[发明专利]一种基于错误纹理消除策略的图像融合方法及系统

说明书

本发明公开了一种基于错误纹理消除策略的图像融合方法及系统，该方法包括：通过低通滤波器对多模态医学图像进行图像分解；基于梯度差与熵的融合规则对高频分量进行融合处理；基于像素选择规则对低频分量进行融合处理；基于迭代最小二乘法对低频融合图像进行错误纹理消除处理；对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。该系统包括：分解模块、高频融合模块、低频融合模块、纹理消除模块和加权融合模块。通过使用本发明，能够有效提取出不同模态的医学图像信息，提供高质量的融合图像。本发明作为一种基于错误纹理消除策略的图像融合方法及系统，可广泛应用于医学图像融合技术领域。

技术领域

本发明涉及医学图像融合技术领域，尤其涉及一种基于错误纹理消除策略的图像融合方法及系统。

背景技术

医学图像融合旨在从多重成像模态生成包含互补信息的单一图像，磁共振图像(MRI)、计算机断层扫描图像(CT)、正电子发射断层扫描(PET)和单光电子发射计算机断层扫描(SPECT)主要应用于医学图像融合，MRI提供软组织的高分辨率解剖学信息，而CT提供有关骨头和植入物等密集结构的信息，与CT和MRI图像不同，PET和SPECT提供有关血流和代谢变化功能信息，但其空间分辨率较低，虽然医生对医学图像的顺序分析可以提供足够的信息，但在许多情况下可能不太方便，重要的是，医学图像的融合已被证明可以促进医学图像用于医学诊断和分析的临床可靠性，深度学习由于其在特征提取方面的优越能力，在图像融合领域显示出巨大的潜力，基于深度学习的融合方法主要分为端到端和非端到端两大类，一般而言，非端到端的融合方法只利用深度学习的特征提取能力识别医学图像中一些有用的信息，构造融合的权重图，对于端到端的方法，医学图像通常由无监督的方式进行融合，而基于深度学习的方法通常是基于卷积运算的，卷积运算可以很好地从源图像中捕获局部信息，但在建立远程上下文依赖关系的能力有限，且采用的损失函数通常基于像素级，像素级对噪声具有较低的鲁棒性，这在某种程度上会导致不可取的残差伪影，虽然基于多尺度变换的方法在医学图像融合中也取得了不错的效果，但是这类方法得到的融合结果很容易收到对比度降低和残差伪影的影响，假如对于图像特征提取的方案不太可靠，可能会引入部分错误的细节与能量信息产生次优的融合结果。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于错误纹理消除策略的图像融合方法及系统，能够有效提取出不同模态的医学图像信息，提供高质量的融合图像。

本发明所采用的第一技术方案是：一种基于错误纹理消除策略的图像融合方法，包括以下步骤：

通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；

基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；

基于像素选择规则对低频分量进行融合处理，得到低频融合图像；

基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像；

对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。

进一步，所述通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量这一步骤，其具体包括：

将多模态医学图像输入至低通滤波器进行梯度卷积提取处理，得到多模态医学图像的低频分量，所述多模态医学图像的低频分量包括图像的能量信息；

将多模态医学图像与低频分量进行作差处理，得到多模态医学图像的高频分量，所述多模态医学图像的高频分量包括图像的细节信息与纹理信息。

进一步，所述基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像这一步骤，其具体包括：

基于梯度差与熵的融合规则对高频分量进行细节捕获处理，得到高频分量的像素值；