果O目前，基于多分辨率、多尺度分解的融合算法，在圖像融合中得到廣泛應(yīng)用。各國研究者提出Wavelet變換、Ridgelet變換、Curvelet變換、Contourlet變換和Bandelet變換等多種小波和超小波變換的處理方法，就是這方面的重要研究成果。但無論是基于哪種小波，在圖像融合中都存在一個問題融合后的圖像會在局部位置出現(xiàn)畸變，這在一般應(yīng)用中還可接受，但在醫(yī)學(xué)圖像中，這就有可能造成醫(yī)生的誤診，影響病者的后續(xù)治療。因此，エ程界和數(shù)學(xué)界從未停止過探索更好的分解算法。1999年，美國宇航局的Norden E. Huang教授發(fā)明了經(jīng)驗?zāi)Ｊ椒纸馑惴?Empirical Mode Decomposition, EMD),能將非穩(wěn)定非線性信號按頻率做自適應(yīng)分解。ニ維經(jīng)驗?zāi)Ｊ椒纸馐签`維EMD分解算法在ニ維平面上的推廣，可用于圖像數(shù)據(jù)的分析和處理，通過將原始圖像自適應(yīng)的分解為有效數(shù)量的子圖像，可以將圖像從高頻到低頻的局部窄帶細(xì)節(jié)信息內(nèi)蘊(yùn)模式分量分解出來，剰余分量表示圖像的趨勢。分解出來內(nèi)蘊(yùn)模式分量具有當(dāng)前圖像的紋理信息。但傳統(tǒng)ニ維經(jīng)驗?zāi)Ｊ椒纸庥腥毕莘纸獾玫降膬?nèi)蘊(yùn)模式分量圖像中有暗斑。因此嚴(yán)重影響了傳統(tǒng)ニ維經(jīng)驗?zāi)Ｊ椒纸庠趫D像處理領(lǐng)域中的應(yīng)用。后來出現(xiàn)的窗ロ經(jīng)驗?zāi)Ｊ椒纸釽EMD較好地解決了傳統(tǒng)ニ維經(jīng)驗?zāi)Ｊ椒纸獾娜毕?，又保留了傳統(tǒng)ニ維經(jīng)驗?zāi)Ｊ椒纸庾赃m應(yīng)分解特性，并已在圖像融合中得到應(yīng)用，但融合后的圖像由于出現(xiàn)少量的待融合圖像信息缺失還有待進(jìn)ー步地提高。為進(jìn)ー步提高融合效果，本發(fā)明提出了多向經(jīng)驗?zāi)Ｊ椒纸馑惴ǎ鋺?yīng)用還處于起步階段，少有關(guān)于圖像融合的討論，基于多向經(jīng)驗?zāi)Ｊ椒纸馑惴ǖ娜诤弦?guī)則也少有具體實現(xiàn)，需深入探索。
綜上，目前現(xiàn)有的融合技術(shù)應(yīng)用于醫(yī)學(xué)圖像融合，還存在一些不足基于小波、超小波的融合圖像會出現(xiàn)局部畸變，傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸夥椒ǚ纸獾玫降膬?nèi)蘊(yùn)模式分量圖像暗斑都對融合結(jié)果有很大的影響，窗ロ經(jīng)驗?zāi)Ｊ椒纸獾娜诤蠄D中，會出現(xiàn)少量的細(xì)節(jié)信息缺失，并且融合規(guī)則的好壞對融合效果也有巨大的影響。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于多向經(jīng)驗?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像融合方法，以達(dá)到既不出現(xiàn)小波、超小波融合算法融合后的圖像出現(xiàn)畸變，又不出現(xiàn)窗ロ經(jīng)驗?zāi)Ｊ椒纸庠卺t(yī)學(xué)圖像融合中出現(xiàn)細(xì)節(jié)缺失，還無需人為進(jìn)行參數(shù)的選擇，并且能夠很好地提取源圖像的細(xì)節(jié)信息，實現(xiàn)自適應(yīng)地醫(yī)學(xué)圖像融合。為實現(xiàn)上述目的，本發(fā)明的基于多向經(jīng)驗?