基于NSST的多模态医学图像融合算法研究.docx

基于NSST的多模态医学图像融合算法研究
基于NSST的多模态医学图像融合算法研究
摘要：在医学图像领域，多模态图像融合技术可以有效地提取和融合多种模态医学图像的信息，从而改善图像质量和准确性。本论文提出了一种基于非可逆离散小波时频变换（NSST）的多模态医学图像融合算法。该算法首先对待融合的多个模态图像进行NSST变换，得到各自的时频系数；然后，通过引入权重矩阵和梯度加权平均的方法分别对时频系数进行融合得到融合后的时频系数；最后，通过逆NSST变换得到最终的融合图像。实验结果表明，所提出的算法在图像质量和细节保持能力方面均有较好的表现，可用于医学图像的融合应用。
关键词：多模态图像融合；非可逆离散小波时频变换；权重矩阵；梯度加权平均
1引言
多模态医学图像是指同一对象从不同角度或不同科学原理下获取的医学图像。不同模态医学图像可以提供不同的信息，互补优势，因此多模态图像融合技术在医学诊断中起到重要作用。多模态图像融合可以通过将多个源图像融合为一个更有效的图像来改善图像质量和增强图像的信息丰富度。
2相关工作
近年来，关于多模态图像融合的研究涉及到很多方法，包括小波变换方法、时频变换方法、颜色空间变换方法等。其中，小波变换方法是最常用的多模态图像融合方法之一。小波变换通过对图像进行分解，将图像的低频和高频信息分离出来，从而实现对图像的细节信息和结构信息分离处理。然而，传统的小波变换方法存在着图像模糊和边缘失真等问题，这对医学图像融合中的细节保持和边缘定位非常关键。
3NSST基本原理
非可逆离散小波时频变换（NSST）是小波变换的一种扩展形式，它结合了时域和频域分析的优势，能够更好地捕捉图像的时频特性。NSST首先将图像进行小波变换，然后对小波系数进行赫尔代特轨迹采样，即在频域中选取一部分特定频率的小波系数，进而形成时频分布图，最后通过逆小波变换重构图像。NSST相比于传统的小波变换，具有更高的时频局部化能力和更好的时间频率分辨率。
4算法设计
本文提出的多模态图像融合算法基于NSST，具体步骤如下：
（1）将待融合的模态图像进行非可逆小波时频变换（NSST），得到各自的时频系数。
（2）针对每个模态图像的时频系数，计算梯度矩阵，用于表示图像的边缘信息。
（3）根据模态图像的梯度矩阵，计算权重矩阵。权重矩阵表示了不同模态图像的重要性。
（4）通过引入权重矩阵进行时频系数加权平均，得到融合后的时频系数。
（5）进行逆NSST变换，得到最终的融合图像。
5实验结果与分析
在本研究中，我们使用了包括MRI、CT和PET等不同模态的医学图像进行实验。我们将提出的算法与传统的小波变换方法进行了比较。实验结果表明，所提出的算法在图像质量和细节保持能力方面均优于传统的小波变换方法。该算法能够更好地保持图像的细节信息，并能够自适应地融合不同模态图像的特点，提高图像的准确性和信息丰富度。
6结论
本文提出了一种基于NSST的多模态医学图像融合算法。该算法通过引入权重矩阵和梯度加权平均的方法对时频系数进行融合，从而实现了多模态图像的融合。实验结果表明，所提出的算法在图像质量和细节保持能力方面均有较好的表现。未来的工作可以进一步研究如何将该算法应用于临床医学诊断中，并开展更多模态图像的融合研究。
参考文献：
[1]ZhangJM,YangHY,LiB,etal.Researchonimagefusionofmedicalmulti-modalitybasedonNSST[J].ActaElectronicaSinica,2013,41(6):1047-1052.
[2]JiangX,LiD.TheImageFusionMethodofMedicalMultimodalImagesBasedonMOMENT[J].IeeeAccess,2019,7:179329-179338.
[3]ThakurS,BishtA,SharmaA,etal.MultimodalityofMedicalImageFusionFrameworkEmployingtheIntuitionisticFuzzySets[J].IeeeTransactionsonInstrumentation&Measurement,2018,67(1):95-105.
[4]JinTL,LiYS,XuLN,etal.Multi-modalitymedicalimagesfusionmethodbasedontranslation-invariantNSST[J].ComputerEngineering&Science,2018,40(11):2044-2050