基于稀疏表示与低秩分解的医学图像融合方法研究
发布时间：2020-11-01 00:30
医学图像融合是信息融合领域中一个重要的分支。基于对病情做出准确诊断这一目的,往往需要对来自同一或不同医学成像设备在不同环境条件下采集同一病变区域的图像信息进行研究与分析。但在临床诊断中,获取单一的图像是很难为医生提供全面的病情等信息,而医学图像融合技术正好能解决这一问题,该技术在疾病诊断与辅助治疗方面给医生提供了安全可靠的保障。因此,医学图像融合方法的研究具有着重要的理论价值和实际应用价值。图像融合技术的原理是对不同图像中的有用信息进行了综合,获得一幅细节更丰富、信息更全面的融合图像。目前已成功地将融合技术应用到临床医学上,如在图像引导放疗手术、非入侵诊断与治疗方案设计等方面都取得了显著性成果。尽管许多学者提出了大量的融合算法,但这些算法大多适用于特定类型的医学图像,缺乏良好的适用性与鲁棒性,同时在一定程度上限制了临床医学的发展。为解决上述问题,本文提出了两种医学图像融合方法。第一种是基于两次低秩分解与字典学习的医学图像融合方法,该方法将待融合图像低秩分解后对稀疏融合图像进行第二次分解,有效的将低秩分解与稀疏表示的优势结合,从而获得医学融合图像;第二种是基于低秩稀疏分解与显著性度量的医学图像融合方法,该方法在融合规则上对低秩成分与稀疏成分分别采取不同的策略,使得到的融合图像既能保留源图像更多的亮度信息又能保留更多的显著性稀疏成分并且视觉效果良好。最后,实验结果和分析表明,所提出的方法无论从人眼视觉上还是客观评价指标角度上都极大提升了医学图像融合质量并优于其他融合方法。
【学位单位】：昆明理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R318;TP391.41
【部分图文】：
（a）CT （b）MRI （c）SPET （d）PET图 1.1 CT、MRI、SPET 及 PET 医学图像 医学图像融合层次目前图像融合领域已存在大量融合算法，绝大多数算法都包含分解、选取融合规则及质量评价等步骤[7]，具体如图 1.2 所示。根据医学图像融合在处理过程中所处的同，可将其分为三个层次，不同级别采用的方法也不同。第一级像素层融合、第二层融合、第三级决策层融合（如图 1.3 所示）。下面将具体介绍各层次的融合过程点。第一级像素层融合，它将图像的特性排除在外，属于图像融合级别中的最低的。它是直接对待融合图像的像素灰度值进行处理。该方式采集源图像要求同一种传感器待融合图像之间的像素点也要求完全对应；还要求源图像配准过才能融合。但其优最大限度的保留源图像的信息并保持很高的精度，缺点是点对点的像素处理方式时
（e）像素灰度值取小 （f）SR（固定字典） （g）NSCT （h） NSCT+SR图 2.3 各种融合方法的融合结果为了验证上面提出简单的医学图像融合方法，对源图像（图 2.3（a）与（b）所示）行了融合实验，其中加权系数融合方法中的系数为X Yw =0.75,w =0.25 。上图 2.3（c）、（d）（e）中表示各种融合方法的融合结果，很明显可看出其效果的好坏，其中像素灰度值取方法的对比度优于像素灰度值取大方法与加权系数融合方法，这是因为加权系数融合方具有更加平滑性。但从图像内容来看，加权系数融合方法包含了待融合图像的丰富细节息。而取大（小）仅是源图像的相应位置上进行比较，并没有包含另一幅待融合图像的何信息。同样为了验证基于 NSCT 的医学图像融合方法与基于固定字典的医学图像融合方法融合质量，选取了两幅待融合图像进行融合实验。通过以上的融合方法对图 2.3（a）、（b进行了实验。图 2.3 中图（f）表示 SR（固定字典）融合方法；图（g）表示 NSCT 融合法，其分解层数为 4 层；图（h）表示 NSCT 与 SR（固定字典）融合结果（分解层数同是 4 层）。从视觉上很明显看出 NSCT 方法优于 SR 方法、NSCT 与 SR 融合方法，另
