[发明专利]融合图像效果量化方法、装置、计算机设备和存储介质

说明书

本申请涉及一种融合图像效果量化方法、装置、计算机设备和存储介质，通过计算机设备获取多个融合图像的特征向量，并根据预设的自组织映射神经网络算法和该特征向量，构建量化模型，然后根据该构建的量化模型对待测试的融合图像效果进行量化，由于该模型的输入为融合图像的特征向量(信噪比、均值、信息熵、清晰度这四个特征信息)，所以该方法综合考虑融合图像多种用途(从图像包含的多个特征信息进行评价)，避免了只从融合图像单一用途来评价融合效果，给出了一个综合的评价结果，另，其量化的结果为一个程度值，可以直接反映融合图像效果好坏的程度，使得评价结果非常直观。

技术领域

本申请涉及融合图像技术领域，特别是涉及一种融合图像效果量化方法、装置、计算机设备和存储介质。

背景技术

医学图像融合可以汇集源图像各自的信息，表现出更丰富的信息。如将正电子发射计算机断层显像(Positron Emission Tomography，简称PET)图像和电子计算机断层扫描(Computed Tomography，简称CT)图像融合起来，就可以在一幅图像中同时得到清晰的解剖结构信息以及对应的脏器功能代谢信息。

由于医学应用领域的敏感性，需要医学融合图像不可以丢失任何有用的信息，否则可能会因为图像信息的不完整导致医疗事故，因此对融合图像的评价必须准确直观而有效。融合图像的效果不仅会受到源图像的噪声、融合算法的参数、观察者的感兴趣区等因素的影响，还依赖于图像的用途而做出评价。目前，医学融合图像的评价一般原则是，判断信息量是否提高、噪声是否得到抑制、均匀区域噪声的抑制是否得到加强、边缘信息是否得到保留、图像均值是否提高等，基于这些原则，目前的客观评价方法主要包括：基于统计特性的评价(如：均值、标准差)、基于信息量的评价(如：熵)、基于信噪比的评价(如：信噪比)、基于梯度值的评价(如：清晰度)、还有基于模糊积分、粗糙集、证据理论、卷积神经网络的评价等等。

但是，上述现有客观评价方法都是只选择融合图像某一方面的用途进行评价的，无法给出一个综合评价结果，且其评价结果不够直观。

发明内容

基于此，有必要针对上述现有的融合图像评价方法只选择某一方面的用途进行评价的，无法给出一个综合评价结果，且其评价结果不够直观的技术问题，提供一种融合图像效果量化方法、装置、计算机设备和存储介质。

第一方面，本发明的实施例提供一种融合图像效果量化方法，所述方法包括：

获取多个融合图像的特征向量；所述特征向量用于表征所述融合图像的特征信息；

根据预设的自组织映射神经网络算法和所述特征向量，构建量化模型；

根据所述量化模型对待测试的融合图像效果进行量化。

在其中一个实施例中，所述根据预设的自组织映射神经网络算法和所述特征向量，构建量化模型，包括：

根据所述特征向量生成训练样本集；所述训练样本集为根据所述多个融合图像的特征向量得到的数据集；

根据所述训练样本集初始化神经网络的初始权值矩阵；

根据所述神经网络的学习率、邻域半径和预设的自适应停止准则，对所述初始权值矩阵进行更新，得到所述训练样本集的特征空间；

根据所述特征空间确定所述量化模型。

在其中一个实施例中，所述根据所述训练样本集初始化神经网络的初始权值矩阵，包括：

获取所述训练样本集中各所述特征向量的取值范围；

将所述取值范围内的值均匀随机分配至所述神经网络竞争层的各个神经元，得到所述初始权值矩阵。

在其中一个实施例中，所述根据所述神经网络的学习率、邻域半径和预设的自适应停止准则，对所述初始权值矩阵进行更新，得到所述训练样本集的特征空间，包括：