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像融合方法采用多向經(jīng)驗?zāi)Ｊ椒纸夥椒▽Σ杉降脑磮D像進(jìn)行多尺度分解，獲得源圖像的多級尺度多方向的高頻內(nèi)蘊(yùn)模式分量，按照區(qū)域能量規(guī)則進(jìn)行融合處理，并對源圖像的低頻剩余分量采用能量貢獻(xiàn)規(guī)則進(jìn)行融合處理，最后反向重構(gòu)獲取融合圖像，該方法的步驟如下 (I)采用多向經(jīng)驗?zāi)Ｊ椒纸鈱ζヅ浜玫牟煌N類的待融合醫(yī)學(xué)源圖像進(jìn)行多尺度多向分解，獲得源圖像的多尺度多向的高頻分量內(nèi)蘊(yùn)模式分量imfu和低頻剩余分量ri，其
中i = 1,2,3, ......，m, m為待融合圖像的數(shù)量，j = 1,2,3, ......，η, η為分解得到的imf
的級數(shù)；(2)將相同級的待融合圖像的高頻分量內(nèi)蘊(yùn)模式分量Imfij按照區(qū)域能量規(guī)則進(jìn)行融合處理，產(chǎn)生融合圖像的第j級內(nèi)蘊(yùn)模式分量imfj ；(3)將待融合圖像的ri;按照整體能量貢獻(xiàn)規(guī)則進(jìn)行處理，得到融合圖像的剩余分
量r ；(4)將imf〗和r反向重構(gòu)并進(jìn)行坐標(biāo)系反變換得到融合圖像。所述的步驟(I)中對每一幅源圖像進(jìn)行圖像高頻到低頻的多尺度多方向分解，首先，分解處理的第I級內(nèi)蘊(yùn)模式分量是圖像所含有的最高頻率分量，源數(shù)據(jù)減去第I級內(nèi)蘊(yùn)模式分量得到第I級剩余分量；對第I級剩余分量再分解，得到第2級內(nèi)蘊(yùn)模式分量和第2級剩余分量；以此類推，得到η級內(nèi)蘊(yùn)模式分量和第η級剩余分量。所述的多向經(jīng)驗?zāi)Ｊ椒纸獾奶幚磉^程包括如下步驟(11)以待融合圖像X的中心為原點(diǎn)，將直角坐標(biāo)變換到極坐標(biāo)，得到變換矩陣y，s = l,s表示極徑的長度；(12)rs0 = ys, ys為極坐標(biāo)系中具有相同極徑長度的那一行或列，j = I, j表示分解第j級內(nèi)蘊(yùn)模式分量；(13)確定な")的所有局部極值點(diǎn)，并組成極大值點(diǎn)集和極小值點(diǎn)集；(14)根據(jù)分解級數(shù)j ；(a)設(shè)定當(dāng)前最大窗ロ N，初始窗ロ M，窗ロ K = M，M數(shù)值為奇數(shù)；(b)以rs(H)中一個數(shù)值為當(dāng)前中心，如果在窗ロ K內(nèi)的極大值點(diǎn)個數(shù)和極小值點(diǎn)個數(shù)相等，貝1J求取窗ロ K內(nèi)數(shù)值均值mean,轉(zhuǎn)到步驟(d)；(c)K = K+2，如果1( < N，轉(zhuǎn)到步驟(b);如果K彡N，直接求取窗ロ K內(nèi)數(shù)值均值mean ；
(d)以mean作為當(dāng)前數(shù)值的局部均值,轉(zhuǎn)到下一個數(shù)值，K = M,轉(zhuǎn)到步驟(b),直至遍歷rs(j_D的所有數(shù)值；(15)用得到的所有局部均值點(diǎn)構(gòu)成Iy1的均值線Iihl,并計算imfsj =,rsJ = I^j-D，j = j+1 ；(16)重復(fù)步驟(13)到(15)的操作，直到 規(guī)定的分解層級數(shù)n，s = s+1 ；(17)重復(fù)步驟(12)到(16)的操作，直到所有相同極徑長度的列或行都分解完畢，得到變換矩陣I的每ー級內(nèi)蘊(yùn)模式分量和最后ー級剩余分量r。