士学位论文 1, 2, , ,1 1 1 1arg max , , , , ,l l l l li l lN lii Fl , s li ,s 1, 2, , ,1 1 1 1arg max , , , , ,l s l s li s lN sii , s Fl ,l、 、F ,s 和li ,l 、li ,s 、i ,s 分别为融合图像和第i 幅原图像的第及第一次稀疏成分的编码系数，N 为原图像个数。在获取融合后的编合图像向量可由式(3-24)来构建。, , ,( )F s F s Fl s Fl lY D 式(3.20)及式(3.22)来获取等式（3.24）中的系数Fl , l Fl,s 、 和F ,s 。计和分析
【参考文献】
本文编号：2864747
【学位单位】：昆明理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R318;TP391.41
【部分图文】：
（a）CT （b）MRI （c）SPET （d）PET图 1.1 CT、MRI、SPET 及 PET 医学图像 医学图像融合层次目前图像融合领域已存在大量融合算法，绝大多数算法都包含分解、选取融合规则及质量评价等步骤[7]，具体如图 1.2 所示。根据医学图像融合在处理过程中所处的同，可将其分为三个层次，不同级别采用的方法也不同。第一级像素层融合、第二层融合、第三级决策层融合（如图 1.3 所示）。下面将具体介绍各层次的融合过程点。第一级像素层融合，它将图像的特性排除在外，属于图像融合级别中的最低的。它是直接对待融合图像的像素灰度值进行处理。该方式采集源图像要求同一种传感器待融合图像之间的像素点也要求完全对应；还要求源图像配准过才能融合。但其优最大限度的保留源图像的信息并保持很高的精度，缺点是点对点的像素处理方式时
（e）像素灰度值取小 （f）SR（固定字典） （g）NSCT （h） NSCT+SR图 2.3 各种融合方法的融合结果为了验证上面提出简单的医学图像融合方法，对源图像（图 2.3（a）与（b）所示）行了融合实验，其中加权系数融合方法中的系数为X Yw =0.75,w =0.25 。上图 2.3（c）、（d）（e）中表示各种融合方法的融合结果，很明显可看出其效果的好坏，其中像素灰度值取方法的对比度优于像素灰度值取大方法与加权系数融合方法，这是因为加权系数融合方具有更加平滑性。但从图像内容来看，加权系数融合方法包含了待融合图像的丰富细节息。而取大（小）仅是源图像的相应位置上进行比较，并没有包含另一幅待融合图像的何信息。同样为了验证基于 NSCT 的医学图像融合方法与基于固定字典的医学图像融合方法融合质量，选取了两幅待融合图像进行融合实验。通过以上的融合方法对图 2.3（a）、（b进行了实验。图 2.3 中图（f）表示 SR（固定字典）融合方法；图（g）表示 NSCT 融合法，其分解层数为 4 层；图（h）表示 NSCT 与 SR（固定字典）融合结果（分解层数同是 4 层）。从视觉上很明显看出 NSCT 方法优于 SR 方法、NSCT 与 SR 融合方法，另
士学位论文 1, 2, , ,1 1 1 1arg max , , , , ,l l l l li l lN lii Fl , s li ,s 1, 2, , ,1 1 1 1arg max , , , , ,l s l s li s lN sii , s Fl ,l、 、F ,s 和li ,l 、li ,s 、i ,s 分别为融合图像和第i 幅原图像的第及第一次稀疏成分的编码系数，N 为原图像个数。在获取融合后的编合图像向量可由式(3-24)来构建。, , ,( )F s F s Fl s Fl lY D 式(3.20)及式(3.22)来获取等式（3.24）中的系数Fl , l Fl,s 、 和F ,s 。计和分析
【参考文献】
相关期刊论文 前3条
1 姜晓庆;夏克文;夏莘媛;祖宝开;;采用半定规划多核SVM的语音情感识别[J];北京邮电大学学报;2015年S1期
2 田秀华;兴旺;;基于NSCT变换的医学图像融合研究[J];计算机应用与软件;2013年04期
3 李先华;刘顺喜;黄微;罗庆洲;曾齐红;黄睿;时向勇;;月球表面遥感图像阴影消除及其信息恢复研究[J];应用光学;2009年03期
本文编号：2864747
本文链接：https://www.wllwen.com/yixuelunwen/swyx/2864747.html
