本發(fā)明涉及醫(yī)療領(lǐng)域，尤其是采用圖像處理技術(shù)對(duì)多模態(tài)醫(yī)學(xué)圖像進(jìn)行融合的方法，具體地說(shuō)是一種基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法。

背景技術(shù)：

目前，隨著計(jì)算機(jī)科學(xué)技術(shù)和醫(yī)療影響工程學(xué)的快速發(fā)展，世界上出現(xiàn)了許多先進(jìn)的醫(yī)療成像設(shè)備，為臨床醫(yī)學(xué)診斷提供了多種模態(tài)的醫(yī)學(xué)圖像，這些圖像從不同方面反映了人體結(jié)構(gòu)、臟器和病變組織的不同信息。

比如CT(Computed Tomography)圖像具有較強(qiáng)的空間分辨率和幾何特性，對(duì)骨骼的成像非常清晰，它可對(duì)病灶定位提供較好的參照，但對(duì)軟組織的對(duì)比度則相對(duì)較低。MR(Magnetic Resonance)圖像可以清晰地反映軟組織、器官、血管等的解剖結(jié)構(gòu)，有利于確定病灶范圍，但是MR圖像對(duì)鈣化點(diǎn)不敏感，且受到磁干擾會(huì)發(fā)生幾何失真。SPEC、PET圖像能得到人體任意角度斷層面的放射性濃度分布，可以反映組織器官的代謝水平和血流狀況，對(duì)腫瘤病變呈現(xiàn)“熱點(diǎn)”，提供人體的功能信息，但是它們的分辨率差，很難得到精確的解剖結(jié)構(gòu)，也不易分辨組織、器官的邊界。由此可見(jiàn)，不同成像技術(shù)有著自身的優(yōu)勢(shì)也同時(shí)擁有一些局限性，這些圖像對(duì)人體同一解剖結(jié)構(gòu)所得到的形態(tài)和功能信息是互為差異、互為補(bǔ)充的。

在臨床診斷中，單一模態(tài)的圖像往往不能提供醫(yī)生所需要的足夠信息，因此，如果能將不同模態(tài)的醫(yī)學(xué)圖像進(jìn)行適當(dāng)?shù)娜诤?，使解剖信息和功能信息有機(jī)地結(jié)合起來(lái)，在一幅圖像上同時(shí)綜合地表達(dá)來(lái)自多種成像源的信息，以便醫(yī)生了解病變組織或器官的綜合情況，并做出更加準(zhǔn)確的診斷或制定出更加科學(xué)優(yōu)化的治療方案，這必將推動(dòng)現(xiàn)代醫(yī)學(xué)臨床技術(shù)的巨大進(jìn)步。

針對(duì)不同模態(tài)醫(yī)學(xué)圖像的特點(diǎn)，為了能夠更好的融合不同圖像的重要信息，我們提出了基于自適應(yīng)小波基的多模態(tài)醫(yī)學(xué)圖像融合方法。在圖像能量特征計(jì)算的前提下，自適應(yīng)選擇最優(yōu)小波系數(shù)進(jìn)行小波變換，從而使得小波變換可以有效的將圖像的背景和細(xì)節(jié)進(jìn)行區(qū)分，在可調(diào)節(jié)的權(quán)重下，兩副不同模態(tài)圖像的高頻和低頻信息按照不同比例進(jìn)行疊加，快速、高效的完成了融合過(guò)程。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)圖像融合的問(wèn)題，提出一種基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法。

本發(fā)明的技術(shù)方案是：

一種基于自適應(yīng)小波基的多模態(tài)醫(yī)學(xué)圖像融合方法，它包括以下步驟：

S1、采用自適應(yīng)小波基濾波器對(duì)不同模態(tài)的醫(yī)學(xué)圖像進(jìn)行小波變換，將前述圖像分別分解為高頻、低頻以及高低頻結(jié)合的分量；

S2、對(duì)任意兩幅不同模態(tài)醫(yī)學(xué)圖像分解得到的高頻、低頻和高低頻結(jié)合的分量進(jìn)行疊加，得到融合圖像的高頻、低頻和高低頻結(jié)合的分量；

