[发明专利]一种基于最优传输理论的多模态医学图像融合方法

说明书

本发明涉及一种基于最优传输理论的多模态医学图像融合方法，属于计算机图形学和医学图像处理技术领域，该方法包含如下步骤：S1：输入两张待融合的不同模态医学图像；S2：对源图像进行取反，对取反后的源图像进行归一化操作；S3：计算归一化操作之后源图像之间的最优传输质心；S4：根据最优传输质心进行图像取反，重构结果融合图像。本发明方法能够在保留更多源图像信息的情况下，消除掉较多的噪声，同时降低计算复杂度的方法，进行更快速有效的多模态医学图像的融合。同时，本发明方法运行速度快，输入图像后能够快速地给出融合结果，效率较高，鲁棒性强，不仅适应于医学图像，也可以对非医学图像进行有效地融合。

技术领域

本发明属于计算机图形学和医学图像处理技术领域，涉及一种基于最优传输理论的多模态医学图像融合方法。

背景技术

多模态医学图像融合是将单个或多个成像模式的多个医学图像合并以提高成像质量，不同模态的医学图像反映了关于人体脏器和病变组织的不同信息，但是单一的医学图像并不能完整反映相关的信息内涵，因此通过对多个图像进行融合以提高成像质量，并减少随机性和冗余度，同时可以增强医学图像在医疗问题诊断和评估中的临床适用性，因此多模式医学图像融合增强了鲁棒性，提高了生物医学研究和临床诊断的准确性。从融合图像获得的附加信息可以很好地用于更精确的定位异常。多模态医学图像融合涵盖了广泛的热门话题领域。包括图像处理、计算机视觉、模式识别、机器学习和人工智能。

目前为止研究的多模态医学图像方法主要都基于图像多尺度分析方法，先对图像使用相应的分解方法进行分解，再分别对分解后的子图像使用不用的融合规则进行融合，最后将融合后的子图像进行重构得到最终的融合图像。最常见的为使用小波分解、Laplacian金字塔分解等分解方法对图像进行分解，使用主成分分析(PCA)、脉冲耦合神经网络(PCNN)等融合规则对子图像进行融合，最后再重构得到融合图像。基于多尺度分析的融合方法，虽然能够区分出图像的不同频带的信息，再加以融合，能够得到分辨率高、结构信息较好的融合图像，但是这些方法在融合过程中引入过多的噪声，计算复杂度较高，在一定程度还会造成医学图像颜色的失真。

发明内容

有鉴于此，本发明的目的在于提供一种基于最优传输理论的多模态医学图像融合方法，能够在保留更多源图像信息的情况下，消除掉较多的噪声，同时降低计算复杂度的方法，进行更快速有效的多模态医学图像的融合。

为达到上述目的，本发明提供如下技术方案：

一种基于最优传输理论的多模态医学图像融合方法，该方法包含如下步骤：

S1：输入两张待融合的不同模态医学图像；

S2：对源图像进行取反，对取反后的源图像进行归一化操作；

S3：计算归一化操作之后源图像之间的最优传输质心；

S4：根据最优传输质心进行图像取反，重构结果融合图像。

进一步，步骤S2中，使用255作为取反参数进行图像取反处理：

p′_k＝255-p_k

其中，p_k(k＝1,2)表示输入源图像，p′_k表示取反处理后的图像；

具体为：将输入源图像分为三个通道，分别对三个通道进行取反处理：

其中，分别表示输入源图像取反后的三个通道值。

进一步，步骤S2中，对取反后的图像进行归一化处理，即将图像像素值转换为像素值的概率分布，满足：每一个概率分布值的范围为0～1，且概率分布值的总和为1。