聚类和稀疏表示的多模态医学图像融合方法

发布时间：2020-06-11 12:59

【摘要】：医学图像融合是医学成像和放射医学领域的热门研究之一,得到了医学和工程领域广泛认可,将具有互补信息的两种或两种以上的医学图像信息融合成了研究的热门方向。本文针对基于聚类与SR的多模态医学图像融合做出的改进以及主要研究内容如下:针对多模态医学图像融合中过完备自适应字典存在的大量冗余信息会导致图像重建质量不佳的问题,提出了基于联合图像块聚类自适应字典学习的多模态医学图像融合方法(JCPD)。通过预处理减少冗余图像块的数量。然后提取图像块的局部梯度信息作为聚类中心,进行联合图像块聚类。在联合图像块聚类的基础上进行训练得到子字典,并将子字典合并成自适应字典。最后在自适应字典的作用下得到稀疏表示系数,将稀疏系数融合,重建得到融合图像。实验表明所提方法在保证字典信息的完整性和字典的紧凑性基础上使得融合的图像清晰度更高、对比度更强。针对基于稀疏表示的多模态医学图像融合中细节保留能力不足的问题,本文提出了基于密度峰值聚类与卷积稀疏表示的多模态医学图像融合方法(CSR-DPC)。将医学图像分层得到基础层图像和细节层图像。将细节层图像使用卷积稀疏表示融合得到融合的细节层图像,将基础层图像使用聚类得到若干类簇,训练得到自适应字典,融合得到基础层稀疏系数,重构得到基础层融合图像;最后将融合的细节层图像与融合的基础层图像融合重构得到最后的融合图像。实验表明所提方法使图像细节更清晰,视觉质量更好,客观评价指标更优。针对本文提出的两种改进方法,基于Python开发了多模态医学图像融合系统。该系统的主要分为登录界面、注册界面以及系统主界面。系统主界面中实现的功能有:输入源图像、选择融合方法、输出融合结果。融合方法模块通过对比不同方法,表明本文提出的两种方法融合效果更好。
【图文】：

i ij cj i d d 0 0x,x （22.14）中，ijd 表示样本点 i ， j 间的欧式距离，cd 表示距离阈值，通常局到数据点 的欧式距离小于距离阈值 的点的数目。计算数据点 和其他间的距离i ，如式： j ii j: p p ij min d （局密度最大的点，令i j ij max d。练样本训练得到聚类结果如图 2.2，其中不同的颜色代表学习得到的三个类表示运行得到的聚类中心。将数据点做成统计模式如图 2.3 所示，数据点度分布在坐标图上，不同的颜色表示不同的类簇，同时距离两个坐标轴距坐标轴最右上角的区域为聚类中心。

图 2.3 数据的决策图。 不同的颜色对应于不同的簇。态医学图像融合方法的性能评价模态医学图像融合之后，为了有效地评估其融合结果，其评价方法主要分法和客观评价方法，因为医学图像成像原理不同，将不同模态的具有互补以及共同的信号部分融合后形成一个整体信号，由于不同成像机器运行环机理不同形成的效果也有待于评价。评价方法如图 2.4 所示，，传统的 MM可以分为基于主观观测的评价方法以及基于客观数据指标描述的方法，简和客观评价，通常单纯依靠主观评价很难达到预期效果还需要耗费巨大的实验上，正常的做法是用客观评价指标将融合结果计算得到相关数据，根对比相关的范围阈值，再参考主观评价对融合结果做出最适合的评定。
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;R318

【相似文献】

相关期刊论文 前10条

1 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典图像分类（英文）[J];Frontiers of Information Technology & Electronic Engineering;2017年11期

2 黄宏图;毕笃彦;侯志强;胡长城;高山;查宇飞;库涛;;基于稀疏表示的视频目标跟踪研究综述[J];自动化学报;2018年10期

3 刘嘎琼;;改进稀疏表示的人脸识别在高校管理中的应用[J];计算机与数字工程;2018年11期

4 余庆辉;朱晗琰;吴海霞;戈晓玲;潘逸炜;;基于类内稀疏表示的人脸识别[J];科技展望;2015年32期

5 滕升华;商胜楠;王芳;赵增顺;;一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J];生物医学工程研究;2016年01期

