李加恒;戴文战;李俊峰
【摘 要】T he know n algorithms of medical image fusion do not consider the difference among different source images . In view of this problem , a multi‐modality fusion algorithm based on mutual information was proposed .The algorithm introduces lifting wavelet transform and decomposes the target image into high frequency sub‐bands and low frequency sub‐bands . According to different mutual information amount of high frequency sub‐bands ,the fusion rule of combining local gradient energy and local standard deviation was adopted for low mutual information sub‐bands ,while fusion rule of bigger edge strength is applied for frequency mutual information sub‐bands .Experimental results of multi‐group target image fusion show the method proposed in this paper is much better because of its rich image information ,clear edge ,good visual features and excellent evaluation indexes .%目前已知的医学图像融合算法未充分考虑源图像间差异性的大小，针对该不足提出了一种基于互信息特征的多模态融合算法。算法引入提升小波变换，将目标图空气过滤材料
像分解为高、低频子带，根据高频子带的互信息量不同，对低互信息子带采用区域梯度能量与区域标准差相结合的融合规则，对高互信息子带采用边缘强度取大的融合规则。通过多组目标图像融合对比的实验进行验证，算法融合得到的图像信息丰富，边缘清晰，具有良好的视觉特性和优秀的评价指标。 纤维素水解【期刊名称】《浙江理工大学学报》
【年(卷),期】2016(035)004
【总页数】8页(P607-614)
【关键词】医学图像融合;提升小波变换;互信息;区域梯度能量;区域标准差
【作 者】电机减速机构李加恒;戴文战;李俊峰
【作者单位】浙江理工大学自动化研究所，杭州310012;浙江工商大学信息与电子工程学院，杭州310012;浙江理工大学自动化研究所，杭州310012
酵母分离机
mlnb【正文语种】中 文
【中图分类】TP391
医学图像融合是一种将多源信道采集的图像进行科学融合，从而得到高质量图像的方法，对临床医学诊断具有重要意义。CT、MRI、PETCT等先进的医学成像设备广泛应用于临床诊断中[1-2]。由于成像原理的差异，不同设备呈现的医学图像具有各自的特点。例如，CT图像主要用来反映密度较大的组织，如骨骼；MRI图像主要用来反映密度较小的组织，如血管、软组织等；SPECT图像主要用来定位病变组织的位置和程度[3]。为了弥补由于单一模式图像成像机理不同造成的图像信息缺失，需要进行多模态医学图像的融合，以实现优势互补，帮助医生对疾病准确、快速地诊断和。
近年来，小波多尺度分解在医学图像融合领域得到了大量应用。Kavitha等[4]提出的基于传统小波变换的医学图像融合，但是小波运算较为复杂、处理速度较慢，需要大量的存储空间。Liu等[5]采用图像锐度和互信息相结合后加权的融合算法，但是图像的锐度反映的是图像的“清晰度”，对于两张较模糊的医学源图像进行融合，融合效果不令人满意。Tian等[6]采用基于边缘信息的小波医学图像融合算法，采用选取边缘强度阈值的算法，但是对于源图像差异较大的图像组，图像间互信息较小时，融合效果并不理想。王昕等[7]采用低频分
