记为 石，比较云和马，较大者即为融合后的灰度值。
[0046] 步骤4、由步骤3得到的灰度值构成融合后的输出图像。
[0047] 步骤5、对融合后的图像，用如下客观评价指标进行检测。
[004引步骤501、结构相似性(SSIM):
[0049] 说(义 y) = Wif，7)]p[c(义:Π ]"队λ',ηΓ
[0050] 其中，1村，￥)，(3村，￥)，3^，￥)分别表示亮度比较，对比度比较和图像结构比较，参 数曰，β，丫用于调节运Ξ个分量的相对重要性。
[0051] 步骤502、均方差误根(RISE)是指融合图像与理想图像的均方差误根：
[0化2]
[0053] 其中，M，N表示表示图像的尺寸，计算的均方差误根越小，融合后图像与理想图像 越接近。
[0054] 步骤503、互信息(MI)是信息论里一种有用的信息度量：
[ο化5]
[0056] 其中，扣,F(i，j)是理想图像与融合图像的归一化联合灰度直方图，PR(i)，PR(j)分 别为源图像的灰度直方图。互信息值越大，表示融合图像从源图像获取的信息越丰富，融合 效果越好。
[0057] 步骤504、信噪比（SNR)是指图像的信息与噪声之比，我们将理想图像看作信息，理 想图像与融合图像的差异看作噪声。信噪比能够很好的衡量融合后图像噪声是否得到抑 审IJ，信息量是否提高，边缘信息是否得到保留。
[0化引
[0059] 其中，R(i，j)为理想图像，F(i，j)为融合图像。信噪比越大，说明融合效果越好。
[0060] 步骤505、指标Qab/f能够很好的测量边缘信息从源图像到融合后图像的转换程度。
[0061]
[006^ 其中，M，N为图像的尺寸，如(.、·，.V)名…如')分别代表点（x，y)处边缘信息和方向信 息的值，(X，.V)，VI',,(J，.V)表示0化托毎,ν托^的权值。
[0063] 步骤506、化指标反映了融合后图像显著性。
[0064] 化二化 r(PM^(Pm) 丫
[0065]其中，Pp,Pm, Pm分别代表相位一致性值，最大值和最小值。
[0066] 步骤507、Qcf不仅反映了融合后图像的对比度，而且可W评估融合算法的性能。
[0067]
[0068] 其中，Ω表示图像灰度值分布不均匀区域，Μ是该部分所有像素的总和，S(x，y)表 示在(X，y)点边缘强度增强，0 (X，y)表示在点(X，y)的边缘一致性。该值越大，代表图像对比 度和显著性越强。
[0069] 为了验证本发明的效果，进行了 W下实验：
[0070] 实验环境是MATLAB Κ201(Λ。^输入图像为MRI/PET模态为例。
[0071] 实验方法：
[0072] 本发明分别与亮度-色度-饱和度（IHS)、主成分分析(PCA)、离散小波变换(DWT)、 灰度值取大、灰度值取小、灰度值取平均W及传统云融合等经典融合方法进行实验对比。
[0073] 基于自适应云模型的MRI和阳Τ的8种融合结果
[0074] 实验结果的评价指标：
[0075] 下表给出了上述8种融合方法的评价指标，可W看到在7种评价指标中，基于自适 应云模型的融合方法在55^，11，948/。，化，9加种指标中均达到了最优。说明融合脑部图像 信息更完整，在边缘信息转换，图像对比度，图像显著性等方面体现出明显的优势。
[0076] 表1基于MRI/PET的8种融合图像的评价指标
[0077]
[0078] 4、与现有技术的对比实验结果：
[0079] 表2对8种融合方法的每种指标进行排序打分，随后计算每种融合方法的融合图像 对巧巾评价指标的平均分，直观的体现了基于自适应云模型融合方法的优势，充分表明本发 明更好的综合了不同多模态的脑部信息，相比其他方法的融合图像获得了更精准、全面、可 靠的图像描述，W利于对脑部图像的进一步分析与研究。
[0080] 表2基于MRI/阳T的8种评价指标打分表
[0081]
