基于二維經(jīng)驗(yàn)?zāi)B(tài)分解方法特征提取的圖像的融合方法
【專利摘要】本發(fā)明公開了一種基于二維經(jīng)驗(yàn)?zāi)B(tài)分解方法特征提取的圖像的融合方法，本發(fā)明將BEMD運(yùn)用到醫(yī)學(xué)圖像特征提取中，通過(guò)將BEMD分解后的子圖像和趨勢(shì)圖輸入神經(jīng)網(wǎng)絡(luò)獲取他們的點(diǎn)火映射圖，提取不同分解層對(duì)應(yīng)醫(yī)學(xué)圖像特征；之后將對(duì)應(yīng)于圖像紋理信息和背景信息的系數(shù)分別通過(guò)PCNN和雙通道PCNN選取融合系數(shù)，由于區(qū)別對(duì)待代表圖像紋理和背景信息的像素，既保護(hù)了圖像中的特征，又有效改善了PCNN在醫(yī)學(xué)圖像系數(shù)選擇中的效果。
【專利說(shuō)明】基于二維經(jīng)驗(yàn)?zāi)B(tài)分解方法特征提取的圖像的融合方法
[0001]
【技術(shù)領(lǐng)域】
[0002]本發(fā)明涉及一種圖像處理方法，具體是一種基于BEMD特征提取的頭部醫(yī)學(xué)圖像融合方法。
【背景技術(shù)】
[0003]隨著成像技術(shù)的突飛猛進(jìn)，各類精密成像設(shè)備推動(dòng)了醫(yī)學(xué)影像學(xué)的發(fā)展，為臨床提供了豐富的人體醫(yī)學(xué)影像。但成像設(shè)備種類眾多，其成像機(jī)理不同，反映醫(yī)學(xué)信息各有側(cè)重，為了全面分析醫(yī)學(xué)圖像中包含的解剖信息和功能信息，需要對(duì)多模態(tài)醫(yī)學(xué)圖像進(jìn)行融
口 o
[0004]醫(yī)學(xué)圖像融合技術(shù)面向多模態(tài)醫(yī)學(xué)圖像，把各種醫(yī)學(xué)圖像的信息有機(jī)地結(jié)合，完成各類醫(yī)學(xué)信息融合，不僅有效利用已有醫(yī)學(xué)影像，而且還有助于發(fā)掘潛在醫(yī)學(xué)信息，輔助醫(yī)院診療。
[0005]目前圖像融合方法包括基于空域變換和頻域變換的方法，其中以小波變換和各類超小波變換為代表的基于多分辨分析的圖像融合方法應(yīng)用最廣，但小波變換和其改進(jìn)方法依賴于預(yù)先定義的濾波器或基函數(shù)，小波變換會(huì)有下采樣操作，變換后圖像會(huì)引進(jìn)偽吉布斯現(xiàn)象，降低融合圖像質(zhì) 量。Huang等人為達(dá)到對(duì)非線性和非穩(wěn)態(tài)的數(shù)據(jù)進(jìn)行自適應(yīng)和多尺度分析，提出了經(jīng)驗(yàn)?zāi)Ｊ椒纸?empirical mode decomposition,簡(jiǎn)稱EMD)。經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)作為一種新的多尺度圖像分解方法，具有比小波分析更直觀的特征表示方式和更靈活的頻率特性，避免了分解中引進(jìn)冗余信息，同時(shí)EMD對(duì)于圖像細(xì)節(jié)保護(hù)和圖像紋理的提取等方面具有優(yōu)勢(shì)，適合于對(duì)安全性要求較高的醫(yī)學(xué)圖像進(jìn)行多分辨分析。
[0006]EMD分解具有優(yōu)越的空間和頻率特性，通過(guò)將其拓展得到了可應(yīng)用于二維信號(hào)的二維經(jīng)驗(yàn)?zāi)B(tài)分解(BEMD)方法，BEMD同樣具有數(shù)據(jù)驅(qū)動(dòng)和良好的自適應(yīng)性等特點(diǎn)，而且具有多尺度特性。
