[发明专利]一种基于多成份低秩字典学习的医学图像融合方法

说明书

本发明提供一种基于多成份低秩字典学习的医学图像融合方法，该方法首先对多模态医学图像进行高斯滤波，得到不同模态图像的高频与低频部分，然后将不同模态图像的高频部分和低频部分分别进行多成分字典稀疏融合操作，得到融合高频部分和融合低频部分。最后，集成融合高频部分与融合低频部分生成最终融合图像。

技术领域

本发明涉及一种基于多成份低秩字典学习的融合多模态医学图像融合方法，属于医学图像处理领域。

背景技术

医学图像是通过X射线、计算机断层扫描、核磁共振、超声波、单一光子发射电脑断层扫描等不同成像原理获取的人体组织器官的医学影像，广泛应用于临床诊断。由于成像原理各异，不同医学成像设备采集到的医学图像呈现不同的模态，多模图像之间不仅存在冗余信息，同时还存在互补信息。比如电子计算机断层扫描(CT)图像不仅以不同灰度显示其密度的高低，还可用组织对X线的吸收系数说明其密度高低的程度。磁共振成像(MRI)相对于CT对于软组织的分辨率要高很多，能早期发现更加细小微小的病变组织。但MRI对于骨与软组织病变定性诊断无特异性，成像速度慢。在检查过程中，病人自主或不自主的活动可引起运动伪影，影响诊断。多模态医学图像融合是一门利用多模医学图像中的互补信息生成一副图像，其能更加准确和全面地描述人体结构特征。对临床定位观察、诊断和术后观察起到有效的辅助作用。

发明内容

技术问题：本发明目的是提供一种基于多成份低秩字典学习的医学图像融合方法。该方法首先对多模态医学图像进行高斯滤波，得到不同模态图像的高频与低频部分，然后将不同模态图像的高频部分和低频部分分别进行多成分字典稀疏融合操作，得到融合高频部分和融合低频部分。最后，集成融合高频部分与融合低频部分生成最终融合图像。

技术方案：本发明的方法主要包括字典学习部分和图像融合部分。

字典学习部分：

1.从训练图像集随机选取50000个尺寸为M×N的图像块，构造字典训练集。

2.利用高斯滤波器对训练图像分解得到高频部分与低频部分，并分别从高频部分与低频部分随机提取K个图像块，构造初始高频字典和初始低频字典。

3.构造多成份低秩字典学习模型及优化算法，在训练集上进行联合字典学习，训练得到高频字典和低频字典。

图像融合部分：

1.对多模态测试图像中依次提取图像块。

2.利用训练的高频字典和低频字典对多模态医学图像块进行多模态稀疏分解，得到不同模态图像的高频和低频部分的稀疏系数。

3.针对高频稀疏表示系数和低频稀疏系数分别进行融合操作，得到高频融合稀疏系数和低频融合稀疏系数。

4.通过将高频字典与高频融合稀疏系数相乘得到融合高频部分，同理得到融合低频部分，集成融合高频部分和融合低频部分生成融合图像块。

5.最后通过对重构图像块的重叠像素进行加权平均得到最终的融合图像。

有益效果：本发明专利可以有效的将CT图像与MR图像相融合，利于医学判断。

附图说明

图1即为本发明一种基于多成份低秩字典学习的医学图像融合算法实验结果图。(a)测试集第31切片的CT图像，(b)测试集第31切片的MR图像，(c)融合结果图。

图2即为本发明一种基于多成份低秩字典学习的医学图像融合算法中多成分字典学习部分流程图。

图3即为本发明一种基于多成份低秩字典学习的医学图像融合算法中图像融合部分流程图。

具体实施方式

下面结合实施例对本发明做进一步的解释说明。

一、算法模型