[发明专利]基于多尺度多特征的影像科用脑部图像融合识别方法

摘要

本发明公开了一种基于多尺度多特征的影像科用脑部图像融合识别方法，其包括以下步骤：采集原始脑部医学图像作为样本，使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，采使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘脑部图像，并得到灰度解剖医学图像MRI和伪彩色功能医学图像，初始化卷积神经网络，训练数据，提取出特征数据；对于经过医学图像识别训练模型训练后的图像采用多尺度分解得到平滑图像和细节图像，进行重构得到融合图像，将融合图像输入脑部医将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，将提取的测试特征数据输入医学图像识别训练模型中进行判断，最终得到准确的脑部医学图像识别结果。

主权项

1.一种基于多尺度多特征的影像科用脑部医学图像融合识别方法，其特征在于，包括以下步骤：采集原始脑部医学图像作为样本，使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，采用高次样条函数对灰度直方图进行拟合，所述拟合后的曲线有明显的谷值点和峰值点；灰度直方图划分谷值区间，在高次样条函数拟合的基础上得到平滑可导的拟合曲线，并求取该平滑可导拟合曲线的极值点，根据极值点两边的符号将谷值点筛选出来；使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘脑部图像，并得到灰度解剖医学图像MRI和伪彩色功能医学图像，对拟合改进的Isotropic Sobel边缘检测算子为所示：使用自适应阈值算法对边缘图像进行二值化，得到二值化后的脑部医学图像；使用形态学运算操作对二值化后的医学图像进行处理，得到脑部医学候选区域图像，并将候选区域图像形成训练数据，初始化卷积神经网络，所述初始化卷积神经网络为：设置卷积神经网络中的参数，其中包括：卷积核的数量、降采样层的数量、卷积核的大小、降采样层的降幅，初始化卷积核的权重和偏置；将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播；对多层感知器进行误差计算和梯度计算，并判断误差是否收敛；若是，则将得到的误差和梯度用反向传播算法，经过降采样层、卷积层、降采样层、卷积层、输入层逐层传播，并且逐层更新网络的权重，判断是否为输入层，若是则提取出特征数据；将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，把经过卷积神经网络的训练特征数据输入支持向量机，同时，用网格搜索的优化方法来优化支持向量机的参数C和δ，确定最优的支持向量机模型，建立医学图像识别训练模型；对于经过医学图像识别训练模型训练后的图像采用多尺度分解得到平滑图像和细节图像，平滑图像采用信息熵进行融合得到平滑图像F_D，而对于细节图像D采用多特征进行融合得到细节图像F_S，将平滑图像F_D和细节图像F_S进行重构得到融合图像，将融合图像输入脑部医学图像识别训练模型中进行判断，最终得到准确的医学图像融合识别结果。