專利名稱：基于平移不變剪切波變換的多模態醫學圖像融合方法
技術領域：
本發明涉及一種圖像融合方法，尤其是一種基于平移不變剪切波變換的多模態醫學圖像融合方法，屬于醫學圖像處理及應用技術領域。
背景技術：
多模態醫學圖像融合在臨床診斷中扮演著重要的角色，它廣泛應用于圖像引導手術、圖像引導放射治療、非侵入性診斷以及治療的計劃的制定中。例如，在非侵入性診斷及治療計劃中，醫生常常需要利用不同模態的醫學圖像來看清病人體內的病變結構和細節信息來準確地確定腫瘤的相對位置以及觀察病變腫瘤對放射性射線的病理反應。因此，多模態醫學圖像融合技術是現代醫學可視化技術的關鍵環節，廣泛應用于現代醫學臨床診斷中。目前，多模態醫學圖像融合方法大致可分為三種策略替換方法、算術方法、多尺度分解法。替換方法，如彩色空間變換法，可能導致圖像光譜的畸變；算術方法，如貝葉斯估計法，易導致圖像對比度降低而丟失重要的細節信息。通常，圖像中的輪廓、邊緣等特征出現在不同大小的尺度上，人類的視覺系統研究表明物理圖像經過視網膜處理變成神經圖像是在不同的頻率通道處理的，圖像特征能在不同的尺度和頻率上引起人類視覺系統的敏感。因此相比于上述兩種方法，基于多尺度分解的多模態醫學圖像融合方法更符合人類視覺系統的工作原理。基于多尺度分解的多模態醫學圖像融合方法的核心問題之一是多尺度分解工具的選擇。在現有的發明中，如中國專利號為20081023245. 3公開的基于多尺度幾何分析的SAR圖像融合方法、中國專利號為200910230339公開的醫學超聲的基波和諧波圖像融合方法、中國專利號為201010300277公開的基于圖像相似度的圖像融合方法等，它們或選取小波(wavelet)或曲線波(curvelet)或輪廓波(contourlet)作為多尺度變換分解工具,但是它們都有其自身的缺點。例如，二維離散的小波變換只能將圖像分解為水平、垂直、對角三個高頻子帶，這使其只能捕獲有限的方向信息，這表明基于小波變換的融合方法由于小波不能很好的表示圖像中的線、邊緣、輪廓等高維信息而會導致偽影現象。剪切波是為了克服傳統小波的缺點而提出的一種新穎的多尺度幾何分析工具，相比在上文提到的在圖像融合中常用的其他多尺度分解工具，如曲線波(Curvelet)，輪廓波變換(Contourlet)等，剪切波變換具有其獨特的優勢從近似理論的觀點來看，剪切波形成一個具有的小波形式的多尺度多方向的緊支集結構，它是圖像信號(如邊緣)的真正的二維稀疏表示，目前只有曲線波具有類似的性質。然而，曲線波的實現過程過于復雜，并且不在圖像的多分辨分析框架內實現，不利于快速算法的實現。相比輪廓波，雖然剪切波具有相似的實現過程，但是剪切波在剪切過程中沒有方向數目和支撐基尺寸大小的限制。此外，剪切波逆變換只需對正向變換中的剪切濾波器進行加和處理，而不需要像輪廓波對方向濾波器逆合成，這說明剪切波的實現過程具有更高的計算效率。目前，剪切波變換已經被應用于圖像融合中，如文獻《Anovel algorithm of image fusion using shearlets》(OpticsCommunications, 2010，284(6) : 1540 - 1547.)。然而，在上述文獻中，剪切波變換的離散化過程采用了下采樣策略實現，由于其不具備平移不變的性質而在圖像中的奇異處易產生偽吉布斯現象。平移不變性對于圖像奇異處的特征信息的提取至關重要，它嚴重影響融合后圖像的質量。基于多尺度分解的多模態醫學圖像融合方法的另一個核心問題是低頻系數和高頻系數的融合規則的選取。目前，在融合中最常用的融合規則是對低頻系數取平均值，高頻系數采用對應系數絕對值最大策略或者是基于區域能量最大策略。多模態醫學圖像融合的目的是盡可能的獲取形態圖像(如CT、MRI)的解剖細節信息和功能圖像(如PET、SPECT)的新陳代謝的功能信息。