量取大、高频分量梯度能量比加权的算法，虽然高频保留了图像的大部分细节信息，但是忽视了低频子带中的大部分信息，对于高互信息的源图像，在一定程度上削弱了梯度能量比加权的作用效果[8]。林卉等[9]采用方向对比度方法，虽该方案更加符合人的生理视觉，但是牺牲了某些真实有用信息，无法提高准确性。
本文在基于提升小波变换的基础上[10]，引入互信息原理，提出了基于互信息特征的医学图像融合新算法。通过互信息量将高频子带进行区分：互信息量低的高频子带，说明同位置的区域纹理相差较大，采用区域标准差与能量梯度相结合的方法，能更好地表现出边缘化程度和更微小的细节变化；互信息量高的高频子带[11]，说明同位置的区域纹理相似度较高，采用边缘强度取大的融合规则，以取得更好的融合效果。
传统的多尺度小波变换是指空间和频率的局部变换，它能够快速有效的从图像信号中获取信息。提升小波变换是在传统的小波变换基础上改进而来的，传统小波变换通常在频域中构造，而提升小波是在空域中构造，其优点是获取高频信息不需要通过复杂的卷积计算[12-13]。提升小波主要由4个步骤组成，分别为：分解、对偶提升、更新和重构[14]，其流程如图1所示。图1中：ai-1矩阵为初始信号；ai和bi为初始信号剖分的两个子集；P为预测值；U为构造的算子。
本文在提升小波变换基础上，引用互信息原理，提出了基于互信息特征的医学图像融合新算法：首先，将源图像A和B分别进行提升小波变换分解得到低频子带系数和高频子带系数。其中为低频子带系数，为高频子带系数；然后，通过分析各高频子带互信息量的不同，将高频子带分为高互信息量子带和低互信息量子带。互信息量越高，说明图像间相似度越高，差异性越小，反之则越大。通过高频系数间差异性的大小，采用不同的融合规则。最后将融合后的低频子带和高频子带采用提升小波逆变换方法。算法融合过程如图2所示。
微型碾米机2.1 低频区域平均能量加权融合
由于医学图像经过提升小波变换分解后，源图像的大量基础信息都在低频子带中。同时，相邻的低频子带系数间具有相关性的特性。因此，本文通过在低频子带中采用区域平均能量加权的融合规则，可以更好地保留低频子带中的信息。
低频子带系数矩阵中以(i,j)为中心及其相邻区域的均值能量表示为[18]:
定义K(i,j)为A图像与B图像的区域均值能量差别系数，即：
若区域均值能量差别系数大于α而小于或者大于而小于β，则说明两幅图像在该区域点的差异程度较小，否则说明两幅图像在该区域点的差异程度较大。因为相邻低频子带的区域能量具有相关性的特点，本文采用低频子带系数加权融合规则如下：
式(3)中，
2.2 基于互信息的高频子带融合规则
图像的细节信息主要包含在图像的高频子带中，纹理边缘代表了图像的细节特性。通常人们对图像高频子带融合采用单一的融合算法，但是对于待融合的源图像，图像差异的大小对图像融合效果影响较大。互信息量是两张图像相似性的一种测度，可以用信息熵来计算互信息。已完成配准待融合的图像来源于不同的成像设备，两幅图像相互表达的信息量很多。根据高频子带互信息量的不同，将高频子带分为高互信息量子带和低互信息量子带[15]。
对于区域互信息量低的高频子带，说明同位置的区域纹理相差较大；互信息量值高的高频子带，说明同位置的区域纹理相似度较高。互信息量远大于0时，说明图像A与图像B关联
强度强，互信息量趋近于0时，说明图像A与图像B关联强度弱。本文提出通过选定互信息阈值为25，将待融合的高频子带分为两类，分别采取不同的融合规则保证保存图像有效信息最大化。
2.2.1 低互信息量高频子带融合规则
对于低互信息量高频子带，说明同位置区域都包含重要信息并区别很大。比如A图像只有少量的骨骼的纹理特征，B图像有大量的血管、肌肉等纹理特征。A与B图像间相似度较小，互信息相对较低。由于图像的局部特征通常并不是某一个像素或几个像素就能所表现出来的，它是由某一区域内多个像素共同表现出来的。图像信号变化强弱可以通过梯度能量值表示出来。区域的灰度离散情况可以通过区域的标准差体现出来[16]。本文采用基于区域梯度能量和区域标准差相结合的融合规则，不仅能保证图像的整体细节，还能保持图像的清晰度，提高融合图像的质量[17]。
定义PX为图像的区域标准差：
式(5)中：M、N为图像区域行和列的数值，xi,j为像素的灰度值，是指像素的灰度均值。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议