專利名稱：基于脊波變換的醫(yī)學數(shù)字減影圖像融合方法
技術(shù)領域：
本發(fā)明屬于醫(yī)學圖像處理技術(shù)中的圖像融合領域，涉及一種醫(yī)學數(shù)字減影(DSA)圖像的自適應融合方法，具體涉及動態(tài)模糊技術(shù)與Ridgelet變換理論。

背景技術(shù)：
當今世界，心腦血管疾病正嚴重威脅著人類的健康和生命安全。但血管類軟組織的診斷卻相當復雜，極大地依賴于計算機與X線血管造影技術(shù)等高科技手段。
數(shù)字減影血管造影(DSA)是20世紀80年代興起的一種醫(yī)療圖像學新技術(shù)，是計算機與常規(guī)X線血管造影相結(jié)合的一種新的檢查方法，它集數(shù)字電子學、計算機技術(shù)與血管造影于一體的新技術(shù)，它具有實時成像、分辨率高、減影效果及繪制血管路徑圖等特點，可清晰地顯示血管形態(tài)及分支，是研究血管影像特征的有效方法。DSA圖像是通過將造影劑注入到心腦血管等感興趣部位，將相同部位造影劑注入前后的兩幅X射線成像圖像相減，去除非感興趣器官對X射線吸收形成的背景圖像，以得到的清晰的血管造影圖像。
由于腦部血管形態(tài)結(jié)構(gòu)復雜，粗細不均，個體差異又客觀存在，導致造影劑在血管里的流動速度不一致，從而產(chǎn)生了差異極大的DSA序列圖像。單幅序列圖像只能代表局部血管影像狀況。醫(yī)生觀察整個序列圖像費時費力且容易產(chǎn)生漏診。因此將每一幅DSA序列圖像融合到一幅完整的圖像中，使之包含血管整體結(jié)構(gòu)，又不乏細節(jié)表述，對醫(yī)療輔助診斷具有重要意義。
傳統(tǒng)的圖像融合技術(shù)可分為像素級的圖像融合、特征級的圖像融合和決策級的圖像融合。其中，像素級和特征級的圖像融合的研究和使用最廣泛。像素是圖像的基本元素，像素間灰度值的差異顯現(xiàn)出圖像中所包含的結(jié)構(gòu)信息，以像素為基礎的方法由于直接對圖像進行逐點處理，所以，用到的數(shù)學原理易于理解，算法實現(xiàn)也比較簡單，不過實現(xiàn)的效果相對較差。而以圖像特征為基礎的方法，由于要對圖像進行特征提取、目標分割等處理，算法復雜，但是實現(xiàn)的效果基本能滿足診斷的要求。
由于心腦血管瘤的特殊性和復雜性，這些傳統(tǒng)的融合技術(shù)在醫(yī)學圖像的融合過程中都不能發(fā)揮很好的作用。首先，由于心腦腦血管圖像大多是灰度圖像、比較模糊，將所有序列圖像按同固定閾值進行直接融合，其對比度分辨率相對就低。其次，由于人體血管組織比較復雜，結(jié)構(gòu)很不規(guī)則，融合時濾波器的選擇至關(guān)重要。
因而，需要一種新的方法對DSA圖像進行融合，以獲得較好的融合圖像。利用獲得的融合圖像可以對圖像中的血管實現(xiàn)檢測，以構(gòu)建DSA圖像計算機輔助診斷系統(tǒng)，對心腦血管的診斷起到輔助作用。
近年來，美國斯坦福大學E.J.Candes和D.L.Donoho建立了一種非常適合于表示方向差異性的多尺度方法—Ridgelet變換。由于Ridgelet變換本質(zhì)是通過對小波基函數(shù)添加一個表征方向參數(shù)得到的，所以它不但和小波一樣具有局部時頻分析能力，而且還具有很強的方向選擇和識別能力，可以非常有效的表示信號中具有方向性的奇異性特征，如圖像的線性輪廓等，這是傳統(tǒng)小波變換方法無法做到的。大量實驗表明，Ridgelet變換在直線特征的表示和提取中非常有效.[參見文獻E.J.Candes，Ridgelets.Theory and Applications[D]，Departmentof Statistics，StanfordUniversity，1998.] 由于Ridgelet變換與小波變換類似，但是Ridgelet函數(shù)引入了表示直線的參數(shù)，而小波函數(shù)采用了表示點的參數(shù)，因此小波變換可以刻畫點(零維)的奇異性，但是無法刻畫圖像中線、面(一維或更高維)的奇異性，這一性質(zhì)直接影響小波變換在表示圖像邊緣等幾何機構(gòu)方面的有效性；而Ridgelet函數(shù)的橫截面是一條類似小波的曲線，Ridgelet沿著脊線是一條直線。正是這樣的幾何結(jié)構(gòu)使得Ridgelet變換可以有效的處理圖像中直線狀和超平面狀的奇異性。
李國新在“基于Ridgelet變換的圖像融合”(通信技術(shù)2009年第6期P.144-146)一文中公開了一種基于Ridgelet變換的圖像融合方法，用于照片類圖像的融合。Ridgelet變換所產(chǎn)生的高頻及低頻系數(shù)是進行圖像濾波處理的關(guān)鍵，但高頻和低頻的劃分標準是一個模糊概念，傳統(tǒng)的閾值處理已不能很好的處理包含復雜紋理信息的圖像。因此，當將上述方法用于醫(yī)學數(shù)字減影(DSA)圖像融合時，難以獲得較好的、均衡的融合效果。


