[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

说明书

本发明公开了一种基于多特征的3‑D剪切波域多模态医学序列图像融合方法，主要解决2‑D分解工具无法处理3‑D图像以及单特征融合方法易引入错误信息的问题。其实现步骤是：1)待融合序列图像进行3‑D剪切波变换，得到高频、低频系数；2)低频子带系数采用基于区域能量取大的融合规则，高频子带系数采用综合多特征的融合规则；3)融合后的高、低频系数执行3‑D剪切波逆变换获得融合后的序列图像。本发明能充分考虑了系数之间的相关性，精确地表示源图像的纹理、细节等特征，从而能有效避免将错误信息引入融合图像中，提高视觉效果，相比传统的融合方法极大地提高了融合图像的质量。

技术领域

本发明涉及一种基于多特征的3-D剪切波域多模态医学序列图像融合方法，是3-D医学图像处理技术领域的一项融合方法，在临床医学诊断和治疗中有广泛地应用。

背景技术

随着医学技术的发展，多模态医学图像融合在医学图像处理中占据很大的地位。不同模态的医学图像可以提供人体相关器官的不同信息，例如CT图像提供硬组织，如骨头、肌肉等；MRI-T1图像提供解剖结构的细节信息；MRI-T2图像提供病变信息。为了医务工作者更方便、全面地了解患者的器官病变情况，有必要通过图像融合技术将这些不同模态的图像进行综合，得到一个综合的图像，从而对患者的病情做出准确的判断。多模态医学图像融合的意义在于综合信息大于各部分信息之和，为现代医学临床诊断带来新的思维。

众所周知，MST(multi-scale transform)方法能够提取图像不同尺度的突出信息，这更符合人的视觉系统，所以基于MST的融合方法越来越受欢迎。例如：LP(LaplacianPyramid)、DWT(discrete wavelet transform)、3DDWT(3-D discrete wavelettransform)、3DST(3-D shearlet transform)。其中，2-D的多尺度分解工具能够有效地捕获2-D图像的奇异点，但是不能捕获3-D图像的奇异点，所以不适合处理3-D图像。传统的3-D多尺度分解工具例如3-D小波变换只能分解得到3个方向的高频信息，这不利于图像的表示。但是3-D剪切波变换能够捕获多个方向的高频信息，同时也考虑了相邻切片之间的相关性，因此更适合处理3-D医学序列图像。

3-D剪切波变换分解后的系数在尺度间、方向间、空间领域内、切片间都有很强的相关性，本发明采用基于上下文的隐马尔卡夫模型CHMM(Contextual Hidden MarkovModel)对多尺度分解后的系数进行准确的建模，描述系数的相关性。因此，本发明选用CHMM对3-D剪切波分解得到的系数进行统计建模，得到系数的统计特性。

在图像融合中，融合规则与分解工具同样重要，相比传统的低频部分取平均等融合规则，本发明采用基于区域能量取大的融合规则，能够有效提高图像的对比度。常用的高频融合方法有绝对值取大、某个特征取大等单一的融合规则，本发明采用综合多特征的融合方法，将模糊熵、统计特征、梯度信息等多个特征进行综合，得到一个综合特征，该特征能更准确地表征图像的本质，避免错误信息的引入，从而提高融合图像的质量。

发明内容

本发明的目的是针对上述现有技术的不足，提出的一种基于多特征的3-D剪切波域多模态医学序列图像融合方法，以解决2-D多尺度变换工具无法处理3-D图像，以及单特征融合规则易引入错误的融合信息的问题，并采用统计模型充分考虑系数之间的相关性，有效捕获图像的细节，提高融合图像的质量。

本发明解决其技术问题所采用的技术方案如下：

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，其特征在于包括以下步骤：

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、低频系数；