一种基于图像属性和引导滤波的多模医学图像融合方法与流程

本发明涉及图像融合技术领域，特别是涉及一种基于图像属性和引导滤波的多模医学图像融合方法。

背景技术：

众所周知，医学影像学在诊断、治疗规划、手术导航等临床应用中发挥着越来越重要的作用，由于成像机制的多样性，不同模式的多模态医学图像聚焦于不同的器官、组织信息。计算机断层成像(ct)可以精确地检测致密结构，磁共振成像(mr)可以提供软组织的高分辨率解剖信息。正电子发射断层扫描(pet)和单光子发射(spect)可以反映机体的代谢信息。为了获得足够的信息进行准确诊断，多模医学图像融合技术是一种有效的方法。其目的是将多张不同模态的医学图像中的互补信息进行融合，生成一幅合成图像。

一般情况下，图像融合由低到高分为三个层次：像素级融合、特征级融合、决策级融合，本专利研究的是像素级图像融合。

当前的多模医学图像融合方法主要可以分为两大类：变换域融合算法和空间域融合算法。变换域融合算法主要步骤如下：首先将图像变换到特定的图像表示域，然后利用融合规则对图像表示系数进行融合，最后利用逆变换得到融合图像。变换域融合方法在图像融合领域通常能获得较好的效果。变换及融合规则的选择是这类方法的两大基本问题。此外这类方法中存在分解层数难易确定问题，并且由于有变换和反变换的过程其通常需要花费较多的时间。空间域融合方法不同于变换域融合方法。空间域融合方法在空间域上对源图像进行融合，通常这类方法的计算复杂度较低，本专利针对变换域融合算法发的上述问题在空间域融合算法中提出解决方案。

技术实现要素：

为了解决上述技术问题，本发明提供了一种基于图像属性和引导滤波的多模医学图像融合方法。

本发明采用如下技术方案：一种基于图像属性和引导滤波的多模医学图像融合方法，方法步骤如下：

一、移动帧分解框图(mfdf)分解：

利用mfdf将源图像{a,b}分解为它们各自的纹理成分{at,bt}和各自的近似成分{aa,ba}；

二、纹理成分融合:

利用绝对值最大规则对源图像的纹理成分{at,bt}进行融合得到融合纹理成分ft，此外为了尽可能的使相邻像素的信息来自同一图像，我们对纹理成分ft进行一致性检测；

三、近似成分融合：

1、首先利用高斯滤波和拉普拉斯滤波得到近似成分{aa,ba}的初始权值图{pa,pb}；

2、然后我们利用阈值分割方法和引导滤波方法细化初始权值图{pa,pb}得到最终权值图{ta,tb}；

3、最后的融合近似成分fa为近似成分{aa,ba}与最终权值图{ta,tb}的加权求和；

四、图像重建：

融合纹理成分ft与融合近似成分fa对应位置像素的平方和的算术平方根即融合图像f对应位置的像素值。

与现有技术相比，本发明具有的优点：该方法能保留更多的图像边缘和纹理信息，同时融合图像具有较高的对比度，并且更符合人的视觉，由于该方法不仅能获得较好的融合效果，同时计算效率较高，其在多模医学图像融合系统中具有潜在的应用价值。

附图说明

图1是本发明的多模医学图像融合方法的基本框图。

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

实施例

step1:移动帧分解框架(mfdf)分解

移动帧分解框架可以将一幅图像i分解为纹理成分it和近似成分ia。其基本步骤如下：

1、创建可用于图像分解的矩阵p

表示图像i的梯度,ix和iy分别表示图像i在水平和垂直方面的偏导。μ为一设定的常数，其值的选择对分解结果有一定影响。

2、利用矩阵p根据式(2)得到图像i的纹理成分it和近似成分ia

在本专利中，我们利用式(1-2)将源图像{a,b}分解为它们各自的纹理成分{at,bt}和各自的近似成分{ad,bd}。

step2:纹理成分融合

利用绝对值最大规则对源图像的纹理成分{at,bt}进行融合得到融合纹理成分ft。此外为了尽可能的使相邻像素的信息来自同一图像，我们对纹理成分ft进行一致性检测。该融合过程用式(3-5)来表示。

maxx＝majority(abs(xt),wr)(3)

mm＝((maxa＞maxb)*w)＞floor(r×r/2)(4)

ft＝mm.×at+((～mm).×bt)(5)

在式(3-5)，x∈{a,b},majority表示多数滤波器函数，abs为绝对值函数，wr为r×r的滤波模板。在本专利的所有公式中，*代表卷积运算，mm为纹理成分权值图，.×代表点乘运算。

step3:近似成分融合

在引导滤波基本理论中，在以像素k为中心的局部窗口wk中，滤波输出o与引导图像i之间存在线性关系。

其中参数ak和bk定义如下:

其中，μk，δk，|w|和与局部窗口wk有关。具体地说,μk和δk分别代表引导图像i在局部窗口wk内的平均值和方差,|w|为局部窗口wk内的像素总数，为输入图像p在局部窗口wk内的平均值。为方便起见,我们数学上将引导滤波表示为式(9)。

o＝gfr,ε(p,i)(9)

其中gfr,ε代表引导滤波函数，两个子下标r和ε分别代表引导滤波器的大小和模糊程度。

在本专利中，近似成分融合按以下三步进行：

1、首先利用高斯滤波和拉普拉斯滤波根据式(10-12)得到近似成分{aa,ba}的初始权值图{pa,pb}。

pa＝sa＞sb(11)

pb＝sa＜sb(12)

在式(10-12)中，x∈{a,b},lap表示拉普拉斯滤波函数，wl为l×l的拉普拉斯滤波模板，gau表示高斯滤波函数，为高斯滤波模板。

2、然后我们利用阈值分割方法和引导滤波方法细化初始权值图{pa,pb}得到终权值图{ta,tb},该过程可以用式(13-15)来表示

wx＝thsegment(xa,thx)(13)

ta＝gfr,ε(((pa|wa)&(～wb)),aa)(14)

tb＝gfr,ε(((pb|wb)&(～wa)),ba)(15)

在式(13-15)中，x∈{a,b}，thsegment为阈值分割函数，阈值thx为图像xa前5％(像素值大小)像素的均值，wx为图像xa的分割二值图，gfr,ε为引导滤波函数，两个子下标r和ε分别设置为4和0.3。

3、最后融合的近似成分fa根据式(16)得到

fa＝ta.×aa+tb.×ba(16)

step4：图像重建

融合图像f根据式(17)得到

不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。