S3、對(duì)融合圖像的高頻、低頻和高低頻結(jié)合的分量進(jìn)行離散小波逆變換，得到原始大小的融合圖像。

本發(fā)明的步驟S1中，根據(jù)尺度需求對(duì)低頻分量進(jìn)行再次分解。

本發(fā)明的步驟S1具體為：

S1.1、構(gòu)造小波基濾波器庫(kù)，即以滿足正交條件定長(zhǎng)小波濾波器為基礎(chǔ)，在不同的初值條件下得到多個(gè)濾波器系數(shù)構(gòu)建小波基濾波器庫(kù)，在小波基濾波器庫(kù)中隨機(jī)選擇一個(gè)濾波器系數(shù)作為初始化濾波器；

S1.2、采用初始化濾波器對(duì)多個(gè)模態(tài)的醫(yī)學(xué)圖像進(jìn)行小波變換得到第一層分解分量，即通過(guò)離散小波變換獲得圖像在水平和垂直方向上的低頻分量LL1、水平方向上的低頻和垂直方向上的高頻分量LH1、水平方向上的高頻和垂直方向上的低頻分量HL1以及水平和垂直方向上的高頻分量HH1；

S1.3、根據(jù)圖像的能量分布和紋理波動(dòng)在小波基濾波器庫(kù)中再次選擇濾波器系數(shù)對(duì)步驟S1.2獲取的第一層分解分量中的低頻分量LL1進(jìn)行第二次小波變換，得到LL2、HH2、HL2、LH2重復(fù)步驟S1.3若干次，完成圖像分解。

本發(fā)明的步驟S1.3中，重復(fù)步驟S1.3進(jìn)行圖像分解的次數(shù)為3-5次。

本發(fā)明的步驟S1.3中，根據(jù)圖像的能量分布和紋理波動(dòng)在小波基濾波器庫(kù)中選擇濾波器系數(shù)的具體方法為：

S1.3-1、對(duì)圖像進(jìn)行器官提取的步驟：

對(duì)當(dāng)前分解分量中的四個(gè)分量進(jìn)行處理，從黑色的背景上將人體器官提取出來(lái)，具體采用圖像分割方法提取人體器官，或者采用設(shè)置邊界閾值的方法提取人體器官圖像HLo和LHo；

S1.3-2、計(jì)算圖像紋理特征參數(shù)的步驟：

采用下述公式計(jì)算橫向的圖像最小能量Eh、縱向的圖像最小能量Ev、橫向的圖像最小極差Ep、縱向的圖像最小極差Eq、橫向紋路最大波動(dòng)值Em和

縱向紋路最大波動(dòng)值En；

E_h＝min(max(|HLo|)) (1)

E_v＝min(max(|LHo|)) (2)

E_p＝min(max(|HLo|)-min(|HLo|)) (3)

E_q＝min(max(|LHo|)-min(|LHo|)) (4)

其中，HLo表示水平方向上的低頻和垂直方向上的高頻分量LH1對(duì)應(yīng)提取的人體器官圖像、LHo表示水平方向上的高頻和垂直方向上的低頻分量HL1對(duì)應(yīng)提取的人體器官圖像；i、j代表行的序號(hào)，i’、j’代表列的序號(hào)；S1.3-3、根據(jù)前述六個(gè)圖像紋理特征參數(shù)獲取小波基濾波器系數(shù)。

本發(fā)明的步驟S1.3-3中，小波基濾波器系數(shù)獲取方法為：根據(jù)步驟S1.3-2獲取的六個(gè)圖像紋理特征參數(shù)，采用最優(yōu)化算法獲取小波基濾波器系數(shù)，優(yōu)選遺傳規(guī)劃算法。

本發(fā)明的步驟S1.3-3中，小波基濾波器系數(shù)獲取方法為：提取一定量的樣本圖像，建立六個(gè)特征指標(biāo)與小波基濾波器系數(shù)的對(duì)照表，在實(shí)時(shí)計(jì)算時(shí)，根據(jù)步驟S1.3-2獲取的六個(gè)圖像紋理特征參數(shù)對(duì)照查找獲取對(duì)應(yīng)的小波基濾波器系數(shù)。

本發(fā)明的步驟S1.3-1中，采用設(shè)置邊界閾值的方法提取人體器官具體包括以下步驟：

對(duì)當(dāng)前次分解獲取的水平方向上的低頻和垂直方向上的高頻分量LHn、水平方向上的高頻和垂直方向上的低頻分量HLn的兩個(gè)子圖像進(jìn)行下述操作，分別得到器官圖像HLo和LHo：