發(fā)明內(nèi)容
本發(fā)明目的是提供一種基于Ridgelet變換的DSA圖像自適應融合方法，用以解決現(xiàn)有DSA圖像無法在保持血管紋理細節(jié)的前提下實現(xiàn)自適應融合的缺點。
為達到上述目的，本發(fā)明首先針對DSA圖像的灰度，紋理等特性進行了研究，發(fā)現(xiàn)DSA圖像大多是灰度圖像、比較模糊，將所有序列圖像在不分析其所攜帶信息特點的情況下，按同一閾值直接融合，其對比度分辨率相對就低。其次，由于人體血管組織比較復雜，結(jié)構(gòu)很不規(guī)則，簡單的疊加融合會帶來更多的噪聲，不利于醫(yī)生觀察主要部位。
基于上述腦血管的形態(tài)特點，本發(fā)明考慮采用將Ridgelet變換與動態(tài)模糊理論相結(jié)合的方法進行圖像融合。
本發(fā)明采用的技術(shù)方案是一種基于脊波變換的醫(yī)學數(shù)字減影圖像融合方法，包括下列步驟 (1)對待處理的序列醫(yī)學數(shù)字減影圖像中的2個圖像分別進行脊波變換，獲得各圖像的脊波變換矩陣； (2)進行融合處理，獲得融合后的脊波變換矩陣； (3)對融合后的脊波變換矩陣進行脊波逆變換，獲得的重構(gòu)圖像即為融合后的圖像； 其中，所述步驟(1)中，首先設定高低頻系數(shù)的初始判斷閾值和步長，根據(jù)判斷閾值確定高低頻系數(shù)進行脊波變換，并利用反變換重構(gòu)融合圖像，計算融合圖像的信息熵，用動態(tài)模糊方法根據(jù)步長改變判斷閾值重復上述操作，用對應最大信息熵的判斷閾值作為最終判斷閾值，據(jù)此獲得步驟(1)所述的脊波變換矩陣； 所述信息熵計算公式為 式中，E指信息熵，Pk是指灰度值等于K的概率，L指圖像包含的灰度值量。
優(yōu)選的技術(shù)方案，所述初始判斷閾值為0.5，所述步長為0.1。
一種基于脊波變換的醫(yī)學數(shù)字減影圖像融合方法，對不少于3幅圖像的序列進行圖像融合，每次取序列中的2幅圖像，采用前述方法進行融合，用融合后的圖像替代該2幅圖像，構(gòu)成新的圖像序列，重復上述過程，直至完成所有圖像的融合。
圖像融合的目標是將多幅圖像合成一幅單一圖像，該融合DSA圖像所包含的細節(jié)信息比任何一單一源DSA圖象的信息都要豐富。本方法針對多幅圖像進行融合時，可以將第1張與第2張進行融合，將得到的融合圖像再與第3張融合，不斷迭代直至最后一張DSA圖像。此過程中保持每次融合2張圖像。
Ridgelet由于同時具有時、頻局域性，適于表示瞬變信號，能夠有效地處理高維直線或超平面奇異性問題，因而在圖像處理中得到了廣泛的應用。
Ridgelet處理后得到的高低頻系數(shù)分別代表了圖像中不同的細節(jié)信息，然而處理過程中高低頻系數(shù)的劃分又是一個動態(tài)模糊問題，將動態(tài)模糊邏輯理論應用到圖像融合領域非常必要。因此本發(fā)明構(gòu)建了一個動態(tài)模糊成員函數(shù)來對高低頻系數(shù)進行優(yōu)化配置，從而提升融合圖像的各項質(zhì)量指標。
由于上述技術(shù)方案的運用，本發(fā)明與現(xiàn)有技術(shù)相比具有下列優(yōu)點 1.本發(fā)明給出了一種全新的DSA圖像自適應、智能融合方法，提高了融合圖像的信息熵，降低了均方根誤差率，具有很好的魯棒性。
2.本發(fā)明使用圖像的信息熵作為圖像所攜帶信息量的判斷標準，不但符合圖像領域的科學原理，而且容易實現(xiàn)，為產(chǎn)品化奠定基礎。
3.使用動態(tài)模糊技術(shù)，在處理圖像等非結(jié)構(gòu)化數(shù)據(jù)的時候，比傳統(tǒng)的(靜態(tài))模糊技術(shù)具有更強的計算優(yōu)勢，它能判斷數(shù)據(jù)變化的趨勢，減少不必要的計算量，提高了算法效率。
4.實驗證明，本發(fā)明的基于動態(tài)模糊Ridgelet變換的DSA圖像融合方法是可行的，通過與多種其他融合方法的比較，驗證了該方法性能優(yōu)于平均權(quán)重法、拉普拉斯金字塔法、離散小波法等傳統(tǒng)融合方法。提高了融合圖像的信息熵，降低了均方根誤差率，極大得豐富了醫(yī)學圖像的紋理細節(jié)，為醫(yī)療輔助診斷提供了一種新的可靠的圖像融合方法。
5.將本發(fā)明應用于心腦血管的輔助診斷系統(tǒng)中，算法的時間復雜度低，得到的結(jié)果較為精確，可以很好地輔助醫(yī)生診斷心腦血管疾病。



