[发明专利]基于自适应云模型的多模态脑部图像融合方法

说明书

本发明请求保护一种基于自适应云模型的多模态脑部图像融合方法，属于医学图像处理领域。本发明借助云模型理论将来自不同模态的MRI(核磁共振成像)脑部图像、MRI与PET(正电子发射断层成像)、MRI与SPECT(单光子发射断层成像)脑部图像进行融合。首先，根据脑部图像自身的灰度直方图特征，对灰度直方图进行拟合；然后，由拟合曲线的谷值点划分区间并通过逆向云发生器自适应地生成云模型；最后，设计云推理规则，得到融合后的图像。实验结果表明，相比传统融合方法，本方法融合后的图像脑部特征更清晰，激活区域更明显，在主观融合效果与客观评价指标方面均有很大的提高。

技术领域

本发明属于医学图像处理领域，具体涉及一种新的脑部图像融合方法。

背景技术

图像处理是指对现有图像进行预处理、配准、融合、分割等相关操作，以获取对同一场景或同一目标更为精准，更为可靠的图像描述。

本发明以脑部图像为研究目标，提出一种新的融合方法，使得融合后的脑部图像更符合人或机器的视觉特性，以利于对图像的进一步分析，便于临床医学的应用。几十年来，图像融合方法层出不穷，大致可分为一些三类：

1、基于空间域的融合方法；

2、基于变换域的融合方法；

3、基于智能域的融合方法。

基于空间域的融合方法(灰度值加权平均法、亮度-色度-饱和度变换法(IHS)、主成分分析法(PCA)等)是直接在图像的像素灰度空间上进行灰度值处理，它的优点是简单易行，但是融合精度往往不高；基于变换域的融合方法(离散小波变换法(DWT)、金字塔变换法、轮廓波融合方法、支持向量机融合方法等)是对源图像首先进行空间频域变换，然后对变换得到的系数根据一定规则结合，得到融合系数，最后进行逆变换得到输出图像。近年来，伴随着人工智能的飞速发展，将模糊推理、神经网络、云模型等智能方法引入到医学图像融合中已然呈现出势不可挡的趋势。

云模型是李德毅院士于1995年在模糊数学理论和概率论与数理统计的基础上提出一种可以同时兼顾随机性和模糊性的数学模型，可达成概念定性值与数字定量值之间同时兼顾模糊性与随机性的完美转换。本发明提出的融合方法根据输入图像的灰度直方图特征，自适应地生成云模型。由图像本身特点决定生成云模型的形状和个数，很好地体现了融合的方法的自适应性和智能性。

发明内容

针对现有技术的不足，本发明的目的是为了提供一种在图像显著性、对比度和边缘信息转换等方面均取得了更好的融合效果的基于自适应云模型的多模态脑部图像融合方法。。本发明的技术方案如下：一种基于自适应云模型的多模态脑部图像融合方法，其包括生成图像云模型过程和云推理规则设计过程，其中图像云模型生成过程包括以下步骤：101、输入脑部图像，并对脑部图像的灰度直方图进行拟合的步骤；102、根据拟合得出的曲线谷值点划分区间，并在区间内，由逆向云发生器得到三个特征值，再由特征值生成云模型的步骤；另外云推理规则设计过程包括步骤：103、将图像的灰度值数据对映射到步骤102云模型的步骤；104、从云模型映射出灰度值，由灰度值构成融合后的输出图像。

进一步的，所述步骤102在区间内生成云模型，其中云模型的三个特征值采用逆向云发生器算法；由特征值生成云模型采用正向云发生器算法；步骤103云推理规则设计过程中的灰度值数据对映射到云模型采用X条件云发生器，而从云模型映射出灰度值采用Y条件云发生器来实现。

进一步的，当两幅图像A、B进行融合时，步骤101包括步骤：将两幅待融合图像A、B的灰度直方图进行拟合，得到各自拟合曲线；

对两条拟合曲线求导，得到曲线极值点，再从中筛选出谷值点。

进一步的，步骤102包括：

在灰度值0～256之间，相邻两个谷值点构成一个区间，在每个区间内，运用逆向云算法和正向云算法得到一个云，进而得到每幅图像对应的云模型。