CN111583167A - 用于钬激光的碎石的图像融合方法 - Google Patents
用于钬激光的碎石的图像融合方法 Download PDFInfo
- Publication number
- CN111583167A CN111583167A CN202010406651.6A CN202010406651A CN111583167A CN 111583167 A CN111583167 A CN 111583167A CN 202010406651 A CN202010406651 A CN 202010406651A CN 111583167 A CN111583167 A CN 111583167A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- fused
- energy
- holmium laser
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
Abstract
本发明公开了一种用于钬激光的碎石的图像融合方法,包括如下步骤:S1:通过内镜获取结石的源图像A和图像B;S2:将图像A和图像B分别分成由n个NXN的区域构成,分别计算每个NXN区域的能量;S3:设a表示以(x、y)为中心位置的NXN区域,计算图像A、图像B在对应中心位置(x,y)处的区域能量;S4:计算图像A和图像B在对应中心位置f(x,y)上的匹配度,并根据匹配度进行初步融合得到图像T。本发明通过对待融合的两幅图像先利用区域能量进行融合得到初步融合的图像,再将初步融合的图像与待融合的图像利用小波金字塔技术再进行融合最终得到融合的图像,如此融合能够减小图像融合的失真,使图像更清晰。
Description
技术领域
本发明涉及一种图像融合方法,特别是一种采用钬激光碎石时碎石的图像融合方法。
背景技术
目前运用钬激光碎石技术治疗泌尿系统结石已经为主流的手术碎石方案。
钬激光的碎石原理是利用钬激光对结石组织中水分的强吸收后导致结石微爆破的方式碎石,因而适用任何硬度的结石。狄激光在碎石时通常在内镜下进行钬激光碎石,为了更好的对碎石观察,方便医生对结石的碎裂程度进行分析,因此需要对碎石的图像进行处理以得到清晰的碎石图像。现有的碎石图像融合容易导致融合后的图像失真或图像的清晰度不够。
发明内容
本发明的目的是提供一种用于钬激光的碎石的图像融合方法,通过对待融合的图像先利用区域能量进行融合得到初步融合的图像,再将初步融合的图像与待融合的图像利用小波金字塔技术再进行融合最终得到融合的图像,如此融合能够减小图像融合的失真,使图像更清晰。
本发明提供了一种用于钬激光的碎石的图像融合方法,包括如下步骤:
S1:通过内镜获取结石的源图像A和图像B;
S2:将图像A和图像B分别分成由n个NXN的区域构成,分别计算每个 NXN区域的能量;
S3:设a表示以f(x、y)为中心位置的NXN区域,计算图像A、图像B 在对应中心位置(x,y)处的区域能量;
S4:计算图像A和图像B在对应中心位置f(x,y)上的匹配度,并根据匹配度进行初步融合得到图像T;
S5:对图像A、图像B和图像T进行解析,找到图像中存放像素数据的数据元素,读出图像的像素矩阵C、D、E;
S6:根据成像对象的最佳显示范围调整图像的窗宽、窗位进行像素映射,将大范围的原始像素数据映射到0-255之间,便于后序的融合和显示处理;
S7:对调整后的像素矩阵进行小波分解,建立像素数据的小波金字塔;
S8:对高频部分和低频部分分别进行数据融合,得到融合后的小波金字塔;
S9:对融合后的小波金字塔进行逆变换,重构出融合后图像的像素数据,从而得到融合后的图像。
如上所述的一种用于钬激光的碎石的图像融合方法,其中,优选的是,步骤S2中所述区域的长和宽上的像素数匀为N,N为奇数且不小于3。
如上所述的一种用于钬激光的碎石的图像融合方法,其中,优选的是,所述步骤S3中区域能量用Ek(x、y)表示,其中k=A或B;
l、m分别为像素f的高度和宽度;l大于等于1小于等于N,m大于等于 1小于等于N,其中N为NXN的长度和宽度。
如上所述的一种用于钬激光的碎石的图像融合方法,其中,优选的是,所述步骤S4中,图像A和图像B在该中心位置(x,y)上的能量匹配度计算公式如下:
如上所述的一种用于钬激光的碎石的图像融合方法,其中,优选的是,所述步骤S4中还包括如下步骤:
S41:设置一匹配度阈值R;
S42:将MAB(x,y)与R进行比较,若MAB(x,y)<R,则说明两幅图像的能量匹配度很低,则取能量高的像素值作为初次融合后图像F的像素值;若 MAB(x,y)≥R则说明两幅图像在能量上差距很小,可以用简单的加权平均方法进行融合。
如上所述的一种用于钬激光的碎石的图像融合方法,其中,优选的是,步骤S8中高频部分和低频部分分别进行数据融合是以高频部分的系数和低频部分的系数分别进行融合;
其中,低频部分的系数融合采用加权平均法:
设Hi(l,m)(i=F,A,B,T,分别代表融合图像F和参与融合的图像A、B、T) 表示某点的低频系数,则对于低频系数的融合规则如下式所示:
HF(l,m)=ω1HA(l,m)+ω2HB(l,m)+ω3Hl(l、m)
其中ω1、ω2为加权系数,ω1+ω2+ω3=1;
高频部分的系数融合采用取较大绝对值系数法。
如上所述的一种用于钬激光的碎石的图像融合方法,其中,优选的是,步骤S7中,分别对C、D、E调整后的像素矩阵进行三层小波分解,每幅图像都能得到1个低频子带和9个高频子带,从而建立像素数据的小波金字塔。
