CN116091373A - 一种基于错误纹理消除策略的图像融合方法及系统 - Google Patents
一种基于错误纹理消除策略的图像融合方法及系统 Download PDFInfo
- Publication number
- CN116091373A CN116091373A CN202310010595.8A CN202310010595A CN116091373A CN 116091373 A CN116091373 A CN 116091373A CN 202310010595 A CN202310010595 A CN 202310010595A CN 116091373 A CN116091373 A CN 116091373A
- Authority
- CN
- China
- Prior art keywords
- fusion
- image
- frequency
- low
- texture
- 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.)
- Pending
Links
- 230000008030 elimination Effects 0.000 title claims abstract description 32
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 32
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000007499 fusion processing Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- HXGZBJUOISOSHJ-BFHYXJOUSA-N (4-aminophenyl) [(2r,3s,5r)-2-(hydroxymethyl)-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-3-yl] hydrogen phosphate Chemical compound O=C1NC(=O)C(C)=CN1[C@@H]1O[C@H](CO)[C@@H](OP(O)(=O)OC=2C=CC(N)=CC=2)C1 HXGZBJUOISOSHJ-BFHYXJOUSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012882 sequential analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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 using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于错误纹理消除策略的图像融合方法及系统，该方法包括：通过低通滤波器对多模态医学图像进行图像分解；基于梯度差与熵的融合规则对高频分量进行融合处理；基于像素选择规则对低频分量进行融合处理；基于迭代最小二乘法对低频融合图像进行错误纹理消除处理；对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。该系统包括：分解模块、高频融合模块、低频融合模块、纹理消除模块和加权融合模块。通过使用本发明，能够有效提取出不同模态的医学图像信息，提供高质量的融合图像。本发明作为一种基于错误纹理消除策略的图像融合方法及系统，可广泛应用于医学图像融合技术领域。
Description
技术领域
本发明涉及医学图像融合技术领域，尤其涉及一种基于错误纹理消除策略的图像融合方法及系统。
背景技术
医学图像融合旨在从多重成像模态生成包含互补信息的单一图像，磁共振图像(MRI)、计算机断层扫描图像(CT)、正电子发射断层扫描(PET)和单光电子发射计算机断层扫描(SPECT)主要应用于医学图像融合，MRI提供软组织的高分辨率解剖学信息，而CT提供有关骨头和植入物等密集结构的信息，与CT和MRI图像不同，PET和SPECT提供有关血流和代谢变化功能信息，但其空间分辨率较低，虽然医生对医学图像的顺序分析可以提供足够的信息，但在许多情况下可能不太方便，重要的是，医学图像的融合已被证明可以促进医学图像用于医学诊断和分析的临床可靠性，深度学习由于其在特征提取方面的优越能力，在图像融合领域显示出巨大的潜力，基于深度学习的融合方法主要分为端到端和非端到端两大类，一般而言，非端到端的融合方法只利用深度学习的特征提取能力识别医学图像中一些有用的信息，构造融合的权重图，对于端到端的方法，医学图像通常由无监督的方式进行融合，而基于深度学习的方法通常是基于卷积运算的，卷积运算可以很好地从源图像中捕获局部信息，但在建立远程上下文依赖关系的能力有限，且采用的损失函数通常基于像素级，像素级对噪声具有较低的鲁棒性，这在某种程度上会导致不可取的残差伪影，虽然基于多尺度变换的方法在医学图像融合中也取得了不错的效果，但是这类方法得到的融合结果很容易收到对比度降低和残差伪影的影响，假如对于图像特征提取的方案不太可靠，可能会引入部分错误的细节与能量信息产生次优的融合结果。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于错误纹理消除策略的图像融合方法及系统，能够有效提取出不同模态的医学图像信息，提供高质量的融合图像。
