針對單一模態(tài)的醫(yī)學(xué)圖像無法為臨床診斷提供全面、互補信息的問題,提出一種基于非下采樣剪切波變換(NSST)與改進稀疏表示(ISR)的多模態(tài)醫(yī)學(xué)圖像融合方法.首先用NSST分解工具將待融合圖像分解為一個低頻子帶和若干個高頻子帶;其次,用ISR方法融合低頻子帶,通過Sobel算子和引導(dǎo)濾波器去除低頻子帶的細(xì)節(jié)特征,從而提高低頻子帶的融合效率,同時對高頻子帶采用絕對值最大的融合規(guī)則進行融合;最后,將融合后的低頻子帶和高頻子帶進行逆NSST變換得到最終的融合圖像.實驗結(jié)果表明,該方法在主觀視覺性能和客觀評價上均優(yōu)于其他對比融合方法. 

【文章來源】：吉林大學(xué)學(xué)報(理學(xué)版). 2020年04期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

過完備字典訓(xùn)練集

算法流程

本文實驗采用MATLAB R2016a, CPU為Intel(R) Core (TM) i7-7700, 內(nèi)存為8 GB. 為了驗證本文算法的有效性, 使用兩種不同模態(tài)的醫(yī)學(xué)圖像, 其中包括20對MR-T1與MR-T2圖像, 20對MR與CT圖像. 所有圖像均來自美國哈佛大學(xué)創(chuàng)建的The Whole Brain Atlas醫(yī)學(xué)圖像數(shù)據(jù)庫(http://www.med.harvard.edu/AANLIB/), 所有源圖像的大小均為256×256, 且實驗所用圖像都經(jīng)過了配準(zhǔn). 為了驗證算法的有效性, 將本文算法與基于邊界尋找方法(BF)[13]、 基于密集尺度不變特征變換(DSITF)[14]、 基于卷積稀疏表示方法(CSR)[15]、 基于卷積稀疏性的形態(tài)成分分析方法(CSMCA)[16]和基于四叉樹的方法(QB)[17]進行比較. 由于融合質(zhì)量評估尚未形成統(tǒng)一的評價指標(biāo), 在實際應(yīng)用中只能根據(jù)經(jīng)驗進行選擇, 這將導(dǎo)致評估結(jié)果缺乏說服力. 因此, 本文采用4個不同方面的評價指標(biāo)進行驗證, 并對融合效果進行綜合評估, 其中包括局部重要性質(zhì)量指數(shù)(Q0)[18]、 Piella的結(jié)構(gòu)相似性度量(Qw)、 熵(EN)和標(biāo)準(zhǔn)差(SD). 圖3為MR-T1與MR-T2圖像的融合結(jié)果.由圖3可見, 利用BF算法得到的融合圖像只存在MR-T1圖像的信息, 缺少MR-T2圖像的信息; 利用DSIFT算法得到的融合圖像出現(xiàn)多處塊效應(yīng); 利用CSR與QB算法得到的融合圖像也存在塊效應(yīng); 利用CSMCA算法得到的融合圖像雖然沒有塊效應(yīng), 但亮度較低; 利用本文算法得到的融合圖像既不存在塊效應(yīng), 也未損失源圖像的重要信息.

【參考文獻】：
期刊論文
[1]多級方向引導(dǎo)濾波器及其在多傳感器圖像融合中的應(yīng)用[J]. 陳廣秋,梁小偉,段錦,才華.  吉林大學(xué)學(xué)報(理學(xué)版). 2019(01)



本文編號：2941225