[发明专利]基于多特征的3-D剪切波域多模态医学序列图像融合方法

权利要求书

1.一种基于多特征的3-D剪切波域多模态医学序列图像融合方法，其特征是：首先对待融合的多模态医学序列图像进行3-D剪切波变换，对3-D剪切波的高频子带系数设计了一种上下文方案，并建立上下文隐马尔卡夫模型CHMM，然后对低频子带系数采用基于区域能量的融合规则，对高频子带系数采用综合多特征的融合规则来确定低频和高频子带融合系数，最后对融合后的子带系数进行3-D剪切波逆变换得到最终的融合序列图像；

包括以下具体步骤：

1)对待融合的两个多模态医学序列图像进行3-D剪切波变换，得到相应的高频子带系数和低频子带系数；

2)对高、低频子带系数分别采用不同的融合规则进行融合，得到融合后的高、低频子带系数；

2.1)采用基于局部能量取大的融合规则对低频子带系数进行融合；

2.2)采用综合多特征的融合方法对高频子带系数进行融合，具体包括；

A)在3-D剪切波域构建CHMM模型3DST-CHMM统计模型来捕获系数之间的相关性，提取高频子带系数的统计特征边缘概率密度函数Edge PDF；通过type-2模糊逻辑获得高频子带系数的模糊熵特征；同时，提取高频子带系数的梯度信息、区域能量特征；

步骤A)包括如下步骤：

a)每个系数都与一个上下文变量context和一个隐藏状态m(m＝0或1)有关，其中系数的上下文包括8个最近邻系数,用NA和NB表示，父系数,用PX表示，两个表兄弟系数,用CX1和CX2表示，两个相邻切片系数,用FX1和FX2表示，所以一个新的3D剪切波系数的上下文构造如下：

其中，ω₀,ω₁,ω₂,ω₃,ω₄表示NA,NB,PX,CX,FX的权重系数，然后根据上下文的构造计算得到上下文变量取值：

其中，E_N,E_P,E_C1,E_C2,E_F1,E_F2分别表示当前子带、父子带、兄弟子带、相邻切片子带的平均能量；

最后，根据3D剪切波系数的统计特性，利用两状态，零均值的高斯混合模型GMM结合HMM模型对高频子带系数进行建模，得到统计特征边缘概率密度函数f_C|V(C|V＝v)：

其中，C表示3-D剪切波系数，V表示上下文变量，S表示隐藏状态，P_S|V(S＝m|V＝v)表示在上下文变量V已知的情况下状态为m的概率，g(C；0,σ²)表示高斯概率密度函数，均值为0，方差为σ²；

b)通过type-2模糊逻辑来提取高频子带系数的模糊熵特征；

其中，X＝{(i,j)|i＝0,1,…,M-1,j＝0,1,…,N-1},μ_L(i,j)andμ_U(i,j)分别代表低隶属度函数和高隶属度函数，每一个高频子带代表一个type-2集合，其隶属度函数为：

其中，C_k,l(i，j)代表高频子带系数，μ_k.l和δ_k,l²分别代表高频子带的均值和方差；

c)梯度信息反映高频子带系数的对比度和清晰度，所以使用梯度信息来提取图像的纹理特征；

其中，W₁×W₂表示窗口大小，这里W₁＝W₂＝3；

d)能量能反映图像的亮度，所以这里采用局部能量来提取图像的局部特征；

其中，W₁×W₂代表区域的大小，这里W₁＝W₂＝3；

B)对A)中的四个特征采用能量系数法进行综合，得到综合后的特征，通过特征值取大的融合规则得到融合后的高频子带系数；

3)对步骤2)所得的融合后的高、低频子带系数进行3-D剪切波逆变换获得最终的融合序列图像。