本文關鍵詞：基于多尺度分解的醫(yī)學圖像融合研究

  更多相關文章： 多模態(tài)醫(yī)學圖像融合 Contourlet NSCT T混合模型 魯棒主成分分析

【摘要】：隨著計算機技術和醫(yī)學影像技術的迅猛發(fā)展,供臨床醫(yī)生診斷的醫(yī)學影像設備類別與日俱增。由于各類傳感器具有迥然不同的成像原理導致了單一類別傳感器生成醫(yī)學影像中包含的數(shù)據(jù)信息量有限,難以為臨床醫(yī)生提供可靠、有效的醫(yī)學信息。針對該問題,學者們提出多模態(tài)醫(yī)學圖像融合技術。多模態(tài)醫(yī)學圖像融合技術能夠?qū)碜援愅膫鞲衅鳙@得的醫(yī)學圖像,經(jīng)過適當?shù)钠ヅ浜童B加,以到達信息互補,增加有效信息量,從而為醫(yī)生臨床診斷和治療方案的確定提供有效的參考依據(jù)。為此,本文基于多尺度分解理論、T混合模型以及魯棒主成分分析模型,圍繞多模態(tài)醫(yī)學圖像融合方法展開研究,提出了兩種多模態(tài)醫(yī)學圖像融合方法。論文的主要創(chuàng)新工作如下:1.針對高斯分布容易造成數(shù)據(jù)擬合不佳、信息丟失等問題,提出了基于Contourlet和T混合模型的醫(yī)學圖像融合算法(A Medical Image Fusion Algorithm Based on Contourlet Transform and T mixture models,CT_TMM)。首先將MRI和PET圖像的RGB空間變換成GIHS空間,在此基礎上采用Contourlet變換進行多尺度幾何分解,得到多個高頻子帶和一個低頻子帶信息;然后采用絕對值選大法對高頻子帶系數(shù)進行融合,低頻部分用EM算法對噪聲或偏移的T混合模型進行融合;最后通過Contourlet逆變換得到融合系數(shù),將融合結(jié)果結(jié)合PET圖像的飽和度和色度進行綜合獲得最后的融合圖像。對MRI和PET的真實腦部圖像進行實驗分析,驗證了CT_TMM算法的有效性。2.針對傳統(tǒng)的圖像處理是以單個像素點為基礎進行融合而忽略了信息中的相似性以及信息丟失的問題,提出了基于NSCT和RPCA的醫(yī)學圖像融合算法(Medical Image Fusion Algorithm based on the NSCT and Improved Robust Principal Component Analysis,NSCT_IRPCA)。提出的NSCT_IRPCA算法主要分為三個步驟:(1)采用非下采樣輪廓波(Nonsubsampled Contourlet transform,NSCT)對源圖像數(shù)據(jù)進行多尺度分解,得到高頻和低頻部分;(2)運用改進的魯棒主成分分析(Robust Principal Component Analysis,RPCA)對低頻部分進行顯著性檢測,將其分解為低秩的主要信息和稀疏的顯著信息。(3)矩陣中元素的絕對值越大表征更為顯著的特征,所以采用絕對值最大法的融合規(guī)則對兩幅圖像的主要信息部分進行融合,對其顯著信息采用相同的融合規(guī)則。對MRI和CT的腦部圖像進行融合實驗,實驗驗證了算法的有效性。
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 張鑫;陳偉斌;;Contourlet變換系數(shù)加權的醫(yī)學圖像融合[J];中國圖象圖形學報;2014年01期

2 劉羽;汪增福;;結(jié)合小波變換和自適應分塊的多聚焦圖像快速融合[J];中國圖象圖形學報;2013年11期

3 王昕;李瑋琳;劉富;;小波域CT/MRI醫(yī)學圖像融合新方法[J];吉林大學學報(工學版);2013年S1期

4 史加榮;鄭秀云;魏宗田;楊威;;低秩矩陣恢復算法綜述[J];計算機應用研究;2013年06期

5 劉哲;宋余慶;陳健美;晏燕華;謝從華;;基于多分辨率的非參數(shù)正交多項式醫(yī)學圖像融合方法[J];模式識別與人工智能;2012年02期

6 郭雷;劉坤;;基于非下采樣Contourlet變換的自適應圖像融合算法[J];西北工業(yè)大學學報;2009年02期

7 晁銳,張科,李言俊;一種基于小波變換的圖像融合算法[J];電子學報;2004年05期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 劉園園;快速低秩矩陣與張量恢復的算法研究[D];西安電子科技大學;2013年

2 李斌;概率混合模型的研究及其應用[D];復旦大學;2009年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 許興明;基于t混合模型的醫(yī)學圖像分割方法研究[D];安徽大學;2010年

，

本文編號：1300499