所述的步驟(13)中，圖像的局部極大值點(diǎn)為灰度值比周圍3區(qū)域2個相鄰像素點(diǎn)灰度值都高的點(diǎn)，圖像的極小值點(diǎn)為灰度值比周圍2個相鄰像素點(diǎn)灰度值都低的點(diǎn)。所述的步驟(14) (a)中，最大窗ロ N是由所有局部極大和極小值點(diǎn)分別組成極大值點(diǎn)集SI和極小值點(diǎn)集S2 ;分別遍歷極值點(diǎn)集SI和S2找出緊鄰當(dāng)前極值點(diǎn)距離最近的極值點(diǎn)，并計算兩點(diǎn)間的距離PiQ = 1，2，3，···？；？為極大值的數(shù)目)和P' j(j = 1,2,3，一qw為極小值的數(shù)目)，WPi或F j的和均值中值較小的ー個取整作為最大窗ロ N。
當(dāng)N為偶數(shù)時，執(zhí)行N = N+1操作，#= min 2^/尸XFj ^ ，初始窗ロ M統(tǒng)一定義等
L =ι ]=ι于3。所述的步驟⑵包括(21)計算相同級Imfij當(dāng)前像素為中心的窗ロ Q的能量(Q為3X3)，形成融合規(guī)則矩陣Sij, i = 1,2,3, ......，m(m為待融合圖像的數(shù)量)，j = 1,2,3, ......，η (η為分解得
到的imf的級數(shù))，q表示窗ロ Q中的ー個元素Λ_(χ，タ)=ム>>))J(22)比較相同級Su相同位置的值，選取最大的Su對應(yīng)的imfu相同位置的像素作為融合imfj相同位置像素的值；(23)遍歷所有像素，得到最終的融合imfj。所述的步驟(3)包括(31)計算姆ー個剩余分量!Ti的融合權(quán)重wi;i = 1,2,3, ......，m(m為待融合圖像
的數(shù)量)，
N M
藝厶辦,少)W. = ~XJM-
し 」I m N M
Σ[ΣΣ り0,少)]
i x=l y=l
m(32)根據(jù)權(quán)重計算出rブ=Σ(Μケ)。
i=\
η所述的步驟⑷反向重構(gòu)得到極坐標(biāo)系下的融合圖像I’ ノ’ = Umfj + r，再將極
7=1
坐標(biāo)化為直角坐標(biāo)，得到最終融合圖像I。本發(fā)明的基于多向經(jīng)驗?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像融合方法，采用多向經(jīng)驗?zāi)Ｊ椒纸鈱Σ杉降脑磮D像進(jìn)行多尺度多方向分解，分解過程繼承了傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸獾膬?yōu)點(diǎn)完全由數(shù)據(jù)驅(qū)動，不需要預(yù)先設(shè)置濾波器；求取各級內(nèi)蘊(yùn)模式分量類似高頻濾波過程，與小波，超小波相比，可獲取更為豐富的細(xì)節(jié)信息，使得融合圖像的質(zhì)量得到提高，與窗ロ經(jīng)驗?zāi)Ｊ椒纸庀啾?，解決了窗ロ經(jīng)驗?zāi)Ｊ椒纸馊诤纤惴ǔ霈F(xiàn)少量信息丟失的問題。獲得各級尺度的高頻部分，按照區(qū)域能量規(guī)則對各級內(nèi)蘊(yùn)模式分量進(jìn)行融合處理，可最大化的融合細(xì)節(jié)信息，減少非細(xì)節(jié)信息的影響。對源圖像的低頻剩余分量采用能量貢獻(xiàn)規(guī)則進(jìn)行融合處理，可保留各剩余分量的能量分布。