[发明专利]基于统计建模的Contourlet域多模态医学图像融合方法

权利要求书

1.一种基于统计建模的Contourlet域多模态医学图像融合方法，其特征是：首先对待融合的多模态医学图像进行IHS变换，对得到的亮度分量执行Contourlet变换，并对高频子带系数建立上下文隐马尔可夫CHMM统计模型，然后分别采用区域绝对值和取大以及基于CHMM和改进的脉冲耦合神经网络M-PCNN的融合规则确定低、高频子带融合系数，再执行Contourlet逆变换重构新的亮度分量，最后进行IHS逆变换获得最终的彩色融合图像。

2.根据权利要求1所述的基于统计建模的Contourlet域多模态医学图像融合方法，其特征在于包括以下具体步骤：

1)对待融合的两幅多模态医学图像进行IHS变换，得到相应的亮度、色调和饱和度分量；

2)对亮度分量执行Contourlet变换，分解得到不同尺度、不同方向的高、低频子带系数；

3)采用不同的融合规则分别确定融合图像的低频子带系数和高频子带系数；

3.1)对表征图像近似信息的低频子带，采用基于区域绝对值和取大的融合规则进行融合；

3.2)对表征图像细节特征的高频方向子带，采用基于CHMM和M-PCNN的融合规则进行融合；

a)构建高频方向子带系数的CHMM统计模型，利用优化的期望最大化EM算法分初始化和迭代训练两步来估计模型参数，得到每个系数的标准差和概率密度函数，并计算其边缘概率密度函数Edge PDF；

b)采用基于Edge PDF的归一化值作为链接强度，改进的拉普拉斯能量和SML作为外部激励输入的M-PCNN模型设计融合规则，确定各个高频子带融合系数；

4)对步骤3)所得高、低频子带融合系数，执行Contourlet逆变换重新获得新的亮度分量；

5)对新的亮度、色调和饱和度分量进行IHS逆变换获得最终的彩色融合图像。

3.根据权利要求1或2所述的基于统计建模的Contourlet域多模态医学图像融合方法，其特征在于：步骤2)所述对亮度分量执行Contourlet变换，分解得到不同尺度、不同方向的子带系数(j=1,2...，J;k＝1，2，...，m_j；i，l＝1，...，N_j)，其中j表示分解尺度，k表示每尺度分解的方向子带，i,l表示位置索引，J表示最大分解尺度，m_j表示j尺度分解的方向子带最大数目，N_j表示相应子带的系数总个数，A、B分别代表SPECT和MRI图像。