[0007]將BEMD用于醫(yī)學(xué)圖像處理，可以將原圖像分解成頻率從高到低的有限個(gè)二維內(nèi)蘊(yùn)模函數(shù)(BMF)和趨勢(shì)圖像。內(nèi)蘊(yùn)模函數(shù)(MF)之間是近似正交的，即不同MF分別對(duì)應(yīng)圖像的各個(gè)頻率成分，MF的首項(xiàng)蘊(yùn)含了紋理的局部高頻頻率特征和主要結(jié)構(gòu)信息，其余IMFs蘊(yùn)含了局部中頻頻率特征和較粗尺度結(jié)構(gòu)信息，殘差項(xiàng)蘊(yùn)含了局部低頻信息和整體趨勢(shì)。
[0008]BEMD是一個(gè)自適應(yīng)的分解過(guò)程，圖像分解過(guò)程很大程度由數(shù)據(jù)本身特性決定。也就是說(shuō)，在二維經(jīng)驗(yàn)?zāi)B(tài)分解過(guò)程中，如果篩分終止條件等因素一致，一幅圖像分解出來(lái)的BMF個(gè)數(shù)由圖像數(shù)據(jù)本身的特征決定，因此不同圖像可能分解出的BMF個(gè)數(shù)不同，在紋理分析等領(lǐng)域中得到廣泛的應(yīng)用。
[0009]本發(fā)明將BEMD運(yùn)用到醫(yī)學(xué)圖像特征提取中，通過(guò)將BEMD分解后的子圖像和趨勢(shì)圖輸入神經(jīng)網(wǎng)絡(luò)獲取他們的點(diǎn)火映射圖，提取不同分解層對(duì)應(yīng)醫(yī)學(xué)圖像特征；之后將對(duì)應(yīng)于圖像紋理信息和背景信息的系數(shù)分別通過(guò)PCNN和雙通道PCNN選取融合系數(shù)，由于區(qū)別對(duì)待代表圖像紋理和背景信息的像素，既保護(hù)了圖像中的特征，又有效改善了 PCNN在醫(yī)學(xué)圖像系數(shù)選擇中的效果。

【發(fā)明內(nèi)容】

[0010]本發(fā)明需要解決的技術(shù)問(wèn)題就在于克服現(xiàn)有技術(shù)的缺陷，提供一種基于二維經(jīng)驗(yàn)?zāi)B(tài)分解方法特征提取的圖像的融合方法，它針對(duì)CT和MR多模頭部醫(yī)學(xué)圖像進(jìn)行融合，通過(guò)BEMD提取特征并將圖像區(qū)域分為紋理和非紋理兩部分，將兩區(qū)域分別建立融合規(guī)則選擇融合系數(shù)，由于輪廓、紋理等信息被較好保護(hù)，本方法具備了 BEMD和PCNN兩者的優(yōu)勢(shì)，改善了融合圖像質(zhì)量。
[0011]為解決上述問(wèn)題，本發(fā)明采用如下技術(shù)方案:
本發(fā)明提供了一種基于二維經(jīng)驗(yàn)?zāi)B(tài)分解方法特征提取的圖像的融合方法，所述方法包括以下步驟:
1).將待融合的兩幅圖像分別通過(guò)BEMD分解得到BMFs和余量res層系數(shù)；
2).將BIMFs和res層系數(shù)分別輸入到PCNN中，分別得到各自點(diǎn)火映射圖，并將各自的點(diǎn)火映射圖相加得到總的點(diǎn)火映射圖；
3).將原始圖像中點(diǎn)火次數(shù)相同的像素點(diǎn)歸為一類，根據(jù)點(diǎn)火次數(shù)將圖像劃分為紋理區(qū)域和非紋理區(qū)域，圖像所有像素分別屬于紋理類和非紋理類； 4).根據(jù)步驟3)獲得的各分類集合，計(jì)算紋理類像素的灰度極值確定其灰度分布范圍，將兩幅圖像中紋理類像素的灰度分布范圍求交集，取交集范圍內(nèi)對(duì)應(yīng)的像素，通過(guò)PCNN選擇融合系數(shù)，其余像素通過(guò)雙通道PCNN進(jìn)行融合；
