[发明专利]基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法

摘要

本发明提供一种基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法。该方法包含以下步骤1)对输入图像构建图像金字塔，对每层图像进行网格化，构建数据相关的各向异性热核，实现图像的多尺度表示；2)将不同尺度下的图像分组，并对每个分组构建低秩分析，提取其低秩部分，同时有效的滤除噪声，由所提取的显著信息构建多尺度空间；3)在图像金字塔的每一层内，低频信息采用S型函数进行融合，高频信息使用最大选择策略融合，金字塔层间采样权重融合。本发明所提出的多模态医学图像融合方法对噪声图像的融合具有较好的鲁棒性。

主权项

一种基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法，其特征在于包括以下步骤：步骤(1)、基于热核的多尺度图像表示：将输入的多模态图像转换到IHS颜色空间，对图像的I颜色通道构建图像金字塔，将每一层图像分为重叠的块，并利用Delaunay三角化方法对图像网格化，网格的每个顶点对应图像中的一个像素，由(x,y,I(x,y))表示，其中(x,y)表示了相关像素i的空间坐标，I(x,y)表示像素i的灰度值，取代顶点表示的第三维为β*I(x,y)，β为系数，以此来控制所构建热核的各向异性性和结构敏感性；基于所构建的网格和顶点表示方法，图像块所对应的拉普拉斯矩阵由P＝A‑1M定义，其中的质量矩阵A为对角阵，其中每一项表示了共享像素i的所有三角形的面积，刚度矩阵M的每一项编码了图像块的局部结构，定义如下：M(i,j)=Σj≠im(i,j)ifi=j-m(i,j)ifviandvjareadjacent,m(i,j)=cot(rij+)+cot(rij-)0otherwise,]]>其中和为共享连接顶点i和j边的对角；获得矩阵M和A后，通过求解广义特征问题MΦ＝ΛAΦ，得到最小的特征值及所对应的特征向量n表示最小的特征值数量；在此进行拉普拉斯矩阵的谱分解；构建数据相关的热核其中参数t表示尺度，不同的t表示了不同尺度下图像的平滑效果，随着t的增加，输出结果中包含的细节越少，噪声也越少，通过所够构建的热核与图像进行卷积获得不同尺度下的图像表示；该步骤采用了CUDA并行技术实现；步骤(2)、基于低秩分析的显著信息多尺度空间构建：通过步骤(1)所获得的多尺度表示，将金字塔每层图像的多尺度表示进行分组，每组分别作为低秩分析的初始化输入矩阵，利用GoDec方法进行低秩分析，获取每组的低秩部分，该低秩部分包含了小尺度范围内的显著信息，且滤除了输入图像内包含的噪声，将每个分组所提取的低秩部分进行二次重组，进而构建为基于显著信息的多尺度表示；步骤(3)、基于S型函数的尺度相关融合：通过步骤(2)中构建的显著信息多尺度空间，主模态基层权重设置为2，辅助模态基层的融合权重系数由S型函数计算，利用权重平均获得金字塔每层的基层融合效果，而细节层采用最大值选择方法获得细节层融合效果，每层的融合效果通过多个细节层和基层累加获得；而金字塔层间融合通过上采样低分辨率融合效果后与相邻下层融合效果进行权重合并，最终得到和输入图像相同分辨率的灰度层融合效果，利用GIHS方法得到最终的多模态医学图像融合效果图。