本发明所采用的第一技术方案是：一种基于错误纹理消除策略的图像融合方法，包括以下步骤：
通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；
基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；
基于像素选择规则对低频分量进行融合处理，得到低频融合图像；
基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像；
对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。
进一步，所述通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量这一步骤，其具体包括：
将多模态医学图像输入至低通滤波器进行梯度卷积提取处理，得到多模态医学图像的低频分量，所述多模态医学图像的低频分量包括图像的能量信息；
将多模态医学图像与低频分量进行作差处理，得到多模态医学图像的高频分量，所述多模态医学图像的高频分量包括图像的细节信息与纹理信息。
进一步，所述基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像这一步骤，其具体包括：
基于梯度差与熵的融合规则对高频分量进行细节捕获处理，得到高频分量的像素值；
对高频分量的像素值的大小进行比较，选取像素值最大时对应的图像，得到高频分量的决策图；
对高频分量的决策图与高频分量进行做积运算，得到高频融合图像。
进一步，所述梯度差与熵的融合规则的表达式具体如下所示：
上式中，
表示多模态医学图像的高频分量，
表示(i,j)的领域，其中
是一个大小为ψ×ψ的局部窗口，GE(·)表示像素点的梯度能量，
表示
在(i',j')梯度上的绝对值，
表示
的熵的值。
进一步，所述基于像素选择规则对低频分量进行融合处理，得到低频融合图像这一步骤，其具体包括：
获取多模态医学图像的低频分量的像素值并进行比较处理，生成第一低频融合决策图；
基于局部相位相干法对低频分量进行图像锐度评估，得到低频分量的亮度信息；
基于低频分量的亮度信息对空间位置上所有方向进行加权平均组合，构建空间LPC图；
对空间LPC图进行LPC强度测量，输出显著特征图；
获取显著特征图的像素值并进行比较处理，生成第二低频融合决策图；
对第一低频融合决策图与第二低频融合决策图进行融合处理，构建低频融合图像。
进一步，所述基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像这一步骤，其具体包括：
确定迭代最小二乘法模型的目标函数并进行最小化处理，得到最小化后的目标函数；
将最小化后的目标函数嵌入至迭代最小二乘法模型并进行傅里叶变换与逆傅里叶变换处理，构建ILS模型；
将低频融合图像输入至ILS模型进行纹理信息提取处理，得到消除纹理后的低频分量；
将多模态医学图像的低频分量与消除纹理后的低频分量进行作差处理，得到低频纹理决策图像；
基于低频纹理决策图像的像素值进行比较，选取像素值最大时对应的图像，获取消除低频纹理融合图像。
进一步，所述ILS模型的表达式具体如下所示：
上式中，F-1(·)表示IFFT算子，F(·)表示FFT算子，f表示输入的图像，
表示F(·)的复共轭，F(1)表示FFT的delta函数，u表示平滑后的输出结果，
表示u延x轴和y轴的梯度，un+1表示第n迭代后输出的结果，c表示一个常数，其中c＝0.8，
表示分别表示延x轴、y轴的梯度。
进一步，所述对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理的表达式具体如下所示：
上式中，F表示最终融合图像，FH表示高频融合图像，FT表示低频融合图像，
表示消除低频纹理融合图像。
本发明所采用的第二技术方案是：一种基于错误纹理消除策略的图像融合系统，包括：
分解模块，用于通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；
高频融合模块，基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；
低频融合模块，基于像素选择规则对低频分量进行融合处理，得到低频融合图像；
纹理消除模块，基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到低频纹理融合图像；
加权融合模块，用于对高频融合图像、低频融合图像与低频纹理融合图像进行线性加权融合处理，得到最终融合图像。
本发明方法及系统的有益效果是：本发明通过对多模态医学图像进行图像分解，获取图像的高频分量和低频分量，基于梯度差与熵的融合规则对高频分量进行融合处理，该融合规则能够有效检测出高频信息中清晰度高、显著的细节信息，再基于像素选择规则对低频分量进行融合处理，在低频成分融合中可能会包含部分错误的纹理从而降低了有用亮度信息的像素值，导致图像对比度与清晰度降低，为了去除低频成分中一些错误融合的纹理信息，引入了迭代最小二乘模型，滤除融合低频成分中大部分的纹理，而不影响能量信息的分布，本发明能够准确识别医学图像中有用的像素信息，并且能够尽可能地去除融合图像中错误的纹理，提供高质量的融合结果。
附图说明
图1是本发明一种基于错误纹理消除策略的图像融合方法的步骤流程图；
图2是本发明一种基于错误纹理消除策略的图像融合系统的结构框图；
图3是本发明一种基于错误纹理消除策略的图像融合方法的结构框图；
图4是本发明具体实施例中获取的两个多医学源图像；
图5是通过本发明方法与现有方法进行融合得到的融合结果对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图3，本发明提供了一种基于错误纹理消除策略的图像融合方法，该方法包括以下步骤：
S1、获取对应的多模态医学源图像f1和f2并进行图像分解；
具体地，对于不同模态的医学图像来说，低频成分主要包含的是源图像中的能量信息，而高频成分则代表了图像中的细节与纹理，本发明引入了一种快速有效的低通滤波器对源图像进行分解，该滤波器由以下离散梯度算子组成，
上式中，ft代表第t个源图像，t∈{1,2,...,T}，
表示源图像的低频成分，ga＝[-1,1]和gb＝[-1,1]T分别是垂直和水平方向的梯度操作，*表示卷积操作，β表示控制低通滤波器的正则化参数，在本发明中被设置为3，高频成分由以下公式获得，
上式中，
表示高频成分；
S2、对多模态医学源图像的高频成分融合；
具体地，低频与高频子带分别代表了图像的不同特征，具体而言，低频子带像素强度变化缓慢，相对于源图像来说较为平滑，但能够保持源图像中大部分的强度值，而高频子带代表了图像中的细节信息，对应像素强度值变化较快的部分，并且像素强度值较小，因此，对于不同子带应该设置不同的融合规则以有效保留其中的有用信息；
图像的整体梯度强度不仅取决于模糊的程度，还很大程度上收到原始源图像中呈现的清晰的细节的数量的影响，图像的熵反映了图像包含的信息量，当高频成分中清晰细节的数量较多时，其熵的值也会较大，因此，为了捕获清晰的细节，有效融合高频子带，本发明提出了一种新的基于梯度差与熵的融合规则，具体如下所示：
上式中，
表示多模态医学图像的高频分量，
表示(i,j)的领域，其中
是一个大小为ψ×ψ的局部窗口，GE(·)表示像素点的梯度能量，
表示
在(i',j')梯度上的绝对值，
表示
的熵的值；
其中，所述Ct表示如下所示：
当高频成分所包含的清晰细节数量较多时，其会具有较高的熵，在GE中所得到的权重也会越大，最后，通过比较像素值大小获取高频成分的决策图(HMP)之后获取高频融合结果(FH)，其表达式具体如下所示：
上式中，FH表示高频融合结果，HMPt(i,j表示高频成分的融合决策图，T表示源图像的数量，其中，本发明设置T＝2。
S3、对多模态医学源图像的低频成分融合；
具体地，低频子带包含了图像大部分的能量信息，例如图像的亮度和对比度，在一般情况下，能量较大的像素点通常会有更大的像素值，因此可以通过比较不同低频成分中的像素值来生成粗略的低频融合决策图(LMP)，其表达式具体如下所示；
上式中，LMPt表示粗略的低频融合决策图；
本发明获取的低频成分来自于低通滤波器，低通滤波器的输出结果是一个模糊并且平滑的图像，图像模糊通常被理解为高频能量的降低，对比度的降低或边缘宽度的扩展，模糊的视觉感知可能被解释为局部相位相干(LPC)的丢失，并且LPC的强度可以用作图像锐度的测量，因此，引入LPC的强度作为图像中显著信息的测量是合理的，为此，本发明引入了基于LPC的图像锐度评估算法来提取低频图像中的亮度信息；
给定一个锐度评估的图像，让其通过一系列尺度为N、方向为M的log-Gabor滤波器，设Cs,o,k为第s个尺度，第o个方向和第k个空间位置的复系数，在第o个方向和第k个位置，可以通过以下公式计算LPC的强度，其表达式为：
上式中，
表示LPC的强度测量值，R{·}表示复数的实数部分；
其中表示复数的实数部分，该LPC强度测量在每个空间位置k上通过所有方向的加权平均进行组合，其中权重由第一个比例因子C1,o,k的大小决定，因此，能量较高的方向拥有更大的权重，其表达式具体如下所示：
上式中，C1,o,k表示比例因子，
表示LPC的强度测量值；
其中常数V的加入是为了避免在系数大小接近零时的不稳定，所有位置的
的集合构成了一个空间LPC图，它可以反映输入图像中清晰度较高的像素信息，在本发明算法中，将LPC强度测量中获取空间LPC图的操作表示为，
上式中，SFP表示输出的显著特征图，LPC(·)表示获取LPC强度测量操作，
表示输入的低频成分；
然后通过比较像素值大小获取决策图SMP，其表达式具体如下所示：
最后，本发明提出了一种像素选择规则将SMP与LMP中识别的显著像素点进行整合，获取最终的低频融合决策图FLMP，其表达式为：
根据最终低频决策图FLMP，我们可以构建融合的低频子带FL，其表达式为：
上式中，
表示第一源图像的低频成分，
表示第二源图像的低频成分。
S4、对多模态医学源图像的低频成分融合结果进行错误纹理消除；
具体地，在低频成分的融合中，大部分医学图像融合算法只考虑如何尽可能地保留低频成分中的能量信息，而忽略了一个事实，即低频成分中包含了部分残余的纹理与细节信息，在融合能量信息的同时纹理与细节信息也会一同融合，然而，部分算法在低频成分融合中都是基于能量或对比度来考虑，并没有专门针对于其中残余的纹理细节，因此，在低频成分融合中可能会包含部分错误的纹理从而降低了有用亮度信息的像素值，导致图像对比度与清晰度降低，为了解决上述问题，避免错误纹理信息对融合结果的影响，本发明引入了一种基于迭代最小二乘(ILS)的错误纹理消除策略，该ILS模型能够滤除融合低频成分中大部分的纹理，而不影响能量信息的分布，该模型由以下目标函数的最小化组成，其表达式如下所示：
上式中，f表示输入图像，u表示平滑后的输出结果，s表示像素位置，
表示u延x轴或y轴的梯度；
其中惩罚函数φp(·)定义为：
上式中，ε表示一个常数，在所提算法中被设置为0.0001；
对于保留边缘的平滑，p在所提算法中被设置为0.8，进而将目标函数重写为：
上式中
n代表迭代次数，在本发明算法中设置为3；
上述公式中每次迭代都是个最小二乘问题，并且计算u是迭代的，因此该模型可以表示为迭代最小二乘，进一步利用傅里叶变换(FFT)与逆傅里叶变换(IFFT)便可求解，具体过程如下所示：
上式中，F-1·表示IFFT算子，F(·)表示FFT算子，f表示输入的图像，
表示F(·)的复共轭，F(1)表示FFT的delta函数，u表示平滑后的输出结果，
表示u延x轴和y轴的梯度，un+1表示第n迭代后输出的结果，c表示一个常数，其中c＝0.8，
表示分别表示延x轴、y轴的梯度；
将低频融合成分FL输入到ILS模型之中，即可获取滤除纹理后的低频成分
然后，将低频成分
和
作差，提取纹理信息，其表达式具体如下所示：
此时获取的纹理信息TEt并不是所有都是有用的，利用不同纹理图的像素值来进一步考虑此处的纹理信息是否需要，即比较像素值大小获取纹理决策图TMP，其表达式为：
最后根据TMP即可获取最终的融合纹理信息FT，其表达式为：
FT＝TE1×TMP+TE2×(1-TMP)
S5、构建最终的融合图像结果。
具体地，获取高频融合结果FH，纹理融合结果FT与滤除纹理后的低频成分
之后，即可重构最终的融合结果F，其表达式具体如下所示：
上式中，F表示最终融合图像，FH表示高频融合图像，FT表示低频融合图像，
表示消除低频纹理融合图像。
基于本发明方法的仿真实验具体如下所示：
为了进一步展现出本发明的优势和有效性，本发明方法与5种现有的图像融合算法做了一组对比试验，在主观视觉评价上分析各个算法的性能，图4(a)和图4(b)为两张医学源图像，图5(a)～(f)分别为；基于联合双边滤波和局部梯度能量的多模态医学图像融合算法、通过三层分解和稀疏表示进行联合图像融合和去噪算法、自适应稀疏表示、卷积稀疏表示、通过高斯曲率滤波分解的图像融合算法和本发明融合算法的融合结果，通过观察图5(c)和(f)可以发现，这两个算法所获得的融合结果会丢失源图像中的能量信息，产生不清晰的细节，图5(a)中出现了残差伪影，这会导致部分细节信息的丢失，虽然图5(b)和(e)没有出现上述情况，但是与图5(f)相比，很明显可以看到通过所提算法所获得的融合结果拥有更多清晰的细节纹理，并且能够有效保留源图像中的能量信息，可以证明相比于当前5中现有的图像融合方法，本发明所提算法拥有更加优异的融合性能。
参照图2，一种基于错误纹理消除策略的图像融合系统，包括：
分解模块，用于通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；
高频融合模块，基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；
低频融合模块，基于像素选择规则对低频分量进行融合处理，得到低频融合图像；
纹理消除模块，基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到低频纹理融合图像；
加权融合模块，用于对高频融合图像、低频融合图像与低频纹理融合图像进行线性加权融合处理，得到最终融合图像。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于错误纹理消除策略的图像融合方法，其特征在于，包括以下步骤：
通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；
基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；
基于像素选择规则对低频分量进行融合处理，得到低频融合图像；
基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像；
对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理，得到最终融合图像。
2.根据权利要求1所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量这一步骤，其具体包括：
将多模态医学图像输入至低通滤波器进行梯度卷积提取处理，得到多模态医学图像的低频分量，所述多模态医学图像的低频分量包括图像的能量信息；
将多模态医学图像与低频分量进行作差处理，得到多模态医学图像的高频分量，所述多模态医学图像的高频分量包括图像的细节信息与纹理信息。
3.根据权利要求2所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像这一步骤，其具体包括：
基于梯度差与熵的融合规则对高频分量进行细节捕获处理，得到高频分量的像素值；
对高频分量的像素值的大小进行比较，选取像素值最大时对应的图像，得到高频分量的决策图；
对高频分量的决策图与高频分量进行做积运算，得到高频融合图像。
4.根据权利要求3所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述梯度差与熵的融合规则的表达式具体如下所示：
上式中，
表示多模态医学图像的高频分量，
表示(i,j)的领域，其中
是一个大小为ψ×ψ的局部窗口，GE(·)表示像素点的梯度能量，
表示
在(i',j')梯度上的绝对值，
表示
的熵的值。
5.根据权利要求4所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述基于像素选择规则对低频分量进行融合处理，得到低频融合图像这一步骤，其具体包括：
获取多模态医学图像的低频分量的像素值并进行比较处理，选取像素值最大时对应的图像，生成第一低频融合决策图；
基于局部相位相干法对低频分量进行图像锐度评估，得到低频分量的亮度信息；
基于低频分量的亮度信息对空间位置上所有方向进行加权平均组合，构建空间LPC图；
对空间LPC图进行LPC强度测量，输出显著特征图；
获取显著特征图的像素值并进行比较处理，生成第二低频融合决策图；
对第一低频融合决策图与第二低频融合决策图进行融合处理，构建低频融合图像。
6.根据权利要求5所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到消除低频纹理融合图像这一步骤，其具体包括：
确定迭代最小二乘法模型的目标函数并进行最小化处理，得到最小化后的目标函数；
将最小化后的目标函数嵌入至迭代最小二乘法模型并进行傅里叶变换与逆傅里叶变换处理，构建ILS模型；
将低频融合图像输入至ILS模型进行纹理信息提取处理，得到消除纹理后的低频分量；
将多模态医学图像的低频分量与消除纹理后的低频分量进行作差处理，得到低频纹理决策图像；
基于低频纹理决策图像的像素值进行比较，获取消除低频纹理融合图像。
7.根据权利要求6所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述ILS模型的表达式具体如下所示：
上式中，F-1(·)表示IFFT算子，F(·)表示FFT算子，f表示输入的图像，
表示F(·)的复共轭，F(1)表示FFT的delta函数，u表示平滑后的输出结果，
表示u延x轴和y轴的梯度，un+1表示第n迭代后输出的结果，c表示一个常数，其中c＝0.8，
表示分别表示延x轴、y轴的梯度。
8.根据权利要求7所述一种基于错误纹理消除策略的图像融合方法，其特征在于，所述对高频融合图像、低频融合图像与消除低频纹理融合图像进行线性加权融合处理的表达式具体如下所示：
上式中，F表示最终融合图像，FH表示高频融合图像，FT表示低频融合图像，
表示消除低频纹理融合图像。
9.一种基于错误纹理消除策略的图像融合系统，其特征在于，包括以下模块：
分解模块，用于通过低通滤波器对多模态医学图像进行图像分解，得到高频分量和低频分量；
高频融合模块，基于梯度差与熵的融合规则对高频分量进行融合处理，得到高频融合图像；
低频融合模块，基于像素选择规则对低频分量进行融合处理，得到低频融合图像；
纹理消除模块，基于迭代最小二乘法对低频融合图像进行错误纹理消除处理，得到低频纹理融合图像；
加权融合模块，用于对高频融合图像、低频融合图像与低频纹理融合图像进行线性加权融合处理，得到最终融合图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310010595.8A CN116091373A (zh) | 2023-01-05 | 2023-01-05 | 一种基于错误纹理消除策略的图像融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310010595.8A CN116091373A (zh) | 2023-01-05 | 2023-01-05 | 一种基于错误纹理消除策略的图像融合方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116091373A true CN116091373A (zh) | 2023-05-09 |
Family
ID=86203925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310010595.8A Pending CN116091373A (zh) | 2023-01-05 | 2023-01-05 | 一种基于错误纹理消除策略的图像融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091373A (zh) |
-
2023
- 2023-01-05 CN CN202310010595.8A patent/CN116091373A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bankman | Handbook of medical image processing and analysis | |
| Mohan et al. | MRI denoising using nonlocal neutrosophic set approach of Wiener filtering | |
| Kaur et al. | A comprehensive review of denoising techniques for abdominal CT images | |
| Yang | Multimodal medical image fusion through a new DWT based technique | |
| Du et al. | Intrinsic image decomposition-based grey and pseudo-color medical image fusion | |
| Kelm et al. | Optimizing non-local means for denoising low dose CT | |
| Arif et al. | Maximizing information of multimodality brain image fusion using curvelet transform with genetic algorithm | |
| CN116342444A (zh) | 一种双通道多模态图像融合方法及融合成像终端机 | |
| Pham | Kriging-weighted laplacian kernels for grayscale image sharpening | |
| Oulhaj et al. | Noise Reduction in Medical Images-comparison of noise removal algorithms | |
| Raj et al. | Denoising of medical images using total variational method | |
| Yousif et al. | A survey on multi-scale medical images fusion techniques: brain diseases | |
| Sale et al. | Image fusion for medical image retrieval | |
| Al-Azzawi et al. | An efficient medical image fusion method using contourlet transform based on PCM | |
| Vidhyalakshmi et al. | Image Enhancement of Metastasis And Acrometastasis Images Using Clahe With Weiner Filter | |
| Yang et al. | Fusion of CT and MR images using an improved wavelet based method | |
| CN116091373A (zh) | 一种基于错误纹理消除策略的图像融合方法及系统 | |
| Sai et al. | Advanced Image Processing techniques based model for Brain Tumour detection | |
| Cao et al. | Medical image fusion based on GPU accelerated nonsubsampled shearlet transform and 2D principal component analysis | |
| Jin et al. | De-noising SPECT/PET images using cross-scale regularization | |
| Lin et al. | Medical image segmentation using multi-scale and super-resolution method | |
| Kumar et al. | Edge preservation based CT image denoising using wavelet and curvelet transforms | |
| CN110211081B (zh) | 一种基于图像属性和引导滤波的多模医学图像融合方法 | |
| Nazrudeen et al. | Medical image fusion using non-subsampled contourlet transform | |
| Omar et al. | Wavelet-based medical image fusion via a non-linear operator |
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 |