[发明专利]一种基于双模型的三模态医学图像融合方法及系统

权利要求书

1.一种基于双模型的三模态医学图像融合方法，其特征在于，包括以下步骤：

通过bitonicX滤波器对多模态医学图像进行三层分解处理，得到分解后的待融合多模态医学图像；

基于预设的融合规则，对分解后的待融合多模态医学图像依次进行融合与相加处理，得到初步的多模态医学图像融合结果；

基于bitonicX滤波器对初步的多模态医学图像融合结果与多模态医学图像进行分解，得到对应的待融合多模态医学图像；

将待融合多模态医学图像依次进行融合与相加处理，得到最终的多模态医学图像融合结果。

2.根据权利要求1所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述通过bitonicX滤波器对多模态医学图像进行三层分解处理，得到分解后的待融合多模态医学图像这一步骤，其具体包括：

获取多模态医学图像，所述多模态医学图像包括第一多模态医学图像、第二多模态医学图像和第三多模态医学图像；

通过bitonicX滤波器对第一多模态医学图像与第二多模态医学图像进行滤波处理，得到对应的待融合能量层和待融合细节层；

通过bitonicX滤波器对待融合能量层进行二次滤波处理，得到待融合的次能量层；

将待融合能量层与待融合的次能量层进行相减处理，得到待融合纹理层；

整合待融合次能量层、待融合细节层和待融合纹理层，构建分解后的待融合多模态医学图像。

3.根据权利要求2所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述基于预设的融合规则，对分解后的待融合多模态医学图像依次进行融合与相加处理，得到初步的多模态医学图像融合结果这一步骤，其具体包括：

考虑多模态医学图像的梯度信息，通过结合多尺度形态学梯度算子和参数自适应耦合神经网络对分解后的待融合多模态医学图像中的待融合细节层进行融合处理，得到融合的细节层；

基于耦合神经P系统的融合策略对分解后的待融合多模态医学图像中的待融合纹理层进行融合处理，得到融合的纹理层；

基于“绝对值取大”的融合规则对分解后的待融合多模态医学图像中的待融合次能量层进行融合处理，得到融合的能量层；

将融合的细节层、融合的纹理层和融合的能量层进行相加处理，得到初步的多模态医学图像融合结果。

4.根据权利要求3所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述考虑多模态医学图像的梯度信息，通过结合多尺度形态学梯度算子和参数自适应耦合神经网络对分解后的待融合多模态医学图像中的待融合细节层进行融合处理，得到融合的细节层这一步骤，其具体包括：

计算第一多模态医学图像与第二多模态医学图像的多尺度形态学梯度并取绝对值，得到第一梯度值与第二梯度值；

将第一梯度值与第二梯度值输入至参数自适应耦合神经网络进行自适应计算，得到第一动态阈值和第二动态阈值；

将第一动态阈值和第二动态阈值进行比较，并根据比较结果生成第一决策图与第二决策图；

将第一决策图和第二决策图分别与第一多模态医学图像和第二多模态医学图像进行相乘，得到融合的细节层。

5.根据权利要求4所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述基于耦合神经P系统的融合策略的表达式具体如下所示：

上式中，I_t表示待融合的纹理层，M^t(i,j)表示初始决策图，表示一致性验证后得到的决策图，分别表示神经元σ_i,j在和中的点火次数，和分别表示第一多模态医学图像和第二多模态医学图像纹理层对应的CNP系统，Ω表示一致性验证窗口大小，a、b分别表示距离(i,j)的水平和垂直像素距离。