基於二維經驗模態分解方法特徵提取的圖像的融合方法
2023-04-29 03:57:31
基於二維經驗模態分解方法特徵提取的圖像的融合方法
【專利摘要】本發明公開了一種基於二維經驗模態分解方法特徵提取的圖像的融合方法，本發明將BEMD運用到醫學圖像特徵提取中，通過將BEMD分解後的子圖像和趨勢圖輸入神經網絡獲取他們的點火映射圖，提取不同分解層對應醫學圖像特徵；之後將對應於圖像紋理信息和背景信息的係數分別通過PCNN和雙通道PCNN選取融合係數，由於區別對待代表圖像紋理和背景信息的像素，既保護了圖像中的特徵，又有效改善了PCNN在醫學圖像係數選擇中的效果。
【專利說明】基於二維經驗模態分解方法特徵提取的圖像的融合方法
[0001]
【技術領域】
[0002]本發明涉及一種圖像處理方法，具體是一種基於BEMD特徵提取的頭部醫學圖像融合方法。
【背景技術】
[0003]隨著成像技術的突飛猛進，各類精密成像設備推動了醫學影像學的發展，為臨床提供了豐富的人體醫學影像。但成像設備種類眾多，其成像機理不同，反映醫學信息各有側重，為了全面分析醫學圖像中包含的解剖信息和功能信息，需要對多模態醫學圖像進行融
口 o
[0004]醫學圖像融合技術面向多模態醫學圖像，把各種醫學圖像的信息有機地結合，完成各類醫學信息融合，不僅有效利用已有醫學影像，而且還有助於發掘潛在醫學信息，輔助醫院診療。
[0005]目前圖像融合方法包括基於空域變換和頻域變換的方法，其中以小波變換和各類超小波變換為代表的基於多分辨分析的圖像融合方法應用最廣，但小波變換和其改進方法依賴於預先定義的濾波器或基函數，小波變換會有下採樣操作，變換後圖像會引進偽吉布斯現象，降低融合圖像質 量。Huang等人為達到對非線性和非穩態的數據進行自適應和多尺度分析，提出了經驗模式分解(empirical mode decomposition,簡稱EMD)。經驗模式分解(EMD)作為一種新的多尺度圖像分解方法，具有比小波分析更直觀的特徵表示方式和更靈活的頻率特性，避免了分解中引進冗餘信息，同時EMD對於圖像細節保護和圖像紋理的提取等方面具有優勢，適合於對安全性要求較高的醫學圖像進行多分辨分析。
[0006]EMD分解具有優越的空間和頻率特性，通過將其拓展得到了可應用於二維信號的二維經驗模態分解(BEMD)方法，BEMD同樣具有數據驅動和良好的自適應性等特點，而且具有多尺度特性。
[0007]將BEMD用於醫學圖像處理，可以將原圖像分解成頻率從高到低的有限個二維內蘊模函數(BMF)和趨勢圖像。內蘊模函數(MF)之間是近似正交的，即不同MF分別對應圖像的各個頻率成分，MF的首項蘊含了紋理的局部高頻頻率特徵和主要結構信息，其餘IMFs蘊含了局部中頻頻率特徵和較粗尺度結構信息，殘差項蘊含了局部低頻信息和整體趨勢。
[0008]BEMD是一個自適應的分解過程，圖像分解過程很大程度由數據本身特性決定。也就是說，在二維經驗模態分解過程中，如果篩分終止條件等因素一致，一幅圖像分解出來的BMF個數由圖像數據本身的特徵決定，因此不同圖像可能分解出的BMF個數不同，在紋理分析等領域中得到廣泛的應用。
[0009]本發明將BEMD運用到醫學圖像特徵提取中，通過將BEMD分解後的子圖像和趨勢圖輸入神經網絡獲取他們的點火映射圖，提取不同分解層對應醫學圖像特徵；之後將對應於圖像紋理信息和背景信息的係數分別通過PCNN和雙通道PCNN選取融合係數，由於區別對待代表圖像紋理和背景信息的像素，既保護了圖像中的特徵，又有效改善了 PCNN在醫學圖像係數選擇中的效果。
【發明內容】