當(dāng)sum(|Row|)>Threshold1時(shí)，保留當(dāng)前行像素?cái)?shù)據(jù)，否則，將當(dāng)前行像素?cái)?shù)據(jù)作為背景，刪除該行數(shù)據(jù)；

當(dāng)sum(|Column|)>Threshold2時(shí)，保留當(dāng)前列像素?cái)?shù)據(jù)，否則，將當(dāng)前列像素?cái)?shù)據(jù)作為背景，刪除該行數(shù)據(jù)；

其中，Row為行的像素，Column為列的像素，Threshold1、Threshold2分別是器官模型對(duì)應(yīng)的參數(shù)閾值。

本發(fā)明的步驟S2中，將兩幅不同模態(tài)醫(yī)學(xué)圖像分解得到高頻、低頻和高低頻結(jié)合的分量在一定權(quán)重下進(jìn)行疊加，得到融合圖像的高頻、低頻和高低頻結(jié)合的分量，具體為：

S2.1、以一定的權(quán)重對(duì)分解后的任意兩個(gè)模態(tài)醫(yī)學(xué)圖像的子圖像進(jìn)行融合，按照高低頻對(duì)應(yīng)相加的原則進(jìn)行，其中一副圖像的融合權(quán)重W選擇0.1～0.9之間的任意小數(shù)，另外一副融合權(quán)重為1-W；

S2.2、對(duì)不同模態(tài)圖像A和B的分解結(jié)果AHHn，ALLn、AHLn、ALHn和BHHn，BLLn、BHLn、BLHn進(jìn)行疊加運(yùn)算，n代表第n層分解，獲取融合圖像F的四個(gè)分量FHHn、FLLn、FHLn和FLHn：

FHHn＝wHH*AHHn+(1-wHH)*BHHn；wHH為高頻融合權(quán)重

FLLn＝wLL*ALLn+(1-wLL)*BLLn；wLL為低頻融合權(quán)重

FHLn＝wHL*AHLn+(1-wHL)*BHLn；wHL為高低頻融合權(quán)重

FLHn＝wLH*ALHn+(1-wLH)*BLHn；wLH為低高頻融合權(quán)重。

本發(fā)明的有益效果：

本發(fā)明將小波變換技術(shù)應(yīng)用于圖像處理領(lǐng)域中，自適應(yīng)小波基可以有效提升小波系數(shù)對(duì)低頻分量的細(xì)節(jié)敏感度，使得進(jìn)一步分解得到的高頻、低頻分量更加準(zhǔn)確，進(jìn)而使得融合效果得到提升；針對(duì)醫(yī)學(xué)圖像特點(diǎn)進(jìn)行的自適應(yīng)小波基系數(shù)分析的過(guò)程，區(qū)分了器官圖象和無(wú)效背景，有效提升了小波系數(shù)的可靠性，此方法可以和醫(yī)療大數(shù)據(jù)形成有效結(jié)合，形成以器官模型為基礎(chǔ)的魯棒性更強(qiáng)的醫(yī)療圖像分割、分析模型。

附圖說(shuō)明

圖1是本發(fā)明的結(jié)構(gòu)示意圖。

圖2是本發(fā)明的圖像能量特征與小波系數(shù)對(duì)照示意圖。

圖3是本發(fā)明中使用閾值判斷快速區(qū)分醫(yī)學(xué)圖像的器官和背景的示意圖。

圖4是本發(fā)明中紋理分析得到的圖像示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明。

如圖1-4所示，一種基于自適應(yīng)小波基的多模態(tài)醫(yī)學(xué)圖像融合方法，它包括以下步驟：

S1、采用自適應(yīng)小波基濾波器對(duì)不同模態(tài)的醫(yī)學(xué)圖像進(jìn)行小波變換，將前述圖像分別分解為高頻、低頻以及高低頻結(jié)合的分量；

S2、對(duì)任意兩幅不同模態(tài)醫(yī)學(xué)圖像分解得到的高頻、低頻和高低頻結(jié)合的分量進(jìn)行疊加，得到融合圖像的高頻、低頻和高低頻結(jié)合的分量；

