论文部分内容阅读
多模态医学图像融合是将多张不同传感器所采集到的关于同一目标的医学图像融合成单张图像,并最大限度地保留各图像中的重要信息。现今的多模态医学图像可主要分为两类:解剖医学图像和功能医学图像。解剖医学图像(如CT、MRI)具有较高的分辨率,能够清晰地提供人体器官的结构信息,但是不能反映器官的功能变化。功能医学图像(如PET和SPECT)虽然能够反映人体组织器官的代谢活动信息,但是由于其分辨率较低,成像不清晰,不易观察器官结构和病变的具体位置信息。多模态医学图像融合技术能有效结合不同模态医学图像的优势,减少冗余信息,方便医疗人员更加清晰地观察病变部位,从而辅助做出合理的诊断。多模态医学图像融合方法已取得一定的成果,但仍有些不足。基于主元分析变换融合方法简单易行,但融合结果出现色彩失真,基于颜色空间的融合方法得到的融合结果,对比度往往不高,基于塔型变换的融合方法不能捕获方向信息,小波变换不能很好地表示各向异性特征(线、轮廓等),虽然其他的一些图像融合方法成功的应用于多模态医学图像融合中,但它们都有其自身的缺点。针对多尺度转换融合方法在融合过程中,出现的对比度降低和特征信息丢失等问题,本文在边缘保持滤波器的基础上,研究工作主要如下:1.本文提出了一种新的融合框架。该框架首先将待融合图像通过边缘保持滤波器对其进行增强处理,提高源图像边缘和细节信息,然后再用多尺度转换融合方法对增强后的图像进行融合。实验结果表明,提出框架得到的融合图像具有高对比度,并且边缘信息清晰,视觉效果好。2.本文提出了一种基于局部拉普拉斯金字塔分解的多模态医学图像融合方法。首先,通过局部拉普拉斯金字塔分解输入图像,得到低频和高频子带图像;然后,采用自适应云模型方法融合低频子带图像,显著性度量方法融合高频子带图像,得到融合后的子带图像;最后,通过逆局部拉普拉斯金字塔变换得到融合后图像。在融合MRI-PET和MRI-SPECT的实例中,该方法抗噪性好,显著性特征更明显。