基于NSST變換的多模態(tài)醫(yī)學(xué)圖像融合算法研究.pdf

1、醫(yī)學(xué)圖像融合技術(shù)有效解決了單一模態(tài)醫(yī)學(xué)成像對(duì)于人體組織器官信息成像的局限性，提高醫(yī)學(xué)影像信息的利用效能，這對(duì)于醫(yī)學(xué)臨床診斷具有重要的理論研究意義和實(shí)際應(yīng)用價(jià)值。多年來(lái)，圖像融合技術(shù)不斷發(fā)展，很多研究成果被普遍應(yīng)用于醫(yī)學(xué)圖像融合領(lǐng)域，本文針對(duì)醫(yī)學(xué)圖像復(fù)雜多樣的特點(diǎn)，以及多尺度變換下不同尺度不同方向下的子圖系數(shù)的特性，致力于多尺度分解框架下的醫(yī)學(xué)圖像融合算法進(jìn)行研究，主要研究工作如下:
　　1)為了解決單一模態(tài)醫(yī)學(xué)圖像的局限性，本文結(jié)

2、合非下采樣剪切波變換(NSST)可以捕捉圖像細(xì)節(jié)特征的特點(diǎn)，提出了一種基于NSST變換和改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)的多模態(tài)醫(yī)學(xué)圖像融合算法。首先，利用NSST變換對(duì)源圖像進(jìn)行多尺度、多方向的分解，得到低頻子帶系數(shù)和高頻方向子帶系數(shù);然后，用低頻子帶系數(shù)的區(qū)域能量和方差求取區(qū)域特征，并采用基于區(qū)域特征加權(quán)的方式進(jìn)行低頻子帶系數(shù)的融合;內(nèi)層高頻子帶系數(shù)先通過(guò)PCNN求出區(qū)域點(diǎn)火特性，再與平均梯度加權(quán)的方式來(lái)進(jìn)行選擇，外層高頻子帶系數(shù)

3、采用區(qū)域絕對(duì)值取大的融合規(guī)則。最后，對(duì)獲得的融合系數(shù)進(jìn)行NSST逆變換得到融合圖像。
　　2)針對(duì)醫(yī)學(xué)圖像復(fù)雜多樣的特點(diǎn)，結(jié)合多尺度幾何分析和單尺度稀疏表示的變換思想，提出了一種NSST變換與稀疏表示相結(jié)合的醫(yī)學(xué)圖像融合新算法。首先，利用NSST變換對(duì)精確配準(zhǔn)的源圖像進(jìn)行多尺度分解，得到圖像的低頻子帶系數(shù)和高頻方向子帶系數(shù);然后，通過(guò)K-SVD算法對(duì)稀疏度較差的低頻子帶系數(shù)進(jìn)行字典訓(xùn)練構(gòu)造出過(guò)完備字典D，求解其稀疏表示系數(shù)，并根據(jù)

4、稀疏編碼的稀疏度、能量、梯度特征進(jìn)行自適應(yīng)融合，最后再結(jié)合過(guò)完備字典D對(duì)融合后的稀疏編碼進(jìn)行重構(gòu)得出融合圖像低頻系數(shù);同時(shí)高頻子帶系數(shù)的融合權(quán)值取決于其區(qū)域拉普拉斯能量和平均梯度的大小;最后，采用NSST逆變換重構(gòu)得到最終的融合圖像。
　　3)本文分別對(duì)灰度圖像及彩色圖像進(jìn)行大量融合實(shí)驗(yàn)，并與不同融合算法產(chǎn)生的融合結(jié)果圖像作對(duì)比得知，本文算法有效增加了不同模態(tài)醫(yī)學(xué)圖像的互補(bǔ)信息，圖像信息更加豐富，對(duì)于邊緣、紋理等細(xì)節(jié)信息顯示更加清