[发明专利]一种基于字典学习和低秩表示的医学图像融合方法

权利要求书

1.一种基于字典学习和低秩表示的医学图像融合方法，其特征在于，该方法主要包括：

步骤1，对已经配准的两幅源图像[I₁,I₂]使用滑动窗口技术分割成图像块，计算分割后的图像块的方向梯度直方图(HOG)，并根据HOG特征对图像块进行分类，假设I₁和I₂的尺寸为M×N；

步骤2，将分类后的图像进行稀疏表示，使用多次迭代奇异值分解方法(K-SVD)训练多个字典；

步骤3，将获得的多个字典合成一个字典，使用低秩表示(LRR)方法表示源图像，获得低秩表示的系数；

步骤4，通过1范数最大原则进行低秩系数的选择，并按照活动量级基于邻域的改进拉普拉斯算子的加权和WSEML计算权重进行融合，获得初步的融合图像；

步骤5，对获得的初步融合图像进行图像补偿，获得最终的融合图像。

2.根据权利要求1所述的一种基于字典学习和低秩表示的医学图像融合方法，其特征在于，所述步骤1具体包括：

(1)对已经配准的两幅源图像[I₁,I₂]使用滑动窗口技术进行图像分割，假设I₁和I₂的尺寸为M×N，窗口尺寸为n×n，步长为s，所以将分割成个小块P_i(j＝1,2,···,Q)；

(2)在提取HOG特征过程中，假设有L个箱子{θ₁,θ₂,···,θ_L}，G_i(θ_j)(j＝1,2,···,L)代表在第j个箱子里，第i个小块的梯度值，定义J_i作为小块P_i的等级，等级的分类方法如下，

G_imax＝max{G_i(θ_i)}，J＝arg max_J{G_i(θ_i)}代表P_i的主导梯度，T是一个阈值用来确定是否小块P_i有主导梯度，J_i＝0代表P_i没有主导梯度，也就是说P_i是无规则的。

3.根据权利要求1所述的一种基于字典学习和低秩表示的医学图像融合方法，其特征在于，所述步骤2具体包括：

(1)分类后，将所有分类后的图像块重构为列向量，构成相应矩阵V_j(j＝0,1,...,L)；

(2)矩阵V_j的字典D_j可以通过KSVD来获得，从属字典D_j(j＝0,1,...,L)分别得到后，将其按照图组合成全局字典D，全局字典D将用来进行图像融合的过程，并作为LRR的字典输入。