本方法既不出現(xiàn)小波、超小波融合算法融合后的圖像出現(xiàn)畸變，又不出現(xiàn)窗ロ經(jīng)驗?zāi)Ｊ椒纸庠卺t(yī)學(xué)圖像融合中出現(xiàn)細(xì)節(jié)缺失，還無需人為進(jìn)行參數(shù)的選擇，并且能夠很好地提取源圖像的細(xì)節(jié)信息，實現(xiàn)自適應(yīng)地醫(yī)學(xué)圖像融合基于全新的多尺度分解結(jié)構(gòu)，具有完全數(shù)據(jù)驅(qū)動的自適應(yīng)性，具有更強(qiáng)的細(xì)節(jié)信息獲取能力；運(yùn)用區(qū)域能量規(guī)則對高頻的內(nèi)蘊(yùn)模式分量進(jìn)行融合處理，運(yùn)用能量貢獻(xiàn)規(guī)則對低頻的剩余分量進(jìn)行融合處理，使得融合后圖像的質(zhì)量得到提高，對于醫(yī)學(xué)圖像融合領(lǐng)域的應(yīng)用具有重要意義和實用價值。


圖I是本發(fā)明方法流程示意圖； 圖2是傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸夂投嘞蚪?jīng)驗?zāi)Ｊ椒纸鈱ena圖像兩級分解結(jié)果對比圖；圖3是本發(fā)明融合效果與小波和超小波的融合對比圖。圖2中(a)為Lena圖像，(b)為傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸獾玫降牡贗級內(nèi)蘊(yùn)模式分量，(C)為傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸獾玫降牡?級內(nèi)蘊(yùn)模式分量，(e)為傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸獾玫降膭徲喾至浚?f)為多向經(jīng)驗?zāi)Ｊ椒纸獾玫降牡贗級內(nèi)蘊(yùn)模式分量，(g)為多向經(jīng)驗?zāi)Ｊ椒纸獾玫降牡?級內(nèi)蘊(yùn)模式分量，(h)為多向經(jīng)驗?zāi)Ｊ椒纸獾玫降膭徲喾至?。圖3中(a)為CT圖像，(b)為MRI圖像，(C)為小波融合效果，(d)為超小波curvelet融合效果，(e)為窗ロ經(jīng)驗?zāi)Ｊ椒纸馊诤闲Ч?f)為本發(fā)明融合效果。
具體實施例方式為了更好地理解本發(fā)明的技術(shù)方案，下面結(jié)合附圖對本發(fā)明的實施方式進(jìn)行詳細(xì)的說明。如圖I所示，本發(fā)明首先對源圖像X1, X2,…Xm進(jìn)行多向經(jīng)驗?zāi)Ｊ椒纸猓玫矫糠磮D像的η級內(nèi)蘊(yùn)模式分量和ー個剩余分量，對各級內(nèi)蘊(yùn)模式分量按照區(qū)域能量規(guī)則進(jìn)行融合處理；對源圖像的低頻剩余分量采用能量貢獻(xiàn)規(guī)則進(jìn)行融合處理；最后反變換獲取融合圖像。本發(fā)明的具體實施如下I.運(yùn)用MDEMD算法將匹配好的待融合源圖像Xl，χ2，…Xm分別進(jìn)行相同級數(shù)的分解，得到內(nèi)蘊(yùn)模式函數(shù)分量imfu和剰余分量ri，其中i = 1,2,3,……，m(m為待融合圖像的數(shù)量)，j = 1，2,3, ......, η (η為分解得到的imf的數(shù)量)多向經(jīng)驗?zāi)Ｊ椒纸獾奶幚磉^程包括如下步驟步驟I :以圖像X的中心為原點(diǎn)，將直角坐標(biāo)化變換到極坐標(biāo)，得到變換矩陣y ；步驟I :以待融合圖像X的中心為原點(diǎn)，將直角坐標(biāo)變換到極坐標(biāo)，得到變換矩陣y，s = I, s表示極徑的長度；步驟2 r0 = Yj(yj為極坐標(biāo)系中具有相同極徑的那一行或列，j表示極徑的長度)，i = l，j = l;步驟2 rs0 = ys, ys為極坐標(biāo)系中具有相同極徑長度的那一行或列，j = I, j表示分解第j級內(nèi)蘊(yùn)模式分量；步驟3 :確定IV1的所有局部極值點(diǎn)，并組成極大值點(diǎn)集和極小值點(diǎn)集；圖像的局部極大值點(diǎn)為灰度值比周圍3區(qū)域2個相鄰像素點(diǎn)灰度值都高的點(diǎn)，圖像的極小值點(diǎn)為灰度值比周圍2個相鄰像素點(diǎn)灰度值都低的點(diǎn)。步驟3 :確定rs(j_D的所有局部極值點(diǎn)，并組成極大值點(diǎn)集和極小值點(diǎn)集；圖像的局部極大值點(diǎn)為灰度值比周圍3區(qū)域2個相鄰像素點(diǎn)灰度值都高的點(diǎn)，圖像的極小值點(diǎn)為