此外，醫學圖像中的特征信息比并不只是圖像像素的簡單疊加，圖像中的特征變化具有實際的診斷意義。對待融合圖像進行多尺度分解后，低頻系數表示圖像的近似逼近，如果在醫學圖像的融合中仍舊對低頻系數取均值就會增加原來不存在的形態信息和丟失一些已經存在的功能信息。因此在本文中采用基于區域系數絕對值和權重的低頻系數融合策略。高頻系數代表圖像的細節信息，此外，基于人工神經網絡的融合策略越來越受到學者們的重視，如中國專利號為20061002815. 3公開的發明專利基于Contourlet變換和改進型脈沖耦合神經網絡的圖像融合方法，它利用了脈沖耦合神經網絡作為融合規貝U。但是這些應用中神經網絡包含許多參數，并且需要專家依靠經驗去設置，這限制了它們的使用范圍。然而，傳統的融合策略，包括基于對應系數絕對值最大策略或者基于區域能量最大策略的融合規則，它們的共同特點是所有的運算都是在每一個高頻子帶單獨進行的。實際研究表明，不同尺度的高頻子帶間存在很強的相關性。因此，傳統的融合規則沒有充分考慮這種相關性而造成了不同模態圖像的高頻子帶相關性的丟失。
發明內容
本發明的目的是為了解決上述現有技術的缺陷，提供一種可在普通硬件條件下實現的基于平移不變剪切波變換的多模態醫學圖像融合方法。本發明的目的可以通過采取如下技術方案達到基于平移不變剪切波變換的多模態醫學圖像融合方法，其特征在于包括以下步驟I)準備待融合的兩幅多模態醫學圖像，利用平移不變剪切波變換分別將兩幅圖像都分解為低頻近似圖像和高頻細節圖像，再將高頻細節圖像分解為不同的方向子帶；2)分別融合兩幅圖像的低頻近似圖像和高頻細節圖像分解的各個方向子帶2.1)對低頻近似圖像，采用基于區域系數絕對值和權重的融合策略進行融合；2. 2)對高頻細節圖像各個方向子帶，采用基于子帶標準差和概率密度函數權重的融合規則進行融合a)構建高頻子帶系數的隱馬爾科夫樹HMT模型，利用HMT模型訓練各子帶系數，得到每個子帶的標準差和概率密度函數；b)采用基于子帶標準差和概率密度函數權重的融合規則確定融合圖像的各個高頻子帶系數。3)對步驟2)融合后的低頻近似圖像和高頻細節圖像分解的各個方向子帶，利用逆平移剪切波變換得到融合圖像。
作為一種優選方案，所述待融合的兩幅多模態醫學圖像若為彩色圖像，在步驟I)對圖像分解之前，先進行IHS變換,獲得圖像的Intensity分量,再對Intensity分量利用平移不變剪切波變換進行分解；在步驟3)中利用逆平移剪切波變換先得到Intensity分量，再進行逆IHS變換得到融合的彩色圖像。作為一種優選方案，所述步驟I)所述利用平移不變剪切波變換分解圖像，具體如下1.1)利用非下采樣金字塔策略將其中一幅多模態醫學圖像分解成為低頻近似圖像f"_+1和高頻細節圖像g#1，其中j表示圖像分解的尺度，j ^ I ；1. 2)針對高頻細節圖像g#1，構建Meyer窗口進行多尺度剖分a)在偽極化網格生成剪切濾波器窗口 W ；b)將W從偽極化網格系統映射回到笛卡爾坐標系統，生成新的剪切濾波器Wnrat ；c)計算細節圖像的傅里葉變換，產生矩陣Fgj+1 ；d)將Wnew作用到Fg'獲得方向子帶；1. 3)對各個方向子帶作用逆傅里葉變換得到平移不變剪切波系數；1. 4)對另一幅多模態醫學圖像采用上述步驟進行分解。作為一種優選方案，步驟2.1)所述基于區域系數絕對值和權重的融合規則如下a)計算低頻系數在3X3鄰域的絕對值的和
權利要求
