[发明专利]一种基于WEMD和PCNN的医学图像融合方法

说明书

技术领域

本发明属于医学数字图像处理技术领域，具体涉及一种基于WEMD和PCNN的医学图像融合方法。

背景技术

医学图像融合技术是将两种或两种以上互为差异和互为补充的医学影像信息进行适当的处理，使图像中的有用信息在处理后综合表达并显示出来，代替医生主观的人工综合方式，使医生对病情的分析与判断更加准确，提高临床诊断效率和可靠性。

医学图像融合主要包括功能成像图像与功能成像图像、解剖成像图像与解剖成像图像、功能成像图像与解剖成像图像之间的融合。常见的融合类型有CT与MRI图像融合、MRI与MRI图像融合、PET与MRI图像融合和SPECT与MRI图像融合[1]。在众多的医学图像融合技术中，基于多尺度分析的医学图像融合方法如今已成为研究的热点，这类融合方法的关键在于图像多尺度分解工具的选取和融合规则的制定。小波变换以及后小波变换[2]作为重要的多尺度分解工具，已在医学图像融合领域得到了广泛应用[3-7]。然而无论是小波变换还是后小波变换，其在分解过程中，都依赖于预先给定的小波函数，自适应较差，且不同的小波函数所得到的结果差异较大[8]。

二维经验模态分解[9](bidimensionalempiricalmodedecomposition,BEMD)作为一种新的多尺度分解工具，一经提出便吸引了大量学者进行研究，已成为近几年的研究热点。BEMD是基于图像数据本身的，能够自适应的根据图像数据将二维图像信号分解成有限的几个内蕴模函数(bidimensionalintrinsicmodefunction，简称BIMF)和一个残差分量，以表征图像的不同频率特征。然而BEMD由于分解过程中要进行插值操作导致分解相当费时，不利于实时图像处理。而且其分解所得的BIMF分量有“灰度斑”现象，即出现了频率混叠。梁灵飞等人提出的窗口经验模态分解(windowempiricalmode,WEMD)[10]作为一种新的分解工具，则不存在上述问题。

近几年来，学者围绕BEMD在医学图像融合中的应用进行了大量研究[11-15]，而这种研究主要集中在融合规则上。文献[11]将特征提取和区域分割分别利用到分解所得的BIMF分量和残差分量上，提出了一种新的区域融合规则；文献[12]对分解所得的BIMF分量采用基于区域能量的融合规则，残差分量则直接相加以获得融合后的残差分量；文献[13]先将分解得到的BIMF分量和残差分量分别输入到脉冲耦合神经网络(pulsecoupledneuralnetwork,PCNN)中以提取图像的纹理和背景特征，再将对应于图像纹理信息和背景信息的系数分别通过PCNN和双通道PCNN(dual-channelpulsecoupledneuralnetwork，DCPCNN)进行融合；文献[14]首先根据幅值能量比将BIMF分为高低频分量，然后将低频分量输入到双通道PCNN中以选取低频融合系数，最后将高频分量、低频分量和残差分量叠加得到融合后的图像；文献[15]提出了m-BIMF的概念，并用m-PCNN[16]获取融合后的m-BIMF分量，而残差分量则采用了一种基于熵的加权融合方案。

综上分析，围绕BEMD的医学融合技术的融合规则主要是基于区域的融合规则和基于脉冲耦合神经网络的融合规则。基于区域的融合规则利用图像的局部区域特征来确定融合系数，能够突出图像的细节信息；基于脉冲耦合神经网络的融合规则利用神经元的脉冲点火特性来选择融合系数，能够保留更多的细节信息。

发明内容

本发明的目的是提供一种基于WEMD和PCNN的医学图像融合方法，解决了现有技术中存在的多尺度分解算法自适应性差和所得融合图像边缘与对比度失真严重的问题。

本发明所采用的技术方案是，一种基于WEMD和PCNN的医学图像融合方法，具体按照以下步骤实施：

步骤1、设有两幅医学图像，分别记为图像A和图像B，将图像A和图像B分别进行配准；

步骤2、对图像A进行一层WEMD分解得到BIMF分量BIMF_A和残差分量R_A，对图像B进行一层WEMD分解得到BIMF分量BIMF_B和残差分量R_B；

步骤3、对步骤2得到的BIMF分量BIMF_A和BIMF分量BIMF_B进行融合，得到融合后的BIMF分量BIMF_F；