一种基于wemd和pcnn的医学图像融合方法
【技术领域】
[0001] 本发明属于医学数字图像处理技术领域，具体涉及一种基于WEMD和PCNN的医学 图像融合方法。
【背景技术】
[0002] 医学图像融合技术是将两种或两种以上互为差异和互为补充的医学影像信息进 行适当的处理，使图像中的有用信息在处理后综合表达并显示出来，代替医生主观的人工 综合方式，使医生对病情的分析与判断更加准确，提高临床诊断效率和可靠性。
[0003] 医学图像融合主要包括功能成像图像与功能成像图像、解剖成像图像与解剖成像 图像、功能成像图像与解剖成像图像之间的融合。常见的融合类型有CT与MRI图像融合、 MRI与MRI图像融合、PET与MRI图像融合和SPECT与MRI图像融合[1]。在众多的医学图 像融合技术中，基于多尺度分析的医学图像融合方法如今已成为研究的热点，这类融合方 法的关键在于图像多尺度分解工具的选取和融合规则的制定。小波变换以及后小波变换 [2]作为重要的多尺度分解工具，已在医学图像融合领域得到了广泛应用[3-7]。然而无 论是小波变换还是后小波变换，其在分解过程中，都依赖于预先给定的小波函数，自适应较 差，且不同的小波函数所得到的结果差异较大[8]。
[0004]二维经验模态分解[9](bidimensionalempiricalmodedecomposition,BEMD) 作为一种新的多尺度分解工具，一经提出便吸引了大量学者进行研究，已成为近几年的研 究热点。BEMD是基于图像数据本身的，能够自适应的根据图像数据将二维图像信号分解成 有限的几个内蕴模函数（bidimensionalintrinsicmodefunction，简称BIMF)和一个残 差分量，以表征图像的不同频率特征。然而BEMD由于分解过程中要进行插值操作导致分解 相当费时，不利于实时图像处理。而且其分解所得的WMF分量有"灰度斑"现象，即出现了 频率混叠。梁灵飞等人提出的窗口经验模态分解（windowempiricalmode,WEMD) [10]作 为一种新的分解工具，则不存在上述问题。
[0005] 近几年来，学者围绕BEMD在医学图像融合中的应用进行了大量研究[11-15]，而 这种研究主要集中在融合规则上。文献[11]将特征提取和区域分割分别利用到分解所得 的WMF分量和残差分量上，提出了一种新的区域融合规则；文献[12]对分解所得的WMF 分量采用基于区域能量的融合规则，残差分量则直接相加以获得融合后的残差分量；文献 [13]先将分解得到的WMF分量和残差分量分别输入到脉冲耦合神经网络（pulsecoupled neuralnetwork，PCNN)中以提取图像的纹理和背景特征，再将对应于图像纹理信息和背景 信息的系数分别通过PCNN和双通道PCNN(dual-channelpulsecoupledneuralnetwork， DCPCNN)进行融合；文献[14]首先根据幅值能量比将WMF分为高低频分量，然后将低频 分量输入到双通道PCNN中以选取低频融合系数，最后将高频分量、低频分量和残差分量叠 加得到融合后的图像；文献[15]提出了m-BIMF的概念，并用m-PCNN[16]获取融合后的 m-BIMF分量，而残差分量则米用了一种基于熵的加权融合方案。
[0006] 综上分析，围绕BEMD的医学融合技术的融合规则主要是基于区域的融合规则和 基于脉冲耦合神经网络的融合规则。基于区域的融合规则利用图像的局部区域特征来确定 融合系数，能够突出图像的细节信息；基于脉冲耦合神经网络的融合规则利用神经元的脉 冲点火特性来选择融合系数，能够保留更多的细节信息。
【发明内容】
[0007] 本发明的目的是提供一种基于WEMD和PCNN的医学图像融合方法，解决了现有技 术中存在的多尺度分解算法自适应性差和所得融合图像边缘与对比度失真严重的问题。
[0008] 本发明所采用的技术方案是，一种基于WEMD和PCNN的医学图像融合方法，具体按 照以下步骤实施：
[0009] 步骤1、设有两幅医学图像，分别记为图像A和图像B，将图像A和图像B分别进行 配准；
[0010] 步骤2、对图像A进行一层WEMD分解得到WMF分量WMFA和残差分量RA，对图像 B进行一层WEMD分解得到WMF分量WMFB和残差分量RB;
[0011] 步骤3、对步骤2得到的WMF分量WMF#WMF分量WMF通行融合，得到融合 后的WMF分量WMFf;
[0012] 步骤4、对步骤2得到的残差分量RA和残差分量RB进行融合，得到融合后的残差 分量Rf;
[0013]步骤5、对步骤3得到的融合后的WMF分量WMFf和步骤4得到的残差分量R「进 行WEMD逆变换，得到融合图像F。
[0014] 本发明的特点还在于，
[0015] 步骤3对WMF分量WMF#WMF分量WMFB进行融合，按照WMF分量融合规则， 具体过程为：
