基于卷积稀疏表示的多模态图像融合方法.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CN109559292A(43)申请公布日2019.04.02(21)申请号201811400769.7(22)申请日2018.11.22(71)申请人西北工业大学地址710072陕西省西安市友谊西路127号申请人西安爱生技术集团公司(72)发明人王健杨珂秦春霞任萍张修飞(74)专利代理机构西北工业大学专利中心61204代理人刘新琼(51)Int.Cl.G06T5/50(2006.01)权利要求书3页说明书9页附图4页(54)发明名称基于卷积稀疏表示的多模态图像融合方法(57)摘要本发明涉及一种基于卷积稀疏表示的多模态图像融合方法，首先，利用稀疏优化函数将源图像进行两尺度分解得到高频分量和低频分量；然后，将两尺度分解得到的高频和低频分量，根据多模态图像特点采用不同的融合策略，高频分量利用卷积稀疏表示对稀疏系数取最小值的融合策略，低频分量利用取平均的融合策略得到融合后图像的低频分量；最后将得到的融合后图像的高频分量和低频分量相加得到融合图像。相对其他三种融合方法，不论在主观视觉和客观评价指标上还是在计算效率上，本发明方法可以更好保留源图像的细节等纹理信息。CN109559292ACN109559292A权利要求书1/3页1.一种基于卷积稀疏表示的多模态图像融合方法，其特征在于步骤如下：步骤1：多模态图像稀疏优化函数两尺度图像分解首先将源图像In利用稀疏优化函数分解为一个低频分量和一个高频分量低频分量表示图像光谱信息，高频分量表示图像细节信息；低频部分利用优化数学表达式求解：式中：表示源图像低频分量傅立叶变化，*表示卷积，η表示正则化参数，设置η为5，GX和GY分别表示沿图像行和列的梯度滤波器；通过求解可得：这样，通过求解逆傅立叶变化可以分别得到稀疏优化两尺度分解的低频分量和高频分量步骤2：对于图像的高频部分其稀疏系数为cn,m，m∈{1,2,...,M}，cn,m通过求解如下卷积稀疏表示获得：式中：Dm，Gl表示线性算子，表示一组M个字典滤波器集，{cn,m}是一组稀疏系数集，{αm}和{βm}分别表示一组l1和l2范数的系数权重，是输入源图像的细节层，λ和μ是正则化参数；式中矩阵那么式(3)的傅里叶变换表达式如下：式中：D＝(D0D1…)，β0和β1表示l2范数的系数权重，α0和α1表示l1范数的系数2CN109559292A权利要求书2/3页权重，分别为块矩阵；引入一个辅助变量y0，y1，y2，将式(4)变换为：利用对偶变量，引入拉格朗日乘子u0，u1和u2则通过迭代将式(5)的约束优化问题变为非约束优化问题形式：(j+1)(j)(j+1)(j+1)u0＝u0+C-y0(8)(j+1)(j)(j+1)(j+1)u1＝u1+C-y1(9)(j+1)(j)(j+1)(j+1)u2＝u2+C-y2(10)式(7)通过下式给出：Sγ(u)＝sign(u)⊙max(0,|u|-γ)(12)由于式(6)的计算效率低下，在DFT域中用D和分别表示Dm、Cm、Γ0、Γ1、y0、y1、y2、u0、u1、u2和I；在DFT域中通过卷积定理，式(6)可变换为：式中：通过对式(13)进行二次优化的求解，对求偏导数并令其为0，可解得：3CN109559292A权利要求书3/3页式中：矩阵为由M个N×N对角矩阵组成，M为滤波器的维数，N为源图像的维数，为一个MN×MN维的对称矩阵，和分别为对角矩阵；考虑到计算效率以及和ρI分别为对角矩阵，利用谢尔曼-莫里森公式对于式(14)求解，则式(14)利用谢尔曼-莫里森公式可求得：然后对进行逆傅里叶变换，求得cn,m；假如cn,1:M(x,y)表示cn,m在空间域中位置(x,y)处的内容，cn,1:M(x,y)是一个M维向量；根据基于稀疏表示的融合方法，利用cn,1:M(x,y)的l1范数作为源图像的活动水平度量；则活动水平图An(x,y)通过如下表达式获得：An(x,y)＝||cn,1:M(x,y)||1(16)对An(x,y)利用基于窗口的平均策略以获得最终的活动水平图，可得：式中：r决定窗口的大小，融合后的系数图为：最后，融合图像的高频分量通过如下得到：步骤3：多模态图像低频分量通过如下得到：步骤4：将得到的融合后的高频分量和低频分量进行重构得到融合后的图像，则4CN109559292A说明书1/9页基于卷积稀疏表示的多模态图像融合方法技术领域[0001]本发明涉及一种基于卷积稀疏表示的多模态图像融合方法，可以应用于各种民用的医学图像处理系统。背景技术[0002]随着计算机技术的高速发展和信息时代的到来，多样化的医学成像设备层出不穷，其应用贯穿于整个临床工作，为医学诊断和治疗提供多种模态医学图像，从解剖上和功能上多样化地描述人体形态信