步驟4:根據(jù)分解層數(shù)i，步驟4:根據(jù)分解層數(shù)j，(a)設(shè)定當(dāng)前最大窗ロ N，初始窗ロ M，窗ロ K = M，M數(shù)值為奇數(shù)；步驟4(a)中，最大窗ロ N的定義為由所有局部極大和極小值點(diǎn)分別組成極大值點(diǎn)集SI和極小值點(diǎn)集S2 ;分別遍歷極值點(diǎn)集SI和S2找出緊鄰當(dāng)前極值點(diǎn)距離最近的極值點(diǎn)，并計算兩點(diǎn)間的距離PiQ = 1，2，3，···？；？為極大值的數(shù)目)和P' j(j = 1,2,3,…q;q為極小值的數(shù)目)，WPi或!^ j的和均值中值較小的ー個取整作為最大窗ロ N。當(dāng)N
為偶數(shù)吋，執(zhí)行N = N+1操作，#= min刀"尸YjP;丨q ,初始窗ロ M統(tǒng)一定義等于3。
_ し=I ;=1 」_(b)以rs(H)中一個數(shù)值為當(dāng)前中心，如果在窗ロ K內(nèi)的極大值點(diǎn)個數(shù)和極小值點(diǎn)個數(shù)相等，貝1J求取窗ロ K內(nèi)數(shù)值均值mean,轉(zhuǎn)到步驟(d)；レ)1(+2，如果1(<1轉(zhuǎn)到步驟03);如果K彡N，直接求取窗ロ K內(nèi)數(shù)值均值mean ;(d)以mean作為當(dāng)前數(shù)值的局部均值,轉(zhuǎn)到下一個數(shù)值，K = M,轉(zhuǎn)到步驟(b),直至遍歷rs(j_D的所有數(shù)值； 步驟5 :用得到的所有局部均值點(diǎn)構(gòu)成Iy1的均值線hj+并計算imfsj = , rsj = hs (J^1), j = j+1 ；步驟6 :重復(fù)步驟3到步驟5的操作，直到規(guī)定的分解層級數(shù)n，s = s+1 ；步驟7 :重復(fù)步驟2到步驟6的操作，直到所有相同極徑長度的列或行都分解完畢，得到變換矩陣I的每ー級內(nèi)蘊(yùn)模式分量和最后ー級剩余分量r。多向經(jīng)驗?zāi)Ｊ椒纸鈱崿F(xiàn)了圖像高頻到低頻的多尺度自適應(yīng)分解過程。首先，分解處理的第I級內(nèi)蘊(yùn)模式分量是圖像所含有的最高頻率分量，源數(shù)據(jù)減去第I級內(nèi)蘊(yùn)模式分量得到第I級剩余分量；對第I級剩余分量再分解，得到第2級內(nèi)蘊(yùn)模式分量和第2級剩余分量；以此類推，得到η級內(nèi)蘊(yùn)模式分量和第η級剩余分量。對Lena圖像做2級分解，得到2級內(nèi)蘊(yùn)模式分量和ー個剩余分量，如圖2所示。可見多向經(jīng)驗?zāi)Ｊ椒纸庖部珊芎玫亟鉀Q了傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸獬霈F(xiàn)暗斑的問題。多向經(jīng)驗?zāi)Ｊ椒纸饫^承了傳統(tǒng)經(jīng)驗?zāi)Ｊ椒纸獾膬?yōu)點(diǎn)，它的也基是根據(jù)信號自適應(yīng)產(chǎn)生的，使得它具有良好的時頻局部性。2.將相同級的待融合圖像的高頻分量內(nèi)蘊(yùn)模式分量Imfij按照區(qū)域能量規(guī)則進(jìn)行融合處理，產(chǎn)生融合圖像的第j級內(nèi)蘊(yùn)模式分量imfj ；