圖1是實施例一中基于脊波變換的DSA圖像自適應融合方法總體流程圖； 圖2是實施例一中針對具體的2幅DSA序列圖像進行自適應融合的方法示意圖。

具體實施例方式 下面結(jié)合附圖及實施例對本發(fā)明作進一步描述 實施例一圖1為基于Ridgelet變換的DSA圖像自適應融合方法的總體流程圖，數(shù)據(jù)文件(圖片文件)是符合DICOM標準的腦部DSA血管圖片。
步驟一讀入DSA序列圖片，并且對其進行Ridgelet變換。具體步驟如下(參見圖2) 步驟1讀入DSA序列圖片中的2張圖片，圖片大小統(tǒng)一由系統(tǒng)設置為1024像素(長)×1024像素(寬)，標記為圖片1和圖片2。這樣即可避免由于圖像過大所帶來的圖像分給問題。
步驟2對圖片1、圖片2分別進行數(shù)字Ridgelet變換。
即通過Radon變換，一幅1024×1024的圖像的像素點變?yōu)?024×2048的陣列，再對1024×2048陣列進行一維小波變換就得到了2048×2048陣列Ridgelet變換的結(jié)果，矩陣中每個單元的值都是0-1之間的一個實數(shù)。
步驟3Ridgelet變換后分別得到圖片1和圖片2所對應的高頻系數(shù)和低頻系數(shù)(矩陣)。這里的高頻和低頻是一個模糊的概念，并且隨著閾值的選擇動態(tài)變化著。一般通過設定一個固定閾值來劃分高頻系數(shù)和低頻系數(shù)。由于高低頻系數(shù)都分布于
這個區(qū)間內(nèi)，因此可以通過建立動態(tài)模糊邏輯(DFL)優(yōu)化模型來優(yōu)化分布高頻系數(shù)和低頻系數(shù)。
具體方法如下 步驟二建立動態(tài)模糊邏輯(DFL)優(yōu)化模型實現(xiàn)圖像的自適應融合 首先要定義介紹動態(tài)模糊邏輯的基本概念。首先要明確動態(tài)模糊數(shù)據(jù)的幾個公約. 公約1.把既包括“動態(tài)的”又包括“模糊的”的數(shù)據(jù)特性稱作動態(tài)模糊性。
公約2.把具有動態(tài)模糊性的數(shù)據(jù)稱作動態(tài)模糊數(shù)據(jù)。
公約3.把動態(tài)模糊數(shù)據(jù)構(gòu)成的集合稱作動態(tài)模糊數(shù)據(jù)集U. 建立動態(tài)模糊邏輯(DFL)優(yōu)化模型具體步驟 步驟1在論域U上定義映射 或者 記為則稱

