[发明专利]基于脉冲发送皮层模型的医学图像融合方法

说明书

技术领域

本发明属于图像融合领域，具体涉及一种基于脉冲发送皮层模型的医学图像融合方法。

背景技术

图像是医学检测的一种重要手段，由于每种图像探测器都有其局限性，不能最大限度的获取信息，因此医学图像融合就在医学领域占有格外重要的地位，医学图像融合技术使得多模成像成为可能。图像融合的好坏直接影响图像信息的最大提取，从而影响医生通过医学图像对病情的诊断。医学图像融合技术可以充分利用多传感器的资源，将它们在时间和空间上的互补或冗余按照某种算法进行综合，以获得被测对象的一致性描述，而这种描述比单个传感器包含了更多的信息。因此，研究一种新的有效的图像融合算法是非常有意义的。

近年来对图像融合的研究很多，比较成熟的技术主要有拉普拉斯金字塔法，小波变换方法，基于脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)方法等融合技术。其中，PCNN较传统人工神经网络模型更接近实际的生物视觉神经网络，具有无需进行样本学习的优势，因此在图像融合中得到了广泛应用。中国专利申请号200610028153.2提出了一种基于Contourlet变换和改进型脉冲耦合神经网络的图像融合方法，该方法将Contourlet变换与PCNN相结合用于图像融合，并取得了一定的效果。但是，PCNN存在运算复杂，涉及参数多等不足。绽琨等人提出了脉冲发放皮层模型(spiking cortical model，SCM)，其输出序列脉冲富含外部激励的特征信息，将序列脉冲转化成一维特征序列，可较好标识外部激励，因此该模型在纹理图像检索、图像分割、边缘提取和图像增强等领域具有重要应用价值。然而，目前尚无将SCM用于图像融合的文献报道。

发明内容

本发明提供了一种基于脉冲发送皮层模型的医学图像融合方法，更大限度的提取了源图像的信息，使得到的融合图像包含了源图像更多的信息，并减小了复杂度。

基于脉冲发送皮层模型的医学图像融合方法，具体为：

步骤1对两幅待融合图像A⁰和B⁰进行归一化处理得到图像A和B；

步骤2分别按照如下相同方式获取两图像A和B的点火映射图A′和B′：

步骤21初始化迭代次数n＝1，阈值E_ij(1)为零矩阵，内部活动U_ij(1)为零矩阵；

步骤22 计算待融合图像的点火映射图Y_ij(n)为第n次迭代中像素点(i，j)的输出脉冲，S_ij为外部对像素点(i，j)的神经元的刺激即像素点(i，j)的灰度值，U_ij(n)为第n次迭代中像素点(i，j)的神经元的内部活动，W_ijkl为像素点(i，j)的神经元与像素点(k，l)间的神经元间连接的突触权重，(k，l)≠(i，j)，f为神经元内部活动的衰减系数；

步骤23若n小于预定迭代次数阈值，则n＝n+1，E_ij(n)＝gE_ij(n-1)+hY_ij(n-1)，h为阈值放大系数，g为阈值衰减系数，返回步骤22，否则，进入步骤3；

步骤3利用点火映射图进行像素级的融合：

步骤31 在两点火映射图A′和B′中，分别逐像素点提取以该像素点为中心的子块和

步骤32 令z＝1；

步骤33 计算由子块和融合得到的像素点(i，j)的像素值R(i，j)：

其中，I_A′(i，j)为子块的中心像素点(i，j)对应的图像A中的像素点的像素值，I_B′(i，j)为子块的中心像素点(i，j)对应的图像B中的像素点的像素值，和分别为子块和的像素值总和，TO为子块和的欧式距离，th为判决算子阈值；

步骤34 若z小于子块总数，则z＝z+1，返回步骤33，否则，结束。

进一步地，所述子块为3×3像素矩阵。

本发明的技术效果体现在：

本发明中通过脉冲发放皮层模型得到点火映射图，较大限度的提取源图像的特征信息，然后对获得的两幅点火映射图中每一待考虑像素，计算以两像素为中心的两图像块的欧氏距离及每一图像块的像素值的总和；最后利用基于上述参数的判决算子，对两待融合图像进行选择或加权运算，从而实现图像的有效融合。由于该方法主要基于脉冲发放皮层模型，更大限度的提取了源图像的信息，从而使得到的融合图像包含了源图像更多的信息。