步驟I :計算相同級Imfij當(dāng)前像素為中心的窗ロ Q的能量(Q為3X3)，形成融合
規(guī)則矩陣Sij, i = 1,2,3, ......，m(m為待融合圖像的數(shù)量)，j = 1,2,3, ......，η (η為分解
得到的imf的級數(shù))，q表示窗ロ Q中的ー個元素；
權(quán)利要求
1.一種基于多向經(jīng)驗?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像融合方法，其特征在于，該方法的步驟如下(1)采用多向經(jīng)驗?zāi)Ｊ椒纸鈱ζヅ浜玫牟煌N類的待融合醫(yī)學(xué)源圖像進(jìn)行多尺度多向分解，獲得源圖像的多尺度多向的高頻分量內(nèi)蘊(yùn)模式分量imfu和低頻剩余分量^，其中i=1,2,3, ......，m, m為待融合圖像的數(shù)量，j = 1,2,3, ......，η, η為分解得到的imf的級數(shù)； (2)將相同級的待融合圖像的高頻分量內(nèi)蘊(yùn)模式分量Imfij按照區(qū)域能量規(guī)則進(jìn)行融合處理，產(chǎn)生融合圖像的第j級內(nèi)蘊(yùn)模式分量imfj ； (3)對源圖像的低頻剩余分量采用能量貢獻(xiàn)規(guī)則進(jìn)行融合處理，得到融合圖像的剰余分量r ； (4)將Imfj和剰余分量r反向重構(gòu)得到極坐標(biāo)系下的融合圖像，再進(jìn)行坐標(biāo)系反變換得到最終融合圖像。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于所述的步驟(I)中對每一幅源圖像進(jìn)行圖像高頻到低頻的多尺度多向分解，首先，分解處理的第I級內(nèi)蘊(yùn)模式分量是圖像所含有的最高頻率分量，源數(shù)據(jù)減去第I級內(nèi)蘊(yùn)模式分量得到第I級剩余分量；對第I級剩余分量再分解，得到第2級內(nèi)蘊(yùn)模式分量和第2級剩余分量；以此類推，得到η級內(nèi)蘊(yùn)模式分量和第η級剩余分量。
3.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟(I)中多向經(jīng)驗?zāi)Ｊ椒纸獾奶幚磉^程包括如下步驟 (11)以待融合圖像X的中心為原點(diǎn)，將直角坐標(biāo)變換到極坐標(biāo)，得到變換矩陣y，S=1，s表示極徑的長度； (12)rs0= ys，ys為極坐標(biāo)系中具有相同極徑長度的那一行或列，j = 1，j表示分解第j級內(nèi)蘊(yùn)模式分量； (13)確定rs(H)的所有局部極值點(diǎn)，并組成極大值點(diǎn)集和極小值點(diǎn)集； (14)根據(jù)分解級數(shù)j； (a)設(shè)定當(dāng)前最大窗ロN，初始窗ロ M，窗ロ K = M，M數(shù)值為奇數(shù)； (b)以^^㈧中一個數(shù)值為當(dāng)前中心，如果在窗ロK內(nèi)的極大值點(diǎn)個數(shù)和極小值點(diǎn)個數(shù)相等，貝1J求取窗ロ K內(nèi)數(shù)值均值mean,轉(zhuǎn)到步驟(d)； (c)K = K+2,如果K < N，轉(zhuǎn)到步驟(b);如果K彡N，直接求取窗ロ K內(nèi)數(shù)值均值mean ； (d)以mean作為當(dāng)前數(shù)值的局部均值,轉(zhuǎn)到下一個數(shù)值，K= M,轉(zhuǎn)到步驟(b),直至遍歷hu-D的所有數(shù)值； (15)用得到的所有局部均值點(diǎn)構(gòu)成Iy1的均值線h^,并計算imfsj=，rsj=h.o-D, j = j+1 ； (16)重復(fù)步驟(13)到(15)的操作，直到規(guī)定的分解層級數(shù)n，s= s+1 ； (17)重復(fù)步驟(12)到(16)的操作，直到所有相同極徑長度的列或行都分解完畢，得到變換矩陣I的每ー級內(nèi)蘊(yùn)模式分量和最后ー級剩余分量r。