為U上的動態(tài)模糊數(shù)據(jù)集(dynamic fuzzy data sets)，簡稱DFDS，稱

為隸屬函數(shù)對

的隸屬度。
任何一個動態(tài)模糊數(shù)據(jù)a∈
，都可動態(tài)模糊化為
且 步驟2對DSA序列圖片進行基于動態(tài)模糊的Ridgelet變換。
具體步驟如下 步驟2-1本發(fā)明定義動態(tài)模糊數(shù)據(jù)集為

和

分別表明頻率“增高”和頻率“降低”.其中“←”表明增高方向的動態(tài)變化趨勢；“←”表明降低方向的動態(tài)變化趨勢。
步驟2-2假設動態(tài)模糊數(shù)據(jù)成員α∈
，則α屬于動態(tài)模糊數(shù)據(jù)集，定義如下
且 步驟2-3計算兩個動態(tài)模糊數(shù)據(jù)子集(分別對應兩幅被融合圖片高低頻信息)可以理解為兩個成員函數(shù)之間的計算。圖片1對應使用成員函數(shù)A，圖片2對應使用成員函數(shù)B。本發(fā)明構(gòu)建的新的成員函數(shù)如下 本實施例設置對高低頻系數(shù)的判斷閾值的步長為0.1，即閾值最多可以取0.1，0.2，0.3，……0.9這9個值。動態(tài)模糊技術(shù)可以計算閾值的變化趨勢，減少計算量，提升圖像融合效率。設置閾值初值取0.5，公式(6)列出了閾值取0.5時成員函數(shù)的構(gòu)建方式。
步驟三用Ridgelet反變換重構(gòu)DSA圖像，計算圖像信息熵，不斷重復步驟二，直到判斷得到最大熵。具體如下 步驟1將圖片1和圖片2通過Ridgelet變換和動態(tài)閾值分析后生成的高頻系數(shù)一一比較取最大值保留；同樣將圖片1和圖片2通過Ridgelet變換和動態(tài)閾值分析后生成的低頻系數(shù)一一比較取最小值保留。
步驟2將優(yōu)化所得的高、低頻系數(shù)通過下式進行ridgelet反變換，重建圖像，即得初步的融合圖像 步驟3通過信息熵計算公式計算圖像信息熵，不斷重復以上，直到判斷得到最大熵。信息熵計算公式如下 其中，E指信息熵，Pk是指灰度值等于K的概率，L指圖像包含的灰度值量。
例如當閾值＝0.5時，計算Ridgelet反變換后生成的融合圖像的信息熵E1。
根據(jù)成員函數(shù)，求當閾值＝0.4時，計算Ridgelet反變換后生成的融合圖像的信息熵E2。
若E1＜E2，下一個閾值取0.3，得信息熵與E2比較。不斷遞進計算得最大信息熵。
若E1＞E2，根據(jù)成員函數(shù)，求閾值變化趨勢的反方向，即求當閾值＝0.6時，計算Ridgelet反變換后生成的融合圖像的信息熵E3。
若E1＜E3，下一個閾值取0.7，得信息熵與E3比較。不斷遞進計算得最大信息熵。
若E1＞E3，則取信息熵E1為最大信息熵。
步驟四輸出包含最大信息熵的DSA圖像，即得到最終包含豐富細節(jié)的融合圖像。
表1表示取不同閾值時融合圖像所對應的信息熵。經(jīng)計算，閾值取0.6時所對應的圖片(c)的信息熵最大，所以輸出圖片(c)為最優(yōu)融合圖片。
表1各閾值所對應信息熵
注“←”表明增高方向的動態(tài)變化趨勢； “→”表明降低方向的動態(tài)變化趨勢。
說明本實施例所用DSA實例圖片都遵守DICOM標準。典型的DSA醫(yī)學序列圖片一般由20-22張構(gòu)成。
