[发明专利]基于二维Littlewood-Paley经验小波变换的脑部图像融合方法

说明书

本发明公开了一种基于二维Littlewood‑Paley经验小波变换的脑部图像融合方法，获取已经配准好的待融合的脑部CT图像和脑部MRI图像，分别对脑部CT图像和脑部MRI图像进行二维Littlewood‑Paley经验小波变换，得到残差分量子图像、固有模态函数子图像和各子图像对应的检测滤波器图像，分别对残差分量子图像、固有模态函数子图像和检测滤波器图像进行融合，根据融合后的残差分量子图像、融合后的固有模态函数子图像和融合后的检测滤波器图像进行二维Littlewood‑Paley经验小波逆变换，得到融合后的脑部图像。采用本发明可以提高脑部CT图像和脑部MRI图像的融合效果。

技术领域

本发明属于脑部图像处理技术领域，更为具体地讲，涉及一种基于二维Littlewood-Paley经验小波变换的脑部图像融合方法。

背景技术

医学成像技术可提供准确的人体组织和结构信息，给临床医学带来了极大的便利。但由于传感器成像机制的不同，不同模态的脑医学图像从不同角度表示了人脑的信息，具有一定互补性，且存在冗余信息。在脑医学图像中，以磁共振成像(Magnetic ResonanceImaging,MRI)和计算机断层扫描(Computed Tomography,CT)在医学诊断和治疗中最流行。MRI图像可以清晰显示含水率较高的组织，CT图像可以清晰显示高密度组织，将两种图像融合可以为医生提供更加可靠而丰富的人体生理与解剖信息。因此，图像融合技术在医疗领域的作用较为显著。

当前主要的医学图像融合方法大致可分为空间域和变换域。空间域融合方法可在图像空间域采用特定方法对多源图像直接进行融合处理，经典的方法有：基于神经网络、独立成分分析法、主成分分析法、模糊集的医学图像融合技术等。空间域融合方法通常通过产生与源图像相对应的决策图或权重图实现医学图像融合，此类方法的优点是简单易行，计算量小；然而，其在融合过程中常常会丢失大量图像细节特征，导致所得融合图像边缘和轮廓等细节特征损失较大。变换域融合方法在医学图像融合中较为流行，例如金字塔变换，离散小波变换、轮廓波变换、剪切波变换和tetrolet变换等。然而，大多数基于变换域的方法都有局限性，如，拉普拉斯金字塔换不能准确地描述图像的轮廓和对比度，离散小波变换、轮廓波变换和剪切波变换模型常常在融合后的图像中造成伪影和吉布斯效应，非下采样轮廓变换(NSCT)和非下采样剪切波变换(NSST)因产生相当数量与原始图像大小相同的子图像导致其融合计算量很大。

在经验模态分解(EMD)被提出后，也像其他传统变换方法一样被引入医学图像融合中，但其图像融合性能常常受到经验分解模型容量的影响。近年来提出了许多有前途的EMD模型，为提高基于EMD的医学图像融合的性能提供了很大的可能性。2013年和2014年，Gilles等人提出了基于EMD思想的提出了经验小波分解方法(empirical wavelettransform，EWT)，并迅速应用于青光眼图像的自动诊断、高光谱图像分类、故障诊断等。但对于不同的源图像，EWT分解所得IMF的个数不相等的，为基于EWT的医学图像融合带来了一定挑战，也是基于EWT的图像融合技术首先要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于二维Littlewood-Paley经验小波变换的脑部图像融合方法，提高脑部CT图像和脑部MRI图像的融合效果。

为实现上述发明目的，本发明基于二维Littlewood-Paley经验小波变换的脑部图像融合方法具体包括以下步骤：

S1：获取已经配准好的待融合的脑部CT图像和脑部MRI图像；