一种基于稀疏低秩分解和视觉显著性结合的医学图像融合方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108596866A(43)申请公布日2018.09.28(21)申请号201810233117.2(22)申请日2018.03.21(71)申请人昆明理工大学地址650093云南省昆明市五华区学府路253号(72)发明人李华锋杨默远余正涛邓志华(51)Int.Cl.G06T5/50(2006.01)G06T7/00(2017.01)权利要求书3页说明书7页附图2页(54)发明名称一种基于稀疏低秩分解和视觉显著性结合的医学图像融合方法(57)摘要本发明涉及一种基于稀疏低秩分解和视觉显著性结合的医学图像融合方法，属于数字图像处理技术领域。本发明设计了一种有效的图像低秩稀疏成分分解模型。其中，分解得到的低秩成分反映了图像的整体轮廓和亮度信息，稀疏成分反映了图像的高频细节信息。本明针对图像不同的成分融合，提出了不同的融合方案。在融合低秩成分时，采用传统的“绝对值”取大的融合策略，以保留源图像更多的亮度信息；而对于稀疏成分，本申请提出一种视觉显著性度量的方法来保留更多的显著性稀疏成分。本发明提出的图像融合的方法无论是从人眼视觉上还是从客观评价指标上，本文方法均优于其它几种融合方法。CN108596866ACN108596866A权利要求书1/3页1.一种基于稀疏低秩分解和视觉显著性结合的医学图像融合方法，其特征在于：所述方法的具体步骤如下：Step1、收集多幅多源图像，以t*t为大小的滑动窗口从多源图像中采集N个图像块作为训练样本的数据，采集到的样本数据记为Y；Step2、通过字典学习模型对采集到的样本数据Y进行训练，得到低秩字典Dl和稀疏字典Ds；Step3、从Step2中得到低秩字典Dl、稀疏字典Ds后，取待融合图像A、B两张，以t*t为大小的滑动窗口从待融合图像A、B中分别采集N个图像块数据，每个图像块数作为一个列向量，再将列向量组成矩阵，图A、图B采集到的数据组成的矩阵分别为XA、XB；然后用鲁棒主成分分析法将XA、XB分解为低秩、稀疏成分；再利用字典Dl、Ds通过低秩稀疏分解模型求解得到待融合图像A和待融合图像B对应的低秩、稀疏成分的编码系数βl、βs；Step4、根据Step3中得到的待融合图像A和待融合图像B对应的低秩成分的编码系数βl，采用编码系数的l1范数值最大的方法，得到融合图像的低秩成分的编码系数再由待融合图像A和待融合图像B对应的稀疏成分的编码系数βs，引入图像对比度，并结合编码系数的l1范数值最大的方法计算得到融合图像的稀疏成分的编码系数Step5、通过Step4计算得到的融合图像的低秩、稀疏成分的编码系数和以及Step2中的得到的低秩、稀疏成分的字典Dl,Ds可得到融合图像的低秩、稀疏成分将两部分相加，可得到融合图像2.根据权利要求1所述的基于稀疏低秩分解和视觉显著性结合的医学图像融合方法，其特征在于：所述步骤Step2中，字典学习模型如下：式中，MMY＝[y1,y2,…,yN]∈R，yi∈R(i＝1,2,…,N)为Y中第i列，为滑动窗口采集的训练样本图像M的数据，R为向量空间，M是向量空间的维数，N是图像块的个数，Yl、Ys分别为用RPCA分解得M×KM×K到的低秩、稀疏成分矩阵，Dl∈R、Ds∈R分别代表M行K列的低秩字典和稀疏字典，M〈〈K，K×NK×Nαl＝[αl,1,αl,2,…,αl,N]∈R，αs＝[αs,1,αs,2,…,αs,N]∈R分别为低秩、稀疏分量对应的编码系数，αl,i表示低秩分量在低秩字典Dl下的第i个原子对应的稀疏编码向量，αs,i表示稀疏分量在稀疏字典Ds下的第i个原子对应的稀疏编码向量，μ1、μ2、λ1、λ2为平衡参数，||·||F表示F范数运算符，||·||*表示核范数运算符，||·||1表示l1范数，表示F范数平方运算符。3.根据权利要求2所述的基于稀疏低秩分解和视觉显著性结合的医学图像融合方法，其特征在于：所述步骤Step3中，低秩稀疏分解模型如下所示：式中，X为滑动窗口采集的待融合图像的数据作为列向量组成的矩阵，X＝[x1,x2,…,MMxN]∈R，xi(i＝1,2,…,N)为X中第i列，R为向量空间，M是向量空间的维数，N是图像块的个2CN108596866A权利要求书2/3页M×KM×K数；Dl∈R、Ds∈R分别为Step2中训练得到M行K列的低秩、稀疏字典，βl＝[βl,1,βl,2,…,K×NK×Nβl,N]，βs＝[βs,1,βs,2,…,βs,N]，βl∈R，βs∈R分别表示待融合图像K行N列低秩、稀疏成分的编码系数，βi,l表示低秩分量在字典Dl下的第i个原子对应的稀疏编码向量，βi,s表示稀疏分量在字典Ds下的第i个原子对应的稀疏编码向量，μ1、μ2、λ1、λ2为平衡参数；