[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

说明书

本发明提出一种基于字典学习和低秩表示的医学图像融合方法，该方法包括以下步骤：首先，使用窗口滑动技术分割图像，并根据梯度直方图特征(HOG)对多源图像样本进行分类；其次，将其转换成向量，进行字典学习，通过多次迭代奇异值分解方法(K‑SVD)训练字典；然后使用低秩表示(LRR)方法，获得低秩表示的系数；再然后通过1范数最大原则以及融合规则，获得初步的融合图像；最后通过图像补偿，来获得最终的融合图像。本发明不管是在图像主观视觉方面，还是客观指标方面，到达到良好效果，获得质量较好的融合图像。

技术领域

本发明涉及图像处理领域，特别涉及一种基于字典学习和低秩表示的医学图像融合方法。

背景技术

医学图像在临床诊断和手术导航中起着重要作用。然而，由于成像机制的差异，不同的医学图像在组织和器官信息的表达方面不同。例如，计算机断层扫描(CT)成像可以准确地检测诸如骨骼和植入物之类的致密结构。磁共振成像为软组织提供高分辨率的解剖信息，但骨折的诊断不如CT敏感。通过单一模态医学图像对相同人体器官组织的成像仅能反映有限的结构，形态和信息。为了获得足够的诊断信息，医生需要从不同模式的图像中提取信息。显然，这种方法会给实际操作带来不便。为了解决这个问题，需要一种方法来整合不同模式的图像的补充信息，即图像融合。

在过去的几十年中，已经开发出各种原理的图像融合算法。早期图像融合主要基于非代表性的学习方法。多尺度变换是最常用的方法。经典方法包括图像融合中的更多变换域，包括拉普拉斯金字塔(LP)，离散小波变换(DWT)，离散余弦变换(DCT)，非下采样轮廓变换(NSCT)等。经典变换方法在细节保存方面存在一定缺陷。另一类方法是基于字典学习的稀疏表示方法。尽管基于稀疏表示的融合方法具有许多优点，但其捕获全局结构的能力是有限的。相反，低秩表示(LRR)捕获数据的全局结构，但不保留局部结构。因此本发明提出了一种基于字典学习和LRR的多聚焦图像融合方法，以解决上述问题。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明提出基于字典学习和低秩表示的医学图像融合方法，解决现有医学图像融合中的全局结构、局部结构捕获以及细节保存的问题，包括步骤如下：

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K-SVD方法训练多个字典；

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。

基于字典学习的融合方法能够对图像进行稀疏表示，低秩表示(LRR)捕获图像的全局结构，引入活动量级WSEML的加权和计算权重进行融合，可以解决医学图像融合中的细节提取问题。

优选的，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)；