[發明專利]融合圖像效果量化方法、裝置、計算機設備和存儲介質

有效

• 申請號: 201811178810.0
• 申請日: 2018-10-10
• 公開（公告）號: CN109493319B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 沈強;曲杰;王瑩瓏
• 申請（專利權）人: 武漢聯影醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/50;G06N3/04
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 朱五云

本申請涉及一種融合圖像效果量化方法、裝置、計算機設備和存儲介質，通過計算機設備獲取多個融合圖像的特征向量，并根據預設的自組織映射神經網絡算法和該特征向量，構建量化模型，然后根據該構建的量化模型對待測試的融合圖像效果進行量化，由于該模型的輸入為融合圖像的特征向量(信噪比、均值、信息熵、清晰度這四個特征信息)，所以該方法綜合考慮融合圖像多種用途(從圖像包含的多個特征信息進行評價)，避免了只從融合圖像單一用途來評價融合效果，給出了一個綜合的評價結果，另，其量化的結果為一個程度值，可以直接反映融合圖像效果好壞的程度，使得評價結果非常直觀。

技術領域

本申請涉及融合圖像技術領域，特別是涉及一種融合圖像效果量化方法、裝置、計算機設備和存儲介質。

背景技術

醫學圖像融合可以匯集源圖像各自的信息，表現出更豐富的信息。如將正電子發射計算機斷層顯像(Positron Emission Tomography，簡稱PET)圖像和電子計算機斷層掃描(Computed Tomography，簡稱CT)圖像融合起來，就可以在一幅圖像中同時得到清晰的解剖結構信息以及對應的臟器功能代謝信息。

由于醫學應用領域的敏感性，需要醫學融合圖像不可以丟失任何有用的信息，否則可能會因為圖像信息的不完整導致醫療事故，因此對融合圖像的評價必須準確直觀而有效。融合圖像的效果不僅會受到源圖像的噪聲、融合算法的參數、觀察者的感興趣區等因素的影響，還依賴于圖像的用途而做出評價。目前，醫學融合圖像的評價一般原則是，判斷信息量是否提高、噪聲是否得到抑制、均勻區域噪聲的抑制是否得到加強、邊緣信息是否得到保留、圖像均值是否提高等，基于這些原則，目前的客觀評價方法主要包括：基于統計特性的評價(如：均值、標準差)、基于信息量的評價(如：熵)、基于信噪比的評價(如：信噪比)、基于梯度值的評價(如：清晰度)、還有基于模糊積分、粗糙集、證據理論、卷積神經網絡的評價等等。

但是，上述現有客觀評價方法都是只選擇融合圖像某一方面的用途進行評價的，無法給出一個綜合評價結果，且其評價結果不夠直觀。

發明內容

基于此，有必要針對上述現有的融合圖像評價方法只選擇某一方面的用途進行評價的，無法給出一個綜合評價結果，且其評價結果不夠直觀的技術問題，提供一種融合圖像效果量化方法、裝置、計算機設備和存儲介質。

第一方面，本發明的實施例提供一種融合圖像效果量化方法，所述方法包括：

獲取多個融合圖像的特征向量；所述特征向量用于表征所述融合圖像的特征信息；

根據預設的自組織映射神經網絡算法和所述特征向量，構建量化模型；

根據所述量化模型對待測試的融合圖像效果進行量化。

在其中一個實施例中，所述根據預設的自組織映射神經網絡算法和所述特征向量，構建量化模型，包括：

根據所述特征向量生成訓練樣本集；所述訓練樣本集為根據所述多個融合圖像的特征向量得到的數據集；

根據所述訓練樣本集初始化神經網絡的初始權值矩陣；

根據所述神經網絡的學習率、鄰域半徑和預設的自適應停止準則，對所述初始權值矩陣進行更新，得到所述訓練樣本集的特征空間；

根據所述特征空間確定所述量化模型。

在其中一個實施例中，所述根據所述訓練樣本集初始化神經網絡的初始權值矩陣，包括：

獲取所述訓練樣本集中各所述特征向量的取值范圍；

將所述取值范圍內的值均勻隨機分配至所述神經網絡競爭層的各個神經元，得到所述初始權值矩陣。

在其中一個實施例中，所述根據所述神經網絡的學習率、鄰域半徑和預設的自適應停止準則，對所述初始權值矩陣進行更新，得到所述訓練樣本集的特征空間，包括：