6 黄宏图;毕笃彦;高山;查宇飞;侯志强;;基于局部敏感核稀疏表示的视频跟踪[J];电子与信息学报;2016年04期

7 张保庆;穆志纯;曾慧;;基于非负稀疏表示的遮挡人耳识别[J];计算机辅助设计与图形学学报;2014年08期

8 张石清;赵小明;楼宋江;闯跃龙;郭文平;陈盈;;一种局部敏感的核稀疏表示分类算法[J];光电子.激光;2014年09期

9 陈思宝;许立仙;罗斌;;基于多重核的稀疏表示分类[J];电子学报;2014年09期

10 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

相关会议论文 前10条

1 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

2 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年

3 田野;张立新;严涛;杨志梅;张茁;;基于稀疏表示的北斗导航卫星预失真滤波器设计方法[A];第九届中国卫星导航学术年会论文集——S08 测试评估技术[C];2018年

4 肖琼;黄永言;;稀疏表示在脑电信号处理中的应用研究现状[A];人-机-环境系统工程创立30周年纪念大会暨第十一届人-机-环境系统工程大会论文集[C];2011年

5 赵雪峰;孙成禹;;基于稀疏表示的地震多属性融合[A];2016中国地球科学联合学术年会论文集（十九）——专题40：油气田与煤田地球物理勘探[C];2016年

6 廖佳俊;刘志刚;蔡尚;姜江军;;基于非负—平滑约束的高光谱稀疏表示目标检测算法研究[A];国家安全地球物理丛书（十二）——地球物理与信息感知[C];2016年

7 蒙红英;柴昱洲;韩宇;;一种基于稀疏表示的JPEG-LS改进算法[A];第四届高分辨率对地观测学术年会论文集[C];2017年

8 柴汉超;郭翌;汪源源;曹万里;孙福康;;基于多尺度稀疏表示分割肾上腺肿瘤CT图像[A];仪器仪表学报（2015（增刊）第36卷）[C];2015年

9 杜兰;李晨;孙永光;;基于联合动态稀疏表示的SAR自动目标识别[A];第五届高分辨率对地观测学术年会论文集[C];2018年

10 余力;郭翌;汪源源;陈萍;;基于超声心动图序列的胎儿左心室分割[A];仪器仪表学报（2015（增刊）第36卷）[C];2015年

相关博士学位论文 前10条

1 张岩;基于稀疏表示的油气地震勘探数据重建与去噪方法研究[D];东北石油大学;2018年

2 赵永红;基于稀疏表示的阵列信号空间谱估计方法研究[D];西安电子科技大学;2017年

3 任博;基于稀疏表示和流形学习的SAR图像分类算法研究[D];西安电子科技大学;2017年

4 程增飞;基于压缩感知的阵列信号处理技术研究[D];西安电子科技大学;2017年

5 吴晓欢;基于稀疏表示的波达方向估计理论与方法研究[D];南京邮电大学;2017年

6 王秀红;基于稀疏表示的波达方向估计方法研究[D];哈尔滨工业大学;2017年

7 王晓阳;基于稀疏动态反演的红外弱小目标检测理论及方法研究[D];电子科技大学;2018年

8 孔波;基于稀疏和张量表示的通信雷达融合系统目标参数估计方法研究[D];南昌大学;2019年

9 王蒙;联合多重字典结合扩展稀疏表示的非约束人脸识别研究[D];燕山大学;2018年

10 刘晶晶;基于稀疏表示及字典学习的人脸检测与识别方法[D];上海大学;2018年

相关硕士学位论文 前10条

1 陈敏霞;基于拉普拉斯和稀疏表示的图像色彩重建问题研究[D];南昌航空大学;2019年

2 宋雷雷;基于稀疏表示的人脸识别算法的研究[D];西安理工大学;2014年

3 邱贺磊;基于稀疏表示的视觉跟踪方法[D];大连大学;2019年

4 胡玉洁;基于稀疏表示的OFDM信号带内干扰抑制方法研究[D];西安理工大学;2019年

5 周熊;时频重叠通信信号稀疏表示分离方法研究[D];西安理工大学;2019年

6 贾立丽;基于多任务联合稀疏表示的高光谱图像分类算法研究[D];中国科学院大学(中国科学院国家空间科学中心);2019年

7 史超宇;聚类和稀疏表示的多模态医学图像融合方法[D];中北大学;2019年

8 秦子雨;基于稀疏表示的高分辨率方法研究[D];西南石油大学;2018年

9 顾康康;基于多普勒原子稀疏表示的列车轴承轨边信号消噪研究[D];安徽大学;2019年

10 高洁;基于稀疏表示的人脸识别研究[D];北京建筑大学;2019年

本文编号：2707942