[0016] 步骤（3. 1)、将WMF分量WMF#WMF分量WMFB均归一化到[0, 1]之间，作为 相应PCNN的馈送输入if和;
[0017]步骤（3. 2)、分别计算WMF分量WMF#WMF分量WMF8的每个像素的清晰度以 和_，作为相应神经元的链接强度；
[0018]步骤（3. 3)、设定WMF分量WMFjPWMF分量WMF亦PCNN初始值：L^(0)= Uij(〇) = 9ij(0) =Yij(o) =ο;
[0019] 步骤（3. 4)、按照PCNN模型进行迭代计算，最终得到WMF分量WMF#WMF分量 8頂匕的PCNN输出点火时间映射图矩阵YJPYB，设计算迭代次数为N_，当η<N_时反复 迭代，直到η=N_时结束；
[0020] 步骤（3. 5)、设PCNN中每个神经元与周围3X3邻域神经元链接，根据如下判决算 子确定Y#Y識合后的WMF分量WMFA:
[0021]
[0022] 其中，BniFF(i，j)，B頂FA(i，j)和WMFB(i，j)分别代表WMF分量WMFf和图像A、B 在像素点（i，j)位置处的BIMF系数值；ε为阈值；&(/,/)和1；〇'，/)分别表示像素点（i，j) 处点火时间YA(i，j)和YB(i，j)的邻域均值；YjPYB分别为PCNN输出的点火时间映射图矩 阵。
[0023] 步骤（3. 4)中的PCNN模型为：
[0024]
[0025] 其中阶梯函数(η)的具体表达式为：
[0026]
[0027] 式中，η为迭代次数；ij表不像素在图像矩阵中的位置；和L^分别为馈送输入 和链接输入，两者构成神经网络的接收域；^为外部输入刺激，这里为像素点（i，j)处的灰 度值；为内部活跃信号，属于神经网络的调制域部分；脉冲产生器部分由神经元的外部 输出和变阈值函数输出Θ^构成；β^为链接强度；WljklS突触连接权；α。\分别为链 接输入的时间常数和放大系数；At为阈值衰减常数，当取值为Θ^时表示点火成功，输 出一个脉冲，取值为〇时表示不输出脉冲，神经元的输出阈值被用来近似表示神经元的点 火时间，模型输出为阈值强度的点火映射图。
[0028] PCNN的参数设置如下：VL= 1.0,aL=〇.2,At= 0.0393,1^= 200,ε=At/2，
[0029] 步骤（3. 2)中链接强度用像素点（i，j)处的清晰度表示具体为：
[0030]
[0031] G(i，j)为像素点（i，j)处的梯度：
[0032]
[0033] f代表原图像，MXN代表邻域窗口的大小，M=N=3。
[0034] 步骤4对残差分量RA和残差分量R8进行融合，按照残差分量融合规则，具体过程 为：
[0035] 步骤（4. 1)、分别按照以下两式计算RA(i，j)和RB(i，j)中心像素（i，j)处的局部 区域能量：
[0036]
[0037]
[0038] 其中，MXN代表邻域窗口的大小，M=N= 3 ;w(m，n)表示加权模板，取值为
[0039]步骤（4.2)、计算RA(i，j)与RB(i，j)的区域匹配度MAB(i，j):
[0040]
[0041] 其中，EAB(i,j)表示RA(i,j)与RB(i,j)的相关区域能量，EAB(i,j)的计算如下：
[0042]
[0043]
[0044] 步骤（4· 3)、确定融合后的残差分量RF(i，j)。
[0045] 步骤（4.3)确定融合后的残差分量RF(i，j)具体为：
[0046] 设匹配度阈值为T，T= [0. 5~1]，如果MAB(i，j) <T，则选用局部区域能量最大 的系数作为融合系数，即
[0047]
[0048] 否则，执行以下加权规则：
[0049]
[0050] 得到融合后的残差分量RF(i，j)。
[0051] 本发明的有益效果是，一种基于WEMD和PCNN的医学图像融合方法，首先对图像进 行WEMD分解，不仅克服了传统小波方法小波基函数选取困难、自适应差的问题，而且有效 避免了传统BEMD方法所得WMF分量的"灰度斑"现象，加快了分解速度；然后对WMF分量 和残差分量分别根据其图像特性设计了不同的融合规则，以最大限度的提供融合图像的视 觉效果，BIMF分量采用基于改进的简化PCNN模型的融合规则选择图像的清晰区域，残差分 量采用基于区域能量的融合规则增强图像细节；最后，融合结果通过对融合分量进行WEMD 逆变换获得。因此，将WEMD和PCNN相结合，可以有效提高融合后的医学图像质量，为后续 的临床诊断提供参考。
【附图说明】
[0052] 图1是本发明一种基于WEMD和PCNN的医学图像融合方法的流程图；
[0053] 图2是本发明一种基于WEMD和PCNN的医学图像融合方法的图像融合示意图；
[0054] 图3是本发明一种基于WEMD和PCNN的医学图像融合方法中待融合图像，其中， (a)为CT图像，（b)为MRI图像；
[0055] 图4是基于文献16提到的m-PCNN方法的融合图像；
[0056] 图5是基于文献4提到的小