4.根據(jù)權(quán)利要求3所述的方法，其特征在干所述的步驟(13)中，圖像的局部極大值點(diǎn)為灰度值比周圍3區(qū)域2個相鄰像素點(diǎn)灰度值都高的點(diǎn)，圖像的極小值點(diǎn)為灰度值比周圍2個相鄰像素點(diǎn)灰度值都低的點(diǎn)。
5.根據(jù)權(quán)利要求3所述的方法，其特征在于所述的步驟(14)(a)中，最大窗口 N是由所有局部極大和極小值點(diǎn)分別組成極大值點(diǎn)集SI和極小值點(diǎn)集S2 ;分別遍歷極值點(diǎn)集SI和S2找出緊鄰當(dāng)前極值點(diǎn)距離最近的極值點(diǎn)，并計算兩點(diǎn)間的距離PiQ = 1，2,3,…P ;p為極大值的數(shù)目)和P' j(j = 1,2,3,…q;q為極小值的數(shù)目)，以Pi*Pi j的和均值中值較小的一個取整作為最大窗口 N;當(dāng)N為偶數(shù)時，執(zhí)行N = N+1操作，
6.根據(jù)權(quán)利要求I所述的方法，其特征在于所述的步驟(2)包括 (21)計算相同級imfu當(dāng)前像素為中心的窗口Q的能量(Q為3X3)，形成融合規(guī)則矩陣Sij, i = 1,2,3, ......, m, j = 1,2,3, ......，n, q表示窗口 Q中的一個元素；
7.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述的步驟(3)包括 (31)計算每一個剩余分量A的融合權(quán)重Wi,i = 1,2,3, ......, m,
8.根據(jù)權(quán)利要求1-7中任一項所述的方法，其特征在于，所述的步驟(4)反向重構(gòu)得到 極坐標(biāo)系下的融合圖像
全文摘要
本發(fā)明涉及基于多向經(jīng)驗?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像融合方法，該方法采用多向經(jīng)驗?zāi)Ｊ椒纸鈱Σ杉牟煌N類的醫(yī)學(xué)源圖像進(jìn)行多尺度多向分解，獲得源圖像的多尺度多向的高頻分量內(nèi)蘊(yùn)模式分量，按照區(qū)域能量規(guī)則進(jìn)行融合處理，可有效地提取各源圖像的高頻細(xì)節(jié)信息；對源圖像的低頻剩余分量采用能量貢獻(xiàn)規(guī)則進(jìn)行融合處理，最后反變換獲取融合圖像，融合后的圖像有效提高融合圖像的目視效果，避免小波、超小波、窗口經(jīng)驗?zāi)Ｊ椒纸馊诤纤惴ㄒ鸬娜诤蠄D像出現(xiàn)局部畸變或缺失的缺點(diǎn)，無需人為進(jìn)行參數(shù)的選擇，并且能夠很好地提取源圖像的細(xì)節(jié)信息，實現(xiàn)自適應(yīng)地醫(yī)學(xué)圖像融合基于全新的多尺度分解結(jié)構(gòu)，具有完全數(shù)據(jù)驅(qū)動的自適應(yīng)性，具有更強(qiáng)的細(xì)節(jié)信息獲取能力。
文檔編號G06T5/50GK102682439SQ20121001165
公開日2012年9月19日 申請日期2012年1月15日 優(yōu)先權(quán)日2012年1月15日
發(fā)明者平子良, 普杰信, 梁靈飛, 黃濤, 黎蔚 申請人:河南科技大學(xué)