与现有技术相比,本发明通过对待融合的两幅图像先利用区域能量进行融合得到初步融合的图像,再将初步融合的图像与待融合的图像利用小波金字塔技术再进行融合最终得到融合的图像,如此融合能够减小图像融合的失真,使图像更清晰。
附图说明
图1是本发明一种用于钬激光的碎石的图像融合方法的流程示意图;
图2是本发明中图像T合成流程图;
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明的实施例:如图1所示公开了一种用于钬激光的碎石的图像融合方法,包括如下步骤:
S1:通过内镜获取结石的源图像A和图像B;具体实施时,通过内镜中的微型摄像组件不断采集结石的图片,这里以采集的两幅原图像作为融合的事例。
S2:将图像A和图像B分别分成由n个NXN的区域构成,分别计算每个 NXN区域的能量;具体实施时,NXN可选择3X3、5X5、7X7等。
S3:设a表示以f(x、y)为中心位置的NXN区域,计算图像A、图像B 在对应中心位置(x,y)处的区域能量;
S4:计算图像A和图像B在对应中心位置f(x,y)上的匹配度,并根据匹配度进行初步融合得到图像T;通过区域能量融合法对图像A和图像B进行初步融合能够得到较为清晰的初步融合图像,但是采用分块的做法进行能量融合很容易造成位置点特征的消失,因此仅仅通过使用区域能量融合的方法得到融合的图像是不行的还需要对图像进行处理。
S5:对图像A、图像B和图像T进行解析,找到图像中存放像素数据的数据元素,读出图像的像素矩阵C、D、E;
S6:根据成像对象的最佳显示范围调整图像的窗宽、窗位进行像素映射,将大范围的原始像素数据映射到0-255之间,便于后序的融合和显示处理;
S7:对调整后的像素矩阵进行小波分解,建立像素数据的小波金字塔;
S8:对高频部分和低频部分分别进行数据融合,得到融合后的小波金字塔;
S9:对融合后的小波金字塔进行逆变换,重构出融合后图像的像素数据,从而得到融合后的图像。
本申请中通过对图像A、图像B先进行小区域划分进行区域能量融合得到初步融合的图像T,再将图像A、图像B、图像T进行小波分解,建立像素数据的小波金字塔,再对高频部分和低频部分分别进行数据融合,得到融合后的小波金字塔,最终对融合后的小波金字塔进行逆变得到最终的融合后的图像,通过如此的处理能够能够减小图像融合的失真,使图像更清晰,便于医务人员观察结石的情况,从而采取对应的措施。进一步地,步骤S2中所述区域的长和宽上的像素数匀为N,N为奇数且不小于3。如此,便于对每个区域的中心位置进行确定。
进一步地,所述步骤S3中区域能量用Ek(x、y)表示,其中k=A或B;
l、m分别为像素f的高度和宽度;l大于等于1小于等于N,m大于等于1 小于等于N,其中N为NXN的长度和宽度。
优选的,所述步骤S4中,图像A和图像B在该中心位置(x,y)上的能量匹配度计算公式如下:
进一步地,所述步骤S4中还包括如下步骤:
S41:设置一匹配度阈值R;
S42:将MAB(x,y)与R进行比较,若MAB(x,y)<R,则说明两幅图像的能量匹配度很低,则取能量高的像素值作为初次融合后图像F的像素值;若 MAB(x,y)≥R则说明两幅图像在能量上差距很小,可以用简单的加权平均方法进行融合。
进一步地,步骤S8中高频部分和低频部分分别进行数据融合是以高频部分的系数和低频部分的系数分别进行融合;
其中,低频部分的系数融合采用加权平均法:
设Hi(l,m)(i=F,A,B,T,分别代表融合图像F和参与融合的幅图像A、B、T) 表示某点的低频系数,则对于低频系数的融合规则如下式所示:
HF(l,m)=ω1HA(l,m)+ω2HB(l,m)+ω3Hl(l、m)
其中ω1、ω2为加权系数,ω1+ω2+ω3=1;具体的,若ω1=ω2=ω3
,则为平均融合。在融合的过程中需要考虑参与融合的两个像素值的权值。权值可以通过计算三幅图像的相关系数来确定,相关系数的定义为:式中Coor为三幅图像的相关系数,为图像A的灰度平均值,为图像B的灰度平均值,为图像 T的灰度平均值;权值为:ω3=1-ω1-ω2。
高频部分的系数融合采用取较大绝对值系数法。
优选的,步骤S7中,分别对C、D、E调整后的像素矩阵进行三层小波分解,每幅图像都能得到1个低频子带和9个高频子带,从而建立像素数据的小波金字塔。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (7)
1.一种用于钬激光的碎石的图像融合方法,其特征在于:包括如下步骤:
S1:通过内镜获取结石的源图像A和图像B;
S2:将图像A和图像B分别分成由n个NXN的区域构成,分别计算每个NXN区域的能量;
S3:设a表示以f(x、y)为中心位置的NXN区域,计算图像A、图像B在对应中心位置(x,y)处的区域能量;
S4:计算图像A和图像B在对应中心位置f(x,y)上的匹配度,并根据匹配度进行初步融合得到图像T;
S5:对图像A、图像B和图像T进行解析,找到图像中存放像素数据的数据元素,读出图像的像素矩阵C、D、E;
S6:根据成像对象的最佳显示范围调整图像的窗宽、窗位进行像素映射,将大范围的原始像素数据映射到0-255之间,便于后序的融合和显示处理;
S7:对调整后的像素矩阵进行小波分解,建立像素数据的小波金字塔;
S8:对高频部分和低频部分分别进行数据融合,得到融合后的小波金字塔;
S9:对融合后的小波金字塔进行逆变换,重构出融合后图像的像素数据,从而得到融合后的图像。