[0082] W上运些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在 阅读了本发明的记载的内容之后，技术人员可W对本发明作各种改动或修改，运些等效变 化和修饰同样落入本发明权利要求所限定的范围。
【主权项】
1. 一种基于自适应云模型的多模态脑部图像融合方法，其特征在于，包括生成图像云 模型过程和云推理规则设计过程，其中图像云模型生成过程包括以下步骤：101、输入脑部 图像，并对脑部图像的灰度直方图进行拟合的步骤；102、根据拟合得出的曲线谷值点划分 区间，并在区间内，由逆向云发生器生成三个特征值，再由特征值生成云模型的步骤；另外 云推理规则设计过程包括步骤：103、将图像的灰度值数据对映射到步骤102云模型的步骤； 104、从云模型映射出灰度值，由灰度值构成融合后的输出图像。2. 根据权利要求1所述的基于自适应云模型的多模态脑部图像融合方法，其特征在于， 所述步骤102在区间内生成云模型，其中云模型的三个特征值采用逆向云发生器算法；由特 征值生成云模型采用正向云发生器算法;步骤103云推理规则设计过程中的灰度值数据对 映射到云模型米用X条件云发生器，而从云模型映射出灰度值米用Y条件云发生器来实现。3. 根据权利要求2所述的基于自适应云模型的多模态脑部图像融合方法，其特征在于， 当两幅图像A、B进行融合时，步骤101包括步骤:将两幅待融合图像A、B的灰度直方图进行拟 合，得到各自拟合曲线； 对两条拟合曲线求导，得到曲线极值点，再从中筛选出谷值点。4. 根据权利要求3所述的基于自适应云模型的多模态脑部图像融合方法，其特征在于， 步骤102包括： 在灰度值〇~256之间，相邻两个谷值点构成一个区间，在每个区间内，运用逆向云算法 和正向云算法得到一个云，进而得到每幅图像对应的云模型。5. 根据权利要求4所述的基于自适应云模型的多模态脑部图像融合方法，其特征在于， 步骤103包括： 对得到的两幅待融合图像的云模型，设计云推理规则;激发X条件云发生器将输入灰度 值数据对映射到云模型上。6. 根据权利要求.5所述的基于自适应云模型的多模态脑部图像融合方法，其特征在 于，步骤104包括： 构造二维云图，实现输入数据对到输出单个数据值的转换;激发Y条件云发生器将灰度 值映射出，即为融合后的灰度值，进而得到融合后的图像。7. 根据权利要求6所述的基于自适应云模型的多模态脑部图像融合方法，其特征在于， 所述X/Y条件云发生器变换，具体包括以下步骤： 假设图像A生成m个云，图像B生成n2个云； 记一组输入灰度值数据对对两个云模型的激发分别为μη和y2j，即构成X条件云发生器， 通过软与算法构造二维云，实现μχ=μη X y2j，求其最大值记为ymax; μη激发图像A云模型，即构成Y条件云发生器，生成一系列灰度值，求其平均记为^，_y2j 激发图像B云模型生成一系列灰度值，求其平均记为；，比较g和万，取较大者输出，即为融 合后的灰度值，yii中 l< = i<=m，y2j中 1< = j<=n2，yx中 1< =叉<=111\112;11，;[，」均取 正整数。
【专利摘要】本发明请求保护一种基于自适应云模型的多模态脑部图像融合方法，属于医学图像处理领域。本发明借助云模型理论将来自不同模态的MRI(核磁共振成像)脑部图像、MRI与PET(正电子发射断层成像)、MRI与SPECT(单光子发射断层成像)脑部图像进行融合。首先，根据脑部图像自身的灰度直方图特征，对灰度直方图进行拟合；然后，由拟合曲线的谷值点划分区间并通过逆向云发生器自适应地生成云模型；最后，设计云推理规则，得到融合后的图像。实验结果表明，相比传统融合方法，本方法融合后的图像脑部特征更清晰，激活区域更明显，在主观融合效果与客观评价指标方面均有很大的提高。
【IPC分类】G06T5/40, G06T5/50
【公开号】CN105447837
【申请号】CN201510811225
【发明人】李伟生, 赵佳, 肖斌, 王国胤
【申请人】重庆邮电大学
【公开日】2016年3月30日
【申请日】2016年2月4日