5).將融合系數(shù)重構(gòu)得融合圖像。
[0012]本發(fā)明將BEMD運(yùn)用到醫(yī)學(xué)圖像特征提取中，通過(guò)將BEMD分解后的子圖像和趨勢(shì)圖輸入神經(jīng)網(wǎng)絡(luò)獲取他們的點(diǎn)火映射圖，提取不同分解層對(duì)應(yīng)醫(yī)學(xué)圖像特征；之后將對(duì)應(yīng)于圖像紋理信息和背景信息的系數(shù)分別通過(guò)PCNN和雙通道PCNN選取融合系數(shù)，由于區(qū)別對(duì)待代表圖像紋理和背景信息的像素，既保護(hù)了圖像中的特征，又有效改善了 PCNN在醫(yī)學(xué)圖像系數(shù)選擇中的效果。
【專利附圖】

【附圖說(shuō)明】
[0013]圖1為實(shí)施例效果示意圖。
[0014]圖中:(a)為頭部CT圖像、(b)為頭部MR圖像、(c)為實(shí)施例效果圖、Cd)為基于拉普拉斯金字塔變換(Lap)融合效果圖、Ce)為基于離散小波變換(DWT)的融合效果圖。
【具體實(shí)施方式】
[0015]本實(shí)施例包括以下步驟:
第一步:對(duì)已配準(zhǔn)的醫(yī)學(xué)頭部CT和MR圖像4和4分別進(jìn)行BEMD分解，得到頻率從
高到低的有限個(gè)二維內(nèi)蘊(yùn)模函數(shù)(BIMF)和余量(趨勢(shì)圖像)；
BEMD分解的算法步驟如下:
I)初始化,設(shè)源圖像x = l，2，.趨勢(shì)圖像為:
R(x,y), R(x,y) = I(x,y)J =1 ；2)如果趨勢(shì)圖像人R（XY）單調(diào)或達(dá)到圖像的分解層數(shù)，則算法停止；否則，令
,即片。(u)進(jìn)入篩選過(guò)程；
3)利用形態(tài)學(xué)算法，對(duì)圖像/(U)求解極值點(diǎn)，找出區(qū)域極大值點(diǎn)集和極小值點(diǎn)集；
4)分別對(duì)區(qū)域極大值點(diǎn)集和極小值點(diǎn)集進(jìn)行平面插值，得出圖像的上、下包絡(luò)面
ElipIx,y),Bd<mn(x,y),根據(jù)上、下包絡(luò)面求出圖像i/fc(u)(k為大于等于I的正整數(shù))的均值:
【權(quán)利要求】
1.一種基于二維經(jīng)驗(yàn)?zāi)B(tài)分解方法特征提取的圖像的融合方法，其特征在于，所述方法包括以下步驟: 1).將待融合的兩幅圖像分別通過(guò)BEMD分解得到BMFs和余量res層系數(shù)； 2).將BIMFs和res層系數(shù)分別輸入到PCNN中，分別得到各自點(diǎn)火映射圖，并將各自的點(diǎn)火映射圖相加得到總的點(diǎn)火映射圖； 3).將原始圖像中點(diǎn)火次數(shù)相同的像素點(diǎn)歸為一類，根據(jù)點(diǎn)火次數(shù)將圖像劃分為紋理區(qū)域和非紋理區(qū)域，圖像所有像素分別屬于紋理類和非紋理類； 4).根據(jù)步驟3)獲得的各分類集合，計(jì)算紋理類像素的灰度極值確定其灰度分布范圍，將兩幅圖像中紋理類像素的灰度分布范圍求交集，取交集范圍內(nèi)對(duì)應(yīng)的像素，通過(guò)PCNN選擇融合系數(shù)，其余像素通過(guò)雙通道PCNN進(jìn)行融合； 5).將融合系數(shù)重構(gòu)得融合圖像。
【文檔編號(hào)】G06T7/40GK103617604SQ201310379491
【公開日】2014年3月5日 申請(qǐng)日期:2013年8月28日 優(yōu)先權(quán)日:2013年8月28日
【發(fā)明者】張寶華, 劉鶴, 梁浩 申請(qǐng)人:內(nèi)蒙古科技大學(xué)