2.根据权利要求1所述的用于钬激光的碎石的图像融合方法,其特征在于:步骤S2中所述区域的长和宽上的像素数匀为N,N为奇数且不小于3。
5.根据权利要求3所述的用于钬激光的碎石的图像融合方法,其特征在于:所述步骤S4中还包括如下步骤:
S41:设置一匹配度阈值R;
S42:将MAB(x,y)与R进行比较,若MAB(x,y)<R,则说明两幅图像的能量匹配度很低,则取能量高的像素值作为初次融合后图像F的像素值;若MAB(x,y)≥R则说明两幅图像在能量上差距很小,用简单的加权平均方法进行融合。
6.根据权利要求1所述的用于钬激光的碎石的图像融合方法,其特征在于:步骤S8中高频部分和低频部分分别进行数据融合是以高频部分的系数和低频部分的系数分别进行融合;
其中,低频部分的系数融合采用加权平均法:
设Hi(l,m)(i=F,A,B,T,分别代表融合图像F和参与融合的两幅图像A、B,T)表示某点的低频系数,则对于低频系数的融合规则如下式所示:
HF(l,m)=ω1HA(l,m)+ω2HB(l,m)+ω3Hl(l、m)
其中ω1、ω2为加权系数,ω1+ω2+ω3=1;
高频部分的系数融合采用取较大绝对值系数法。
7.根据权利要求1所述的用于钬激光的碎石的图像融合方法,其特征在于:步骤S7中,分别对C、D、E调整后的像素矩阵进行三层小波分解,每幅图像都能得到1个低频子带和9个高频子带,从而建立像素数据的小波金字塔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406651.6A CN111583167B (zh) | 2020-05-14 | 2020-05-14 | 用于钬激光的碎石的图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406651.6A CN111583167B (zh) | 2020-05-14 | 2020-05-14 | 用于钬激光的碎石的图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583167A true CN111583167A (zh) | 2020-08-25 |
CN111583167B CN111583167B (zh) | 2022-06-07 |
Family
ID=72110838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010406651.6A Active CN111583167B (zh) | 2020-05-14 | 2020-05-14 | 用于钬激光的碎石的图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583167B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697231A (zh) * | 2009-10-29 | 2010-04-21 | 西北工业大学 | 一种基于小波变换和多通道pcnn的高光谱图像融合方法 |
US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
CN103065291A (zh) * | 2012-12-26 | 2013-04-24 | 辽宁师范大学 | 基于提升小波变换和像素区域相关性的图像融合方法 |
CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
CN107133938A (zh) * | 2016-08-31 | 2017-09-05 | 电子科技大学 | 基于小波系数统计模型的鲁棒图像融合方法 |
CN108389158A (zh) * | 2018-02-12 | 2018-08-10 | 河北大学 | 一种红外和可见光的图像融合方法 |
CN109816618A (zh) * | 2019-01-25 | 2019-05-28 | 山东理工大学 | 一种基于自适应阈值的区域能量光子计数图像融合算法 |
-
2020
- 2020-05-14 CN CN202010406651.6A patent/CN111583167B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697231A (zh) * | 2009-10-29 | 2010-04-21 | 西北工业大学 | 一种基于小波变换和多通道pcnn的高光谱图像融合方法 |
US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
CN103065291A (zh) * | 2012-12-26 | 2013-04-24 | 辽宁师范大学 | 基于提升小波变换和像素区域相关性的图像融合方法 |
CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
CN107133938A (zh) * | 2016-08-31 | 2017-09-05 | 电子科技大学 | 基于小波系数统计模型的鲁棒图像融合方法 |
CN108389158A (zh) * | 2018-02-12 | 2018-08-10 | 河北大学 | 一种红外和可见光的图像融合方法 |