1.基于平移不變剪切波變換的多模態醫學圖像融合方法，其特征在于包括以下步驟 1)準備待融合的兩幅多模態醫學圖像，利用平移不變剪切波變換分別將兩幅圖像都分解為低頻近似圖像和高頻細節圖像，再將高頻細節圖像分解為不同的方向子帶； 2)分別融合兩幅圖像的低頻近似圖像和高頻細節圖像分解的各個方向子帶 2.1)對低頻近似圖像，采用基于區域系數絕對值和權重的融合策略進行融合； 2.2)對高頻細節圖像各個方向子帶，采用基于子帶標準差和概率密度函數權重的融合規則進行融合 a)構建高頻子帶系數的隱馬爾科夫樹HMT模型，利用HMT模型訓練各子帶系數，得到每個子帶的標準差和概率密度函數； b)采用基于子帶標準差和概率密度函數權重的融合規則確定融合圖像的各個高頻子帶系數； 3)對步驟2)融合后的低頻近似圖像和高頻細節圖像分解的各個方向子帶，利用逆平移剪切波變換得到融合圖像。
2.根據權利要求1所述的基于平移不變剪切波變換的多模態醫學圖像融合方法，其特征在于所述待融合的兩幅多模態醫學圖像若為彩色圖像，在步驟I)對圖像分解之前，先進行IHS變換，獲得圖像的Intensity分量，再對Intensity分量利用平移不變剪切波變換進行分解；在步驟3)中利用逆平移剪切波變換先得到Intensity分量，再進行逆IHS變換得到融合的彩色圖像。
3.根據權利要求1或2所述的基于平移不變剪切波變換的多模態醫學圖像融合方法，其特征在于所述步驟I)所述利用平移不變剪切波變換分解圖像，具體如下 1.1)利用非下采樣金字塔策略將其中一幅多模態醫學圖像分解成為低頻近似圖像fJ+1和高頻細節圖像g#1，其中j表示圖像分解的尺度，j ^ I;1. 2)針對高頻細節圖像g#1，構建Meyer窗口進行多尺度剖分 a)在偽極化網格生成剪切濾波器窗口W ； b)將W從偽極化網格系統映射回到笛卡爾坐標系統，生成新的剪切濾波器WnOT； c)計算細節圖像的傅里葉變換，產生矩陣Fgj+1； d)將Wnew作用到FgW，獲得方向子帶；1. 3)對各個方向子帶作用逆傅里葉變換得到平移不變剪切波系數；1.4)對另一幅多模態醫學圖像采用上述步驟進行分解。
4.根據權利要求1或2所述的基于平移不變剪切波變換的多模態醫學圖像融合方法，其特征在于步驟2.1)所述基于區域系數絕對值和權重的融合規則如下 a)計算低頻系數在3X3鄰域的絕對值的和
5.根據權利要求1或2所述的基于平移不變剪切波變換的多模態醫學圖像融合方法，其特征在于所述步驟2. 2)中的步驟a)具體如下 首先，定義各尺度系數間的關系對每一個系數X，定義與其相鄰的8個子帶系數稱為X的鄰域系數NX ;定義與X在上一粗糙尺度相同空間位置的系數稱為X的父系數PX ;定義與X在下一加細尺度相同空間位置的系數為X的子系數CX;每個父系數有4子系數，不同尺度的子帶形成四叉樹結構； 然后，利用兩狀態的高斯混合模型對各個高頻子帶系數建模令aklmn表示父系數η處于狀態I的時候子系數m處于狀態k的概率，其中狀態l，k=l，2 ;不同尺度系數間通過狀態轉移矩陣Amn進行關聯
6.根據權利要求1或2所述的基于平移不變剪切波變換的多模態醫學圖像融合方法，其特征在于所述步驟2. 2)中的步驟b)具體如下 首先，歸一化高頻子帶系數c/Aa，j)
全文摘要
本發明公開了一種基于平移不變剪切波變換的多模態醫學圖像融合方法，包括以下步驟1)準備待融合的兩幅多模態醫學圖像，利用平移不變剪切波變換分別將兩幅圖像都分解為低頻近似圖像和高頻細節圖像，再將高頻細節圖像分解為不同的方向子帶；2)分別融合兩幅圖像的低頻近似圖像和高頻細節圖像分解的各個方向子帶；3)對步驟2)融合后的低頻近似圖像和高頻細節圖像分解的各個方向子帶，利用逆平移剪切波變換得到融合圖像。本發明采用了平移不變剪切波變換的圖像融合方法，能方便、經濟、高效率地實現多模態醫學圖像數據的融合，并能充分顯示并捕捉到不同模態圖像的內部隱含的細節部位的形態信息和功能信息，從而滿足醫學運用的精確性要求。
文檔編號G06T5/50GK103049895SQ201210548940
公開日2013年4月17日 申請日期2012年12月17日 優先權日2012年12月17日
發明者李彬, 王雷, 田聯房 申請人:華南理工大學