一种基于图像属性和引导滤波的多模医学图像融合方法.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CN110211081A(43)申请公布日2019.09.06(21)申请号201910442219.X(22)申请日2019.05.24(71)申请人南昌航空大学地址330000江西省南昌市丰和南大道696号(72)发明人鄢慧斌李忠民(74)专利代理机构南昌洪达专利事务所36111代理人刘凌峰(51)Int.Cl.G06T5/50(2006.01)G06T7/44(2017.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于图像属性和引导滤波的多模医学图像融合方法(57)摘要本发明公开了一种基于图像属性和引导滤波的多模医学图像融合方法，首先利用移动帧分解框架将源图像分解为纹理成分和近似成分，之后利用设计的一种基于图像属性和引导滤波的融合规则对近似成分进行融合，采用绝对值最大规则对纹理成分进行融合，最后重建原始图像。本发明优点：该方法能保留更多的图像边缘和纹理信息，同时融合图像具有较高的对比度，并且更符合人的视觉，由于该方法不仅能获得较好的融合效果，同时计算效率较高，其在多模医学图像融合系统中具有潜在的应用价值。CN110211081ACN110211081A权利要求书1/1页1.一种基于图像属性和引导滤波的多模医学图像融合方法，其特征在于，方法步骤如下：一、移动帧分解框图(MFDF)分解：利用MFDF将源图像{A,B}分解为它们各自的纹理成分{AT,BT}和各自的近似成分{AA,BA}；二、纹理成分融合:利用绝对值最大规则对源图像的纹理成分{AT,BT}进行融合得到融合纹理成分FT，此外为了尽可能的使相邻像素的信息来自同一图像，我们对纹理成分FT进行一致性检测；三、近似成分融合：1、首先利用高斯滤波和拉普拉斯滤波得到近似成分{AA,BA}的初始权值图{PA,PB}；2、然后我们利用阈值分割方法和引导滤波方法细化初始权值图{PA,PB}得到最终权值图{TA,TB}；3、最后的融合近似成分FA为近似成分{AA,BA}与最终权值图{TA,TB}的加权求和；四、图像重建：融合纹理成分FT与融合近似成分FA对应位置像素的平方和的算术平方根即融合图像F对应位置的像素值。2CN110211081A说明书1/4页一种基于图像属性和引导滤波的多模医学图像融合方法技术领域[0001]本发明涉及图像融合技术领域，特别是涉及一种基于图像属性和引导滤波的多模医学图像融合方法。背景技术[0002]众所周知，医学影像学在诊断、治疗规划、手术导航等临床应用中发挥着越来越重要的作用，由于成像机制的多样性，不同模式的多模态医学图像聚焦于不同的器官、组织信息。计算机断层成像(CT)可以精确地检测致密结构，磁共振成像(MR)可以提供软组织的高分辨率解剖信息。正电子发射断层扫描(PET)和单光子发射(SPECT)可以反映机体的代谢信息。为了获得足够的信息进行准确诊断，多模医学图像融合技术是一种有效的方法。其目的是将多张不同模态的医学图像中的互补信息进行融合，生成一幅合成图像。[0003]一般情况下，图像融合由低到高分为三个层次：像素级融合、特征级融合、决策级融合，本专利研究的是像素级图像融合。[0004]当前的多模医学图像融合方法主要可以分为两大类：变换域融合算法和空间域融合算法。变换域融合算法主要步骤如下：首先将图像变换到特定的图像表示域，然后利用融合规则对图像表示系数进行融合，最后利用逆变换得到融合图像。变换域融合方法在图像融合领域通常能获得较好的效果。变换及融合规则的选择是这类方法的两大基本问题。此外这类方法中存在分解层数难易确定问题，并且由于有变换和反变换的过程其通常需要花费较多的时间。空间域融合方法不同于变换域融合方法。空间域融合方法在空间域上对源图像进行融合，通常这类方法的计算复杂度较低，本专利针对变换域融合算法发的上述问题在空间域融合算法中提出解决方案。发明内容[0005]为了解决上述技术问题，本发明提供了一种基于图像属性和引导滤波的多模医学图像融合方法。[0006]本发明采用如下技术方案：一种基于图像属性和引导滤波的多模医学图像融合方法，方法步骤如下：[0007]一、移动帧分解框图(MFDF)分解：[0008]利用MFDF将源图像{A,B}分解为它们各自的纹理成分{AT,BT}和各自的近似成分{AA,BA}；[0009]二、纹理成分融合:[0010]利用绝对值最大规则对源图像的纹理成分{AT,BT}进行融合得到融合纹理成分FT，此外为了尽可能的使相邻像素的信息来自同一图像，我们对纹理成分FT进行一致性检测；[0011]三、近似成分融合：[0012]1、首先利用高斯滤波和拉普拉斯滤波得到近似成分{AA,BA}的初始权值图{PA,PB}；3CN110211081A说明书