【摘要】：醫(yī)學(xué)圖像融合是對(duì)多幅不同模態(tài)的醫(yī)學(xué)圖像進(jìn)行信息綜合,合成一幅包含所有源圖像重要信息的融合圖像的過(guò)程。該技術(shù)充分利用不同模態(tài)醫(yī)學(xué)圖像提供病灶信息的冗余性和互補(bǔ)性,以獲得比單一模態(tài)醫(yī)學(xué)圖像更全面、更精確的病灶屬性描述。隨著多分辨率分析理論的發(fā)展和完善,基于多分辨率分析的圖像融合已被公認(rèn)為是性能更為理想的一類(lèi)融合方法,但此類(lèi)方法合成圖像的質(zhì)量很大程度上取決于執(zhí)行圖像多尺度分解的理論工具的性能。新近出現(xiàn)的具有平移不變性的非下采樣的輪廓波變換(Non-Subsampled Contourlet Transform, NSCT)和非下采樣的剪切波變換(Non-Subsampled Shearlet Transform, NSST)擁有更加完美的圖像表述能力,更適合于圖像的融合處理。本論文重點(diǎn)研究基于NSCT和NSST的多模態(tài)醫(yī)學(xué)圖像融合方法,主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)概括如下：1.基于NSCT域的細(xì)節(jié)增強(qiáng)的醫(yī)學(xué)圖像融合方法針對(duì)許多圖像融合方法不能很好地提取并保存源圖像細(xì)節(jié)信息的問(wèn)題,本文提出了一種基于NSCT域的細(xì)節(jié)增強(qiáng)的醫(yī)學(xué)圖像融合方法。該方法通過(guò)如下方式實(shí)現(xiàn)源圖像信息的提取、保存以及合成圖像細(xì)節(jié)的增強(qiáng)。(1)利用視覺(jué)可見(jiàn)性的測(cè)度準(zhǔn)則計(jì)算源圖像的權(quán)值圖,實(shí)現(xiàn)源圖像重要信息的提取和轉(zhuǎn)移；(2)對(duì)各級(jí)分解子帶進(jìn)行內(nèi)容適應(yīng)性增強(qiáng),以此突出源圖像的細(xì)節(jié)信息；(3)對(duì)重構(gòu)前的混合子帶進(jìn)行增益控制增強(qiáng),進(jìn)一步調(diào)整融合圖像的亮度和清晰度。實(shí)驗(yàn)結(jié)果表明提出的方法能夠有效增強(qiáng)融合圖像的細(xì)節(jié)信息。2.基于NSCT域系數(shù)相關(guān)性統(tǒng)計(jì)的醫(yī)學(xué)圖像融合方法針對(duì)傳統(tǒng)的基于NSCT的融合算法遺漏其高頻子帶系數(shù)間相關(guān)性關(guān)系的問(wèn)題,本文提出了基于NSCT域系數(shù)統(tǒng)計(jì)的醫(yī)學(xué)圖像融合方法。該方法首先通過(guò)廣義高斯分布函數(shù)精確擬合NSCT域高頻子帶系數(shù)的概率分布直方圖,然后使用吉森香農(nóng)差(Jensen Shannon Divergence, JSD)量化兩個(gè)高斯分布函數(shù)間的相似度,最后將系數(shù)間的依賴性關(guān)系嵌入到高頻子帶的融合規(guī)則中。實(shí)驗(yàn)結(jié)果表明提出的方法明顯優(yōu)于傳統(tǒng)的基于NSCT的醫(yī)學(xué)圖像融合方法,在互信息和信息熵兩個(gè)客觀評(píng)價(jià)指標(biāo)上具有優(yōu)異的性能表現(xiàn)。3.基于NSST與雙通道單位鏈接PCNN的醫(yī)學(xué)圖像融合方法為了彌補(bǔ)經(jīng)典的PCNN模型中待定參數(shù)過(guò)多、缺乏適應(yīng)性、時(shí)間開(kāi)銷(xiāo)過(guò)大的缺陷,本文提出了基于NSST與雙通道單位鏈接PCNN的醫(yī)學(xué)圖像融合方法。該方法簡(jiǎn)化了傳統(tǒng)PCCN模型中的鏈接結(jié)構(gòu),將NSST對(duì)圖像靈活的多尺度、多方向分解的特性同雙通道PCCN模型全局耦合及脈沖同步發(fā)放特性結(jié)合在一起。同傳統(tǒng)的PCNN模型相比,提出的模型具有設(shè)置參數(shù)少、適應(yīng)性強(qiáng)的優(yōu)點(diǎn)。算法執(zhí)行的過(guò)程中以區(qū)域圖像清晰度的對(duì)比度作為鏈接強(qiáng)度β的智能化輸入,并通過(guò)賦時(shí)矩陣T確定迭代次數(shù),有效提高了其適應(yīng)性并減少了時(shí)間消耗。多組融合實(shí)驗(yàn)的結(jié)果顯示提出的方法具有優(yōu)異的圖像融合性能,其融合圖像在主觀視覺(jué)表現(xiàn)和多項(xiàng)客觀指標(biāo)的評(píng)價(jià)中均優(yōu)于傳統(tǒng)的基于PCNN的醫(yī)學(xué)圖像融合方法。4.基于3D Shearlet變換的三維醫(yī)學(xué)圖像融合方法針對(duì)二維醫(yī)學(xué)圖像融合算法應(yīng)用于三維醫(yī)學(xué)圖像體數(shù)據(jù)的融合時(shí)導(dǎo)致第三維信息丟失的問(wèn)題,本文提出一種新的基于3D Shearlet變換的三維醫(yī)學(xué)圖像融合方法。該方法充分考慮到人體組織的內(nèi)部結(jié)構(gòu)特征,定義了基于體素物理特性的特征級(jí)融合規(guī)則。算法的實(shí)現(xiàn)過(guò)程是首先采用結(jié)構(gòu)張量提取高頻子帶系數(shù)對(duì)應(yīng)體素的空間物理結(jié)構(gòu)特征,然后對(duì)結(jié)構(gòu)張量矩陣進(jìn)行秩分析,判定待融合圖像間對(duì)應(yīng)體素的結(jié)構(gòu)相似度,最后依據(jù)判定結(jié)果定義新的融合規(guī)則。實(shí)驗(yàn)表明提出的算法能夠很好地融合3D醫(yī)學(xué)圖像,并具有很好的應(yīng)用價(jià)值�？傊�,本論文集中研究了當(dāng)前醫(yī)學(xué)圖像融合領(lǐng)域中的熱點(diǎn)和難點(diǎn)問(wèn)題,提出了4種新的醫(yī)學(xué)圖像融合算法。實(shí)驗(yàn)結(jié)果表明提出的算法都具有良好的性能表現(xiàn)。
【圖文】：

