技術(shù)特征：

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

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。

2.根據(jù)權(quán)利要求1所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟S1中，根據(jù)尺度需求對(duì)低頻分量進(jìn)行再次分解。

3.根據(jù)權(quán)利要求1所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟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。

4.根據(jù)權(quán)利要求3所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟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。

5.根據(jù)權(quán)利要求3所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟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)

$E_m=\min \left({\Σ}_{i=1}^{i^{\max }-1}\underset{j=i+1}{\overset{i^{\max }}{\Σ}}\right(sum\left|{\mathrm{LHo}}_i\right|)-sum(\left|{\mathrm{LHo}}_j\right|\left)\right)---\left(5\right)$

$E_n=\min \left({\Σ}_{i^{\′}=1}^{i^{\′\max }-1}\underset{j^{\′}=i^{\′}+1}{\overset{i^{\′\max }}{\Σ}}\right(sum\left|{\mathrm{LHo}}_{i^{\′}}\right|)-sum(\left|{\mathrm{LHo}}_{j^{\′}}\right|\left)\right)---\left(6\right)$

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)。

6.根據(jù)權(quán)利要求5所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟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。

7.根據(jù)權(quán)利要求5所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟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)。

8.根據(jù)權(quán)利要求5所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟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。

9.根據(jù)權(quán)利要求1所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征是所述的步驟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。