CN109816618A (zh) * | 2019-01-25 | 2019-05-28 | 山东理工大学 | 一种基于自适应阈值的区域能量光子计数图像融合算法 |
Non-Patent Citations (2)
Title |
---|
RICHA SRIVASTAVA ET AL,: "Local energy-based multimodal medical image fusion in curvelet domain", 《COMPUTER VISION, IET》 * |
申晓华等: "改进的基于区域能量的图像融合方法", 《弹箭与制导学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111583167B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Othman et al. | The applications of discrete wavelet transform in image processing: A review | |
Yang et al. | Medical image fusion via an effective wavelet-based approach | |
CN105894483B (zh) | 一种基于多尺度图像分析和块一致性验证的多聚焦图像融合方法 | |
US9058656B2 (en) | Image restoration system and method | |
Yang | Multiresolution Image Fusion Based on Wavelet Transform By Using a Novel Technique for Selection Coefficients. | |
CN109993703A (zh) | 多尺度图像降噪方法及装置 | |
Raj et al. | Ultrasound medical image denoising using hybrid bilateral filtering | |
CN111583167B (zh) | 用于钬激光的碎石的图像融合方法 | |
CN111340760B (zh) | 基于多任务两级卷积神经网络的膝关节定位方法 | |
Obukhova et al. | Review of noise reduction methods and estimation of their effectiveness for medical endoscopic images processing | |
Li et al. | Medical Image Enhancement Algorithm Based on Biorthogonal Wavelet. | |
CN116823688A (zh) | 基于多尺度模糊质量评估的多聚焦图像融合方法及系统 | |
Peruru et al. | Multimodal medical image fusion based on undecimated wavelet transform and fuzzy sets | |
CN116229163A (zh) | 基于空-谱自注意力机制的医学高光谱影像分类方法 | |
CN113222833B (zh) | 一种侧扫声呐图像处理方法与装置 | |
Sale et al. | Image fusion for medical image retrieval | |
Yang et al. | Fusion of CT and MR images using an improved wavelet based method | |
CN113111874A (zh) | 一种腰椎侧位图像快速分类方法 | |
CN113610717A (zh) | 一种用于皮肤病紫外荧光图像的增强方法 | |
Liu et al. | A multiscale image enhancement method for calcification detection in screening mammograms | |
Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
Raj et al. | Denoising of medical ultrasound images using spatial filtering and multiscale transforms | |
Mohabir | Knee cartilage segmentation of ultrasound images using convolutional neural networks and local phase enhancement | |
Sriraam et al. | Performance evaluation of linear and nonlinear filters for despeckling B mode foetal heart ultrasound images | |
Ghardallou et al. | Adaptive block sized reversible watermarking scheme based on integer transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |