基于NSST与改进稀疏表示的医学图像融合方法

发布时间：2020-12-27 06:02

　　针对单一模态的医学图像无法为临床诊断提供全面、互补信息的问题,提出一种基于非下采样剪切波变换(NSST)与改进稀疏表示(ISR)的多模态医学图像融合方法.首先用NSST分解工具将待融合图像分解为一个低频子带和若干个高频子带;其次,用ISR方法融合低频子带,通过Sobel算子和引导滤波器去除低频子带的细节特征,从而提高低频子带的融合效率,同时对高频子带采用绝对值最大的融合规则进行融合;最后,将融合后的低频子带和高频子带进行逆NSST变换得到最终的融合图像.实验结果表明,该方法在主观视觉性能和客观评价上均优于其他对比融合方法. 

【文章来源】：吉林大学学报(理学版). 2020年04期 北大核心

【文章页数】：6 页

【部分图文】：

过完备字典训练集

算法流程

本文实验采用MATLAB R2016a, CPU为Intel(R) Core (TM) i7-7700, 内存为8 GB. 为了验证本文算法的有效性, 使用两种不同模态的医学图像, 其中包括20对MR-T1与MR-T2图像, 20对MR与CT图像. 所有图像均来自美国哈佛大学创建的The Whole Brain Atlas医学图像数据库(http://www.med.harvard.edu/AANLIB/), 所有源图像的大小均为256×256, 且实验所用图像都经过了配准. 为了验证算法的有效性, 将本文算法与基于边界寻找方法(BF)[13]、 基于密集尺度不变特征变换(DSITF)[14]、 基于卷积稀疏表示方法(CSR)[15]、 基于卷积稀疏性的形态成分分析方法(CSMCA)[16]和基于四叉树的方法(QB)[17]进行比较. 由于融合质量评估尚未形成统一的评价指标, 在实际应用中只能根据经验进行选择, 这将导致评估结果缺乏说服力. 因此, 本文采用4个不同方面的评价指标进行验证, 并对融合效果进行综合评估, 其中包括局部重要性质量指数(Q0)[18]、 Piella的结构相似性度量(Qw)、 熵(EN)和标准差(SD). 图3为MR-T1与MR-T2图像的融合结果.由图3可见, 利用BF算法得到的融合图像只存在MR-T1图像的信息, 缺少MR-T2图像的信息; 利用DSIFT算法得到的融合图像出现多处块效应; 利用CSR与QB算法得到的融合图像也存在块效应; 利用CSMCA算法得到的融合图像虽然没有块效应, 但亮度较低; 利用本文算法得到的融合图像既不存在块效应, 也未损失源图像的重要信息.

【参考文献】：
期刊论文
[1]多级方向引导滤波器及其在多传感器图像融合中的应用[J]. 陈广秋,梁小伟,段锦,才华.  吉林大学学报(理学版). 2019(01)



本文编号：2941225