通過構(gòu)建動態(tài)模糊成員函數(shù)，我們可以充分利用Ridgelet高低頻系數(shù)的動態(tài)模糊特性。對系數(shù)分布進行優(yōu)化配置，提升融合性能。Ridgelet是一種能夠表示方向選擇能力的多尺度變換方法，促進著計算和應用諧波分析的領域的發(fā)展。與傳統(tǒng)小波相比Ridgelet有著很好的方向選擇它能有效地處理二維空間中具有直線奇性的信號。動態(tài)模糊邏輯理論在處理此類非結(jié)構(gòu)化數(shù)據(jù)時具有極大的優(yōu)越性，本發(fā)明將二者有機結(jié)合成基于Ridgelet變換的DSA圖像自適應融合方法，其融合性能有了很大的提高，且具有很好的魯棒性。
權(quán)利要求
1.一種基于脊波變換的醫(yī)學數(shù)字減影圖像融合方法，包括下列步驟
(1)對待處理的序列醫(yī)學數(shù)字減影圖像中的2個圖像分別進行脊波變換，獲得各圖像的脊波變換矩陣；
(2)進行融合處理，獲得融合后的脊波變換矩陣；
(3)對融合后的脊波變換矩陣進行脊波逆變換，獲得的重構(gòu)圖像即為融合后的圖像；
其特征在于
所述步驟(1)中，首先設定高低頻系數(shù)的初始判斷閾值和步長，根據(jù)判斷閾值確定高低頻系數(shù)進行脊波變換，并利用反變換重構(gòu)融合圖像，計算融合圖像的信息熵，用動態(tài)模糊方法根據(jù)步長改變判斷閾值重復上述操作，用對應最大信息熵的判斷閾值作為最終判斷閾值，據(jù)此獲得步驟(1)所述的脊波變換矩陣；
所述信息熵計算公式為
式中，E指信息熵，Pk是指灰度值等于K的概率，L指圖像包含的灰度值量。
2.根據(jù)權(quán)利要求1所述的基于脊波變換的醫(yī)學數(shù)字減影圖像融合方法，其特征在于所述初始判斷閾值為0.5，所述步長為0.1。
3.一種基于脊波變換的醫(yī)學數(shù)字減影圖像融合方法，其特征在于對不少于3幅圖像的序列進行圖像融合，每次取序列中的2幅圖像，采用權(quán)利要求1的方法進行融合，用融合后的圖像替代該2幅圖像，構(gòu)成新的圖像序列，重復上述過程，直至完成所有圖像的融合。
全文摘要
本發(fā)明公開了一種基于脊波變換的醫(yī)學數(shù)字減影圖像融合方法，包括下列步驟(1)對2個圖像分別進行脊波變換，獲得脊波變換矩陣；(2)進行融合處理；(3)對融合后的脊波變換矩陣進行脊波逆變換，獲得的重構(gòu)圖像即為融合后的圖像；其特征在于步驟(1)中，設定初始判斷閾值和步長，據(jù)此進行脊波變換，利用反變換重構(gòu)融合圖像，計算融合圖像的信息熵，用動態(tài)模糊方法根據(jù)步長改變判斷閾值重復上述操作，用對應最大信息熵的判斷閾值作為最終判斷閾值，獲得步驟(1)所述的脊波變換矩陣。本發(fā)明能有效提高了融合圖像的信息熵，降低了均方根誤差率，且性能優(yōu)于其他傳統(tǒng)融合方法。算法的時間復雜度低，得到的結(jié)果較為精確，極大地豐富了醫(yī)學圖像的紋理細節(jié)。
文檔編號G06T5/50GK101799918SQ20101012605
公開日2010年8月11日 申請日期2010年3月17日 優(yōu)先權(quán)日2010年3月17日
發(fā)明者崔志明, 張廣銘, 吳健 申請人:蘇州大學