[發(fā)明專利]基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法有效
| 申請?zhí)枺?/td> | 201710046867.4 | 申請日: | 2017-01-22 |
| 公開(公告)號: | CN106910179B | 公開(公告)日: | 2019-03-15 |
| 發(fā)明(設(shè)計)人: | 章世平;王曉芳 | 申請(專利權(quán))人: | 卡本(深圳)醫(yī)療科技有限公司 |
| 主分類號: | G06T5/50 | 分類號: | G06T5/50 |
| 代理公司: | 北京思創(chuàng)大成知識產(chǎn)權(quán)代理有限公司 11614 | 代理人: | 王堯 |
| 地址: | 518000 廣東省深圳市南山區(qū)粵*** | 國省代碼: | 廣東;44 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 變換 多模態(tài) 醫(yī)學(xué) 圖像 融合 方法 | ||
1.一種基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法,其特征是它包括以下步驟:
S1、采用自適應(yīng)小波基濾波器對不同模態(tài)的醫(yī)學(xué)圖像進行小波變換,將前述圖像分別分解為高頻、低頻以及高低頻結(jié)合的分量;
S2、對任意兩幅不同模態(tài)醫(yī)學(xué)圖像分解得到的高頻、低頻和高低頻結(jié)合的分量進行疊加,得到融合圖像的高頻、低頻和高低頻結(jié)合的分量;
S3、對融合圖像的高頻、低頻和高低頻結(jié)合的分量進行離散小波逆變換,得到原始大小的融合圖像;
所述的步驟S1具體為:
S1.1、構(gòu)造小波基濾波器庫,即以滿足正交條件定長小波濾波器為基礎(chǔ),在不同的初值條件下得到多個濾波器系數(shù)構(gòu)建小波基濾波器庫,在小波基濾波器庫中隨機選擇一個濾波器系數(shù)作為初始化濾波器;
S1.2、采用初始化濾波器對多個模態(tài)的醫(yī)學(xué)圖像進行小波變換得到第一層分解分量,即通過離散小波變換獲得圖像在水平和垂直方向上的低頻分量LL1、水平方向上的低頻和垂直方向上的高頻分量LH1、水平方向上的高頻和垂直方向上的低頻分量HL1以及水平和垂直方向上的高頻分量HH1;
S1.3、根據(jù)圖像的能量分布和紋理波動在小波基濾波器庫中再次選擇濾波器系數(shù)對步驟S1.2獲取的第一層分解分量中的低頻分量LL1進行第二次小波變換,得到LL2、HH2、HL2、LH2重復(fù)步驟S1.3若干次,完成圖像分解;
所述的步驟S1.3中,根據(jù)圖像的能量分布和紋理波動在小波基濾波器庫中選擇濾波器系數(shù)的具體方法為:
S1.3-1、對圖像進行器官提取的步驟:
對當前分解分量中的四個分量進行處理,從黑色的背景上將人體器官提取出來,具體采用圖像分割方法提取人體器官,或者采用設(shè)置邊界閾值的方法提取人體器官圖像HLo和LHo;
S1.3-2、計算圖像紋理特征參數(shù)的步驟:
采用下述公式計算橫向的圖像最小能量Eh、縱向的圖像最小能量Ev、橫向的圖像最小極差Ep、縱向的圖像最小極差Eq、橫向紋路最大波動值Em和縱向紋路最大波動值En;
Eh=min(max(|HLo|)) (1)
Ev=min(max(|LHo|)) (2)
Ep=min(max(|HLo|)-min(|HLo|)) (3)
Eq=min(max(|LHo|)-min(|LHo|)) (4)
其中,HLo表示水平方向上的低頻和垂直方向上的高頻分量LH1對應(yīng)提取的人體器官圖像、LHo表示水平方向上的高頻和垂直方向上的低頻分量HL1對應(yīng)提取的人體器官圖像;i、j代表行的序號,i’、j’代表列的序號;S1.3-3、根據(jù)前述六個圖像紋理特征參數(shù)獲取小波基濾波器系數(shù)。
2.根據(jù)權(quán)利要求1所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法,其特征是所述的步驟S1中,根據(jù)尺度需求對低頻分量進行再次分解。
3.根據(jù)權(quán)利要求1所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法,其特征是所述的步驟S1.3中,重復(fù)步驟S1.3進行圖像分解的次數(shù)為3-5次。
4.根據(jù)權(quán)利要求1所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法,其特征是所述的步驟S1.3-3中,小波基濾波器系數(shù)獲取方法為:根據(jù)步驟S1.3-2獲取的六個圖像紋理特征參數(shù),采用遺傳規(guī)劃算法獲取小波基濾波器系數(shù)。
5.根據(jù)權(quán)利要求1所述的基于小波變換的多模態(tài)醫(yī)學(xué)圖像融合方法,其特征是所述的步驟S1.3-3中,小波基濾波器系數(shù)獲取方法為:提取適量的樣本圖像,建立六個圖像紋理特征參數(shù)與小波基濾波器系數(shù)的對照表,在實時計算時,根據(jù)步驟S1.3-2獲取的六個圖像紋理特征參數(shù)對照查找獲取對應(yīng)的小波基濾波器系數(shù)。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于卡本(深圳)醫(yī)療科技有限公司,未經(jīng)卡本(深圳)醫(yī)療科技有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201710046867.4/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 用于智能機器人系統(tǒng)多模態(tài)輸出的方法及裝置
- 一種基于深度學(xué)習(xí)的多模態(tài)醫(yī)學(xué)影像識別方法及裝置
- 一種基于多模態(tài)生成式對抗網(wǎng)絡(luò)的云圖分類方法
- 一種基于多模態(tài)信息的食道功能性疾病診斷系統(tǒng)
- 一種有監(jiān)督的快速離散多模態(tài)哈希檢索方法和系統(tǒng)
- 一種多模態(tài)數(shù)據(jù)處理方法及系統(tǒng)
- 一種基于多模態(tài)學(xué)習(xí)的電力攻擊識別方法
- 多源多模態(tài)數(shù)據(jù)的處理系統(tǒng)及應(yīng)用該系統(tǒng)的方法
- 一種基于門機制多模態(tài)融合的情感分析方法
- 面向?qū)捰蝻w行的多模態(tài)精確劃分方法
- 將醫(yī)學(xué)設(shè)備自動整合到醫(yī)學(xué)設(shè)施網(wǎng)絡(luò)的方法和設(shè)備
- 醫(yī)學(xué)詢問細化系統(tǒng)、方法、裝置及包括醫(yī)學(xué)詢問系統(tǒng)的工作站
- 將醫(yī)學(xué)設(shè)備自動整合到醫(yī)學(xué)設(shè)施網(wǎng)絡(luò)的方法和設(shè)備
- 基于人工智能的醫(yī)學(xué)影像分類處理系統(tǒng)及方法
- 一種醫(yī)學(xué)圖像系統(tǒng)
- 醫(yī)學(xué)知識圖譜構(gòu)建方法及裝置、存儲介質(zhì)和電子設(shè)備
- 一種實現(xiàn)醫(yī)學(xué)編碼映射的方法、裝置及設(shè)備
- 醫(yī)學(xué)影像的分類方法、醫(yī)學(xué)影像的檢索方法和裝置
- 一種醫(yī)學(xué)圖像處理方法、醫(yī)學(xué)圖像識別方法及裝置
- 醫(yī)學(xué)圖像標記方法、裝置、設(shè)備及存儲介質(zhì)