S3、對(duì)融合圖像的高頻、低頻和高低頻結(jié)合的分量進(jìn)行離散小波逆變換，得到原始大小的融合圖像；

本發(fā)明的步驟S1中，根據(jù)尺度需求對(duì)低頻分量進(jìn)行再次分解。

本發(fā)明的步驟S1具體為：

S1.1、構(gòu)造小波基濾波器庫(kù)，即以滿足正交條件定長(zhǎng)小波濾波器為基礎(chǔ)，在不同的初值條件下得到多個(gè)濾波器系數(shù)構(gòu)建小波基濾波器庫(kù)，在小波基濾波器庫(kù)中隨機(jī)選擇一個(gè)濾波器系數(shù)作為初始化濾波器；

S1.2、采用初始化濾波器對(duì)多個(gè)模態(tài)的醫(yī)學(xué)圖像進(jìn)行小波變換得到第一層分解分量，即通過(guò)離散小波變換(Discrete Wavelet Transform，DWT)獲得圖像在水平和垂直方向上的低頻分量LL1、水平方向上的低頻和垂直方向上的高頻分量LH1、水平方向上的高頻和垂直方向上的低頻分量HL1以及水平和垂直方向上的高頻分量HH1；

S1.3、根據(jù)圖像的能量分布和紋理波動(dòng)在小波基濾波器庫(kù)中再次選擇濾波器系數(shù)對(duì)步驟S1.2獲取的第一層分解分量中的低頻分量LL1進(jìn)行第二次小波變換，得到LL2、HH2、HL2、LH2重復(fù)步驟S1.3若干次，完成圖像分解。

本發(fā)明的步驟S1.3中，重復(fù)步驟S1.3進(jìn)行圖像分解的次數(shù)為3-5次，在融合效果和計(jì)算效率上可以達(dá)到平衡點(diǎn)，由于每次分解圖像尺寸縮小為當(dāng)前層的1/4，所以一般尺寸很大的圖像才會(huì)使用5層以上的分解且實(shí)時(shí)性不高，3層以下的融合效果會(huì)相對(duì)差一些；對(duì)于較大尺寸圖像可以選擇5層分解，較小尺寸圖像選擇3層分解，也可以選擇4層分解作為一個(gè)平衡點(diǎn)。

根據(jù)醫(yī)學(xué)圖像能量統(tǒng)計(jì)：由于醫(yī)學(xué)圖像一般是灰度圖像，背景為帶有噪聲的黑色背景，前景為需要進(jìn)行觀察的人體器官，步驟S1.3中，根據(jù)圖像的能量分布和紋理波動(dòng)在小波基濾波器庫(kù)中選擇濾波器系數(shù)的具體方法為：，

S1.3-1、對(duì)圖像進(jìn)行器官提取的步驟：

對(duì)當(dāng)前分解分量中的四個(gè)分量進(jìn)行處理，從黑色的背景上將人體器官提取出來(lái)，具體采用圖像分割方法提取人體器官，或者采用設(shè)置邊界閾值的方法提取人體器官圖像HLo和LHo；

S1.3-2、計(jì)算圖像紋理特征參數(shù)的步驟：

采用下述公式計(jì)算橫向的圖像最小能量Eh、縱向的圖像最小能量Ev、橫向的圖像最小極差Ep、縱向的圖像最小極差Eq、橫向紋路最大波動(dòng)值Em和縱向紋路最大波動(dòng)值En；(計(jì)算圖像子能量參數(shù)Eh、Ev，以圖像的高通子能量最小設(shè)為限定條件，能夠使得小波基系數(shù)將文理特征體現(xiàn)出來(lái)，提高對(duì)細(xì)節(jié)信息的敏感性；圖像靜態(tài)分解后得到的小波系數(shù)最大值Ep、Eq，用以縮小圖像的小波系數(shù)分布范圍；橫、縱向紋路最大波動(dòng)Em、En即圖像行、列灰度值之和的差異，反映小波基與紋理細(xì)節(jié)的關(guān)系)

E_h＝min(max(|HL0|)) (1)

E_v＝min(max(|LH0|)) (2)

E_p＝min(max(|HL0|)-min(|HL0|)) (3)

E_q＝min(max(|LH0|)-min(|LH0|)) (4)

