[發明專利]一種基于投影字典對學習的醫學圖像融合質量改善的方法

有效

• 申請號: 201710615422.3
• 申請日: 2017-07-26
• 公開（公告）號: CN107977949B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 李華鋒;和曉歌
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于投影字典對學習的醫學圖像融合質量改善的方法，其特征在于：先采集圖像，將采集后的圖像作為訓練樣本，再將訓練樣本進行處理得到投影字典對；利用訓練得到的字典對把源圖像分解為低秩分量和稀疏分量；然后對稀疏分量采用外部塊先驗、內部自適應先驗聯合和稀疏約束，對低秩元素添加核范數約束，從而迭代后得到稀疏系數和低秩系數；對低秩合成字典，低秩分析字典和低秩系數進行迭代更新，得到更新后的低秩分量，對稀疏合成字典，稀疏分析字典和稀疏系數進行迭代更新，得到稀疏分量，把得到的投影字典對和稀疏分量，低秩分量融合得到最終的融合圖像；

具體步驟為：

S1、首先對訓練圖像進行采集，將采集后的圖像作為訓練樣本，通過K-SVD方法對訓練樣本進行處理，得到初始稀疏字典D_s1和初始低秩字典D_l1，再通過式(1)對初始稀疏分析字典D_s1，初始低秩分析字典D_l1，初始低秩分析字典D_l1和初始稀疏分析字典D_s1進行迭代更新，得到最終需要字典對，即低秩合成字典P_l，稀疏合成字典P_s，低秩分析字典D_l和稀疏分析字典D_s；

式(1)中，X是采集得到的訓練樣本數據，X_l是采集的低秩樣本數據分量，X_s是采集的稀疏樣本數據分量；

S2、利用訓練得到的字典對把源圖像X₁分解，得到低秩分量和稀疏分量；

式(2)中，X₁為源圖像，X_l1和X_s1分別代表源圖像X₁通過RPCA的方法分離得到的低秩元素和稀疏元素；

S3、對稀疏元素添加外部塊先驗、內部自適應先驗約束和稀疏約束，對低秩元素添加核范數，通過公式(3)結合添加后的稀疏元素和低秩元素分別得到低秩系數和稀疏系數：

式(3)中，外部塊先驗和內部自適應先驗的定義如下：

式(3)中，Y∈R^M×N是一個M行N列的待融合源圖像，D_l∈R^M×K,D_s∈R^M×K,P_l∈R^K×M,P_s∈R^K×M分別代表M行K列的低秩合成字典，M行K列的稀疏合成字典，M行K列的低秩分析字典，M行K列的稀疏分析字典；X_l∈R^M×N,X_s∈R^M×N是對應的低秩分量和稀疏分量是通過列向量X_l,i(i＝1,2,...,N)和X_si(i＝1,2,...,N)構成，X_l＝[X_l,1,X_l,2,...X_l,N],X_s＝[X_s,1,X_s,2,...X_s,N]，θ是參數；

低秩分量的最大值和稀疏分量的最大值由下式計算得到：

式(5)中，是第i個源圖像的低秩融合分量的第n列，式(6)中是第i個源圖像稀疏融合分量的的第n列，L是源圖像的個數；

S4、由上式得到的投影字典對低秩合成字典D_l，低秩分析字典P_l，稀疏合成字典D_s，稀疏分析字典P_s和稀疏分量X_s，低秩分量X_l通過公式(7)相融合，得到最終的融合圖像I；