專利名稱：基于脈沖發送皮層模型的醫學圖像融合方法
技術領域：
本發明屬于圖像融合領域，具體涉及一種基于脈沖發送皮層模型的醫學圖像融合方法。
背景技術：
圖像是醫學檢測的一種重要手段，由于每種圖像探測器都有其局限性，不能最大限度的獲取信息，因此醫學圖像融合就在醫學領域占有格外重要的地位，醫學圖像融合技術使得多模成像成為可能。圖像融合的好壞直接影響圖像信息的最大提取，從而影響醫生通過醫學圖像對病情的診斷。醫學圖像融合技術可以充分利用多傳感器的資源，將它們在時間和空間上的互補或冗余按照某種算法進行綜合，以獲得被測對象的一致性描述，而這種描述比單個傳感器包含了更多的信息。因此，研究一種新的有效的圖像融合算法是非常有意義的。 近年來對圖像融合的研究很多，比較成熟的技術主要有拉普拉斯金字塔法，小波變換方法，基于脈沖稱合神經網絡(Pulse Coupled Neural Network, PCNN)方法等融合技術。其中，PCNN較傳統人工神經網絡模型更接近實際的生物視覺神經網絡，具有無需進行樣本學習的優勢，因此在圖像融合中得到了廣泛應用。中國專利申請號200610028153. 2提出了一種基于Contourlet變換和改進型脈沖耦合神經網絡的圖像融合方法，該方法將Contourlet變換與PCNN相結合用于圖像融合，并取得了一定的效果。但是，PCNN存在運算復雜，涉及參數多等不足。綻瑕等人提出了脈沖發放皮層模型(spiking cortical model,SCM)，其輸出序列脈沖富含外部激勵的特征信息，將序列脈沖轉化成一維特征序列，可較好標識外部激勵，因此該模型在紋理圖像檢索、圖像分割、邊緣提取和圖像增強等領域具有重要應用價值。然而，目前尚無將SCM用于圖像融合的文獻報道。
發明內容
本發明提供了一種基于脈沖發送皮層模型的醫學圖像融合方法，更大限度的提取了源圖像的信息，使得到的融合圖像包含了源圖像更多的信息，并減小了復雜度。基于脈沖發送皮層模型的醫學圖像融合方法，具體為步驟I對兩幅待融合圖像A°和B°進行歸一化處理得到圖像A和B ;步驟2分別按照如下相同方式獲取兩圖像A和B的點火映射圖V和K 步驟21初始化迭代次數η = 1，閾值Eij⑴為零矩陣，內部活動Uij⑴為零矩陣；步驟22計算待融合圖像的點火映射圖= 隨
U,,M = - ) + Wmγ (η)為第η次迭代中像素點(i, j)的輸出脈
,J
沖，Sij為外部對像素點(i，j)的神經元的刺激即像素點(i，j)的灰度值，Uij(Ii)為第η次迭代中像素點U，j)的神經元的內部活動，Wijkl為像素點(i, j)的神經元與像素點(k, I)間的神經元間連接的突觸權重，(k, I) (i, j), f為神經元內部活動的衰減系數；
步驟23 若 η 小于預定迭代次數閾值,則 n = n+1, Eij (η) = gEu (η-1) +IiYij (η-1),h為閾值放大系數，g為閾值衰減系數，返回步驟22，否則，進入步驟3 ；步驟3利用點火映射圖進行像素級的融合步驟31在兩點火映射圖A'和B'中，分別逐像素點提取以該像素點為中心的子塊參％ ;步驟32 令 z = I ;步驟33計算由子塊R和巧融合得到的像素點(i，j)的像素值R(i，j)
權利要求
1.基于脈沖發送皮層模型的醫學圖像融合方法，具體為 步驟I對兩幅待融合圖像A°和B°進行歸一化處理得到圖像A和B ; 步驟2分別按照如下相同方式獲取兩圖像A和B的點火映射圖A'和B' 步驟21初始化迭代次數η = 1，閾值Eu (I)為零矩陣，內部活動^1)為零矩陣； 步驟22計算待融合圖像的點火映射圖
2.根據權利要求I所述的基于脈沖發送皮層模型的醫學圖像融合方法，其特征在于，所述子塊為3X3像素矩陣。
全文摘要
本發明公開了一種基于脈沖發放皮層模型的醫學圖像融合方法，具體為首先對圖像作歸一化處理，然后將圖像送入脈沖發放皮層模模型得到每幅待融合圖像的點火映射圖，對兩幅點火映射圖中每一待考慮像素，計算以兩對應像素為中心的兩圖像塊的歐氏距離及每一圖像塊的像素值的總和；最后利用基于上述參數的判決算子，對兩待融合圖像進行選擇或加權運算，從而實現圖像的有效融合。本發明將脈沖發放皮層模型用于醫學圖像融合，同時在融合中使用了圖像塊的思路，能更好地反映源圖像的真實信息，彌補了現有脈沖耦合神經網絡用于圖像融合計算復雜的不足。
文檔編號G06T7/00GK102867296SQ20121029608
公開日2013年1月9日 申請日期2012年8月20日 優先權日2012年8月20日
發明者張旭明, 吳意, 王瑞, 李柳, 丁明躍, 熊有倫, 尹周平, 王瑜輝 申請人:華中科技大學