其中，HLo表示水平方向上的低頻和垂直方向上的高頻分量LH1對(duì)應(yīng)提取的人體器官圖像、LHo表示水平方向上的高頻和垂直方向上的低頻分量HL1對(duì)應(yīng)提取的人體器官圖像；i、j代表行的序號(hào)，i’、j’代表列的序號(hào)；S1.3-3、根據(jù)前述六個(gè)圖像紋理特征參數(shù)獲取小波基濾波器系數(shù)。

圖像紋理反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征，圖4清楚的顯示了紋理區(qū)域表達(dá)了圖像中主要目標(biāo)的邊緣、梯度變化等重要特征；我們以S1.3-2的6個(gè)能量和紋理公式作為優(yōu)選限定條件，從而選定適合目標(biāo)紋理圖像的濾波器。主要優(yōu)選方法為：根據(jù)前述六個(gè)圖像紋理特征參數(shù)，采用遺傳規(guī)劃算法獲取小波基濾波器系數(shù)。

本發(fā)明的步驟S1.3-3中，小波基濾波器系數(shù)獲取方法為：提取一定量的樣本圖像，建立6個(gè)特征指標(biāo)與小波基濾波器系數(shù)的對(duì)照表，在實(shí)時(shí)計(jì)算的時(shí)候進(jìn)行直接對(duì)照查找。

如圖3所示，橫線是對(duì)行像素的計(jì)算，縱線是對(duì)列像素的計(jì)算，此方法雖然是粗略的將器官整體圖像提取出來(lái)，但是在保證計(jì)算實(shí)時(shí)性方面非常有效，步驟S1.3-1中，采用設(shè)置邊界閾值的方法提取人體器官具體包括以下步驟：

對(duì)當(dāng)前次分解獲取的水平方向上的低頻和垂直方向上的高頻分量LHn、水平方向上的高頻和垂直方向上的低頻分量HLn的兩個(gè)子圖像進(jìn)行下述操作，分別得到器官圖像HLo和LHo：

當(dāng)sum(|Row|)>Threshold1時(shí)，保留當(dāng)前行像素?cái)?shù)據(jù)，否則，將當(dāng)前行像素?cái)?shù)據(jù)作為背景，刪除該行數(shù)據(jù)；

當(dāng)sum(|Column|)>Threshold2時(shí)，保留當(dāng)前列像素?cái)?shù)據(jù)，否則，將當(dāng)前列像素?cái)?shù)據(jù)作為背景，刪除該行數(shù)據(jù)；

其中，Row為行的像素，Column為列的像素，Threshold1、Threshold2分別是器官模型對(duì)應(yīng)的參數(shù)閾值。

本發(fā)明的步驟S2中，將兩幅不同模態(tài)醫(yī)學(xué)圖像分解得到高頻、低頻和高低頻結(jié)合的分量在一定權(quán)重下進(jìn)行疊加，得到融合圖像的高頻、低頻和高低頻結(jié)合的分量，具體為：

S2.1、以一定的權(quán)重對(duì)分解后的任意兩個(gè)模態(tài)醫(yī)學(xué)圖像的子圖像進(jìn)行融合，按照高低頻對(duì)應(yīng)相加的原則進(jìn)行，以任意兩幅不同模態(tài)醫(yī)學(xué)圖像為例，一副圖像的融合權(quán)重W可以選擇0.1～0.9之間的任意小數(shù)，另外一副融合權(quán)重為1-W；

S2.2、對(duì)不同模態(tài)圖像A和B的分解結(jié)果AHHn，ALLn、AHLn、ALHn和BHHn，BLLn、BHLn、BLHn進(jìn)行疊加運(yùn)算，n代表第n層分解，設(shè)融合圖像為F：

FHHn＝wHH*AHHn+(1-wHH)*BHHn；wHH為高頻融合權(quán)重

FLLn＝wLL*ALLn+(1-wLL)*BLLn；wLL為低頻融合權(quán)重

FHLn＝wHL*AHLn+(1-wHL)*BHLn；wHL為高低頻融合權(quán)重

FLHn＝wLH*ALHn+(1-wLH)*BLHn；wLH為低高頻融合權(quán)重。

本發(fā)明未涉及部分均與現(xiàn)有技術(shù)相同或可采用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。