[0010]本發明需要解決的技術問題就在於克服現有技術的缺陷，提供一種基於二維經驗模態分解方法特徵提取的圖像的融合方法，它針對CT和MR多模頭部醫學圖像進行融合，通過BEMD提取特徵並將圖像區域分為紋理和非紋理兩部分，將兩區域分別建立融合規則選擇融合係數，由於輪廓、紋理等信息被較好保護，本方法具備了 BEMD和PCNN兩者的優勢，改善了融合圖像質量。
[0011]為解決上述問題，本發明採用如下技術方案:
本發明提供了一種基於二維經驗模態分解方法特徵提取的圖像的融合方法，所述方法包括以下步驟:
1).將待融合的兩幅圖像分別通過BEMD分解得到BMFs和餘量res層係數；
2).將BIMFs和res層係數分別輸入到PCNN中，分別得到各自點火映射圖，並將各自的點火映射圖相加得到總的點火映射圖；
3).將原始圖像中點火次數相同的像素點歸為一類，根據點火次數將圖像劃分為紋理區域和非紋理區域，圖像所有像素分別屬於紋理類和非紋理類； 4).根據步驟3)獲得的各分類集合，計算紋理類像素的灰度極值確定其灰度分布範圍，將兩幅圖像中紋理類像素的灰度分布範圍求交集，取交集範圍內對應的像素，通過PCNN選擇融合係數，其餘像素通過雙通道PCNN進行融合；
5).將融合係數重構得融合圖像。
[0012]本發明將BEMD運用到醫學圖像特徵提取中，通過將BEMD分解後的子圖像和趨勢圖輸入神經網絡獲取他們的點火映射圖，提取不同分解層對應醫學圖像特徵；之後將對應於圖像紋理信息和背景信息的係數分別通過PCNN和雙通道PCNN選取融合係數，由於區別對待代表圖像紋理和背景信息的像素，既保護了圖像中的特徵，又有效改善了 PCNN在醫學圖像係數選擇中的效果。
【專利附圖】
【附圖說明】
[0013]圖1為實施例效果示意圖。
[0014]圖中:(a)為頭部CT圖像、(b)為頭部MR圖像、(c)為實施例效果圖、Cd)為基於拉普拉斯金字塔變換(Lap)融合效果圖、Ce)為基於離散小波變換(DWT)的融合效果圖。
【具體實施方式】
[0015]本實施例包括以下步驟:
第一步:對已配準的醫學頭部CT和MR圖像4和4分別進行BEMD分解，得到頻率從
高到低的有限個二維內蘊模函數(BIMF)和餘量(趨勢圖像)；
BEMD分解的算法步驟如下:
I)初始化,設源圖像x = l，2，.趨勢圖像為:
R(x,y), R(x,y) = I(x,y)J =1 ；2)如果趨勢圖像人R（XY）單調或達到圖像的分解層數，則算法停止；否則，令
,即片。(u)進入篩選過程；
3)利用形態學算法，對圖像/(U)求解極值點，找出區域極大值點集和極小值點集；
4)分別對區域極大值點集和極小值點集進行平面插值，得出圖像的上、下包絡面
ElipIx,y),Bd<mn(x,y),根據上、下包絡面求出圖像i/fc(u)(k為大於等於I的正整數)的均值:
【權利要求】
1.一種基於二維經驗模態分解方法特徵提取的圖像的融合方法，其特徵在於，所述方法包括以下步驟: 1).將待融合的兩幅圖像分別通過BEMD分解得到BMFs和餘量res層係數； 2).將BIMFs和res層係數分別輸入到PCNN中，分別得到各自點火映射圖，並將各自的點火映射圖相加得到總的點火映射圖； 3).將原始圖像中點火次數相同的像素點歸為一類，根據點火次數將圖像劃分為紋理區域和非紋理區域，圖像所有像素分別屬於紋理類和非紋理類； 4).根據步驟3)獲得的各分類集合，計算紋理類像素的灰度極值確定其灰度分布範圍，將兩幅圖像中紋理類像素的灰度分布範圍求交集，取交集範圍內對應的像素，通過PCNN選擇融合係數，其餘像素通過雙通道PCNN進行融合； 5).將融合係數重構得融合圖像。
【文檔編號】G06T7/40GK103617604SQ201310379491
【公開日】2014年3月5日 申請日期:2013年8月28日 優先權日:2013年8月28日
【發明者】張寶華, 劉鶴, 梁浩 申請人:內蒙古科技大學