一种基于多小波变换的医学图像融合技术.docx

一种基于多小波变换的医学图像融合技术[摘要]为了提高医学图像融合的可靠性本文在原小波理论的基础上提出了基于多小波变换的融合方法。此方法能够有效地保留原始图像的重要特征有着较好的融合效果。[关键词]医学图像；多小波；融合规则[中图分类号]R318[文献标识码]B[文章编号]1673-7210（2007）07（a）-129-01医学图像融合技术[1]是90年代发展起来的是当前国内外研究的热点。不同成像技术对人体同一解剖结构所得到的形态和功能信息是互为差异、互为补充的对不同影像信息进行适当的集成便成为临床医生诊断和治疗疾病的迫切需要。1资料与方法1.1资料本文所采用的原始图像来源于美国Vanderbilt大学的回顾性图像配准评估（evaluationofretrospectiveimageregistration）项目。这里采用的是一个脑萎缩病人的CT和SPET的影像。文中用于融合实验的图像是通过采用经典的最大归一化互信息方法配准得到的配准结果经Vanderbilt“回顾性图像配准评估”项目小组评估配准误差达到了亚体元精度达到了图像融合的要求。1.2方法图像的融合可以在3个不同层次上进行即像素级的融合、特征级的融合以及决策级的融合。这里采用的是像素级的融合这样就保留了尽可能多的信息。这里采用的是一个脑萎缩病人的CT和SPET的影像。首先将两幅图像先做预处理然后分别做多小波变换（这里采用的是GHM多小波）分解成不同频率段的子图像代表了源图像中的各个特征分量。其次对分解后的子图像分块处理对高频和低频采取不同的融合算子进行运算从而得到一系列新的图像。最后由上一步可以得到一组新的多小波系数。最后做多小波逆变换得到的图像就是融合后的图像。2结果图1和图2分别是原始的图像图3为采用小波变换所得到的融合图像。图4是采用多小波变换也就是本文的方法所得到的融合图像。从主观上看使用本文方法所得到的融合图像器边缘轮廓较为清晰图像的细节更加突出。在客观上本文采用常用的标准差平均梯度互信息的方法来进行比较。标准差表示富集度即标准差越大图像的信息量越多；平均梯度反映图像对细节的反差和纹理变化同时反映了图像的清晰度；互信息是反映两副图像之间的统计依赖性互信息越大说明从两副图像中提取的信息越多融合效果自然就比较好。采用多小波变换所得到的融合图像无论在图像清晰度、信息量以及对原图像信息的提取等方面均优于普通的小波变换（表1）。3讨论近几年来小波理论在图像处理中的应用非常广泛。由于图像本身的特点再加上人眼的视觉特性要求小波基能同时拥有许多好性质例如正交性、对称性、短支集、高消失矩等对单小波来说却是不可能的。为了弥补单小波的不足1994年Goodman等[2]提出多小波的概念可同时具备正交性、对称性、短支集、高消失矩等性质。现在常用的多小波有GHM[3]CL多小波和半正交多小波。多小波的基本思想是将单小波中由单个尺度函数生成的多分辨分析空间扩展为由多个尺度函数生成以此获得更大的自由度[4]。一般认为图像的低频信息代表了图像的轮廓而高频信息则含有细节的信息因此采用小波分解的融合技术无疑丢掉了这部分细节。多小波同时可以满足对称性、短支撑性、高阶消失矩和正交性而且有多通道滤波的优点。从这种意义上来讲在图像融合技术中采用多小波比采用单小波得到的效果更好。[参考文献][1]HellierPBarillotC.Multimodalnon-rigidwarpingforcorrectionofdistortionsinfunctionalMRI.In:proceedingsofthenumber1935inlectuturenotesincomputerscienceofthemedicalimagecomputingandcomputer-assistedinterventionMICCAI2000[M].Pittsburgh:Springer2000.512-521.[2]GoodmanTNTLeeSL.Waveletsinwanderingsubspace[J].TranAmerMathSoc1993338(2):639-654.[3]GeronimoJSHardinDPMassopustPR．Constructionoforthogonalwaveletsusingfractalinterpolationfunctions[J]．SIAMJMathAn