從臨床應(yīng)用效果上講，敲合后的影像綜合表述了病變組織的結(jié)構(gòu)特征和功能逡逑狀況，影像的可靠性、穩(wěn)定性及容錯(cuò)能力大大提高，可有效提高臨床診斷的準(zhǔn)確逡逑率。圖１－２是一幅Ｘ射線圖像（Ｘ－ｒａｙ邋ｉｒＭｇｅ）與一幅骨掃描影像（Ｂｏｎｅ邋ｓｃａｎ邋ｉｍａｇｅ）逡逑的融合實(shí)例。明顯地，融合后的圖像不僅能顯示距骨和跟骨關(guān)節(jié)處的骨折損傷位逡逑置，還能遠(yuǎn)示其挫傷區(qū)域面積的大小，而每幅單一模態(tài)的源圖像僅能顯示某一方逡逑面的信息，對(duì)骨質(zhì)損傷區(qū)域的位置定位明顯不如融合圖像清晰明確。逡逑■邋ｉｍｍ逡逑（ａ）邋Ｘ射線圖像邐（ｂ）骨掃描影像邐（Ｃ）融合圖像逡逑圖１－２兩幅不同橫態(tài)醫(yī)學(xué)圖像融合實(shí)例逡逑１．２圖像融合技術(shù)的發(fā)展與研究現(xiàn)狀逡逑圖像融合技術(shù)產(chǎn)生于２０世紀(jì)７０年代末，在近３０年來(lái)得到了快速發(fā)展，己被逡逑廣泛應(yīng)用于多種圖像的分析處理。Ｄａｉｌｙ等人Ｗ于１９７９年首先完成了雷達(dá)圖像和逡逑２逡逑

（邐Ａ邋ｆ邋ＡｎＢ邋ｊ邋Ｂ邐）逡逑互補(bǔ)巧度逡逑圖１－１兩幅不村模態(tài)醫(yī)學(xué)圖像融合示意圖逡逑從臨床應(yīng)用效果上講，敲合后的影像綜合表述了病變組織的結(jié)構(gòu)特征和功能逡逑狀況，影像的可靠性、穩(wěn)定性及容錯(cuò)能力大大提高，可有效提高臨床診斷的準(zhǔn)確逡逑率。圖１－２是一幅Ｘ射線圖像（Ｘ－ｒａｙ邋ｉｒＭｇｅ）與一幅骨掃描影像（Ｂｏｎｅ邋ｓｃａｎ邋ｉｍａｇｅ）逡逑的融合實(shí)例。明顯地，融合后的圖像不僅能顯示距骨和跟骨關(guān)節(jié)處的骨折損傷位逡逑置，還能遠(yuǎn)示其挫傷區(qū)域面積的大小，而每幅單一模態(tài)的源圖像僅能顯示某一方逡逑面的信息，對(duì)骨質(zhì)損傷區(qū)域的位置定位明顯不如融合圖像清晰明確。逡逑■邋ｉｍｍ逡逑（ａ）邋Ｘ射線圖像邐（ｂ）骨掃描影像邐（Ｃ）融合圖像逡逑圖１－２兩幅不同橫態(tài)醫(yī)學(xué)圖像融合實(shí)例逡逑１．２圖像融合技術(shù)的發(fā)展與研究現(xiàn)狀逡逑圖像融合技術(shù)產(chǎn)生于２０世紀(jì)７０年代末，，在近３０年來(lái)得到了快速發(fā)展，己被逡逑廣泛應(yīng)用于多種圖像的分析處理。Ｄａｉｌｙ等人Ｗ于１９７９年首先完成了雷達(dá)圖像和逡逑２逡逑
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何衛(wèi)華;郭永彩;高潮;周東國(guó);;利用NSCT實(shí)現(xiàn)夜視圖像的彩色化增強(qiáng)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2011年05期

2 穆瑩;王學(xué)軍;;基于提升小波變換的醫(yī)學(xué)圖像融合算法[J];石家莊鐵道大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

3 李彬;歐陜興;田聯(lián)房;余霞;;基于自適應(yīng)自由變形法和梯度下降法的胸部多模醫(yī)學(xué)圖像配準(zhǔn)[J];計(jì)算機(jī)應(yīng)用研究;2009年10期

4 屈小波;閆敬文;肖弘智;朱自謙;;非降采樣Contourlet域內(nèi)空間頻率激勵(lì)的PCNN圖像融合算法(英文)[J];自動(dòng)化學(xué)報(bào);2008年12期

5 劉R

本文編號(hào)：2534924