[發明專利]一種基于改進的脈沖耦合神經網絡的醫學圖像融合方法

有效

• 申請號: 201910177917.1
• 申請日: 2019-03-11
• 公開（公告）號: CN109934887B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 陳海鵬;呂穎達;蓋迪;申鉉京;張寵;李怡
• 申請（專利權）人: 吉林大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/0464
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 朱世林;牟風平

1.一種基于改進的脈沖耦合神經網絡的醫學圖像融合方法，其特征在于，包括如下步驟：

步驟一：對兩幅完全配準的醫學圖像A和B進行Gamma校正來增強待融合圖像的對比度；

步驟二：對增強后的圖像A和B采用非下采樣剪切波變換，進行多尺度、多方向分解，分解成低頻子圖{aA,bB}和高頻子圖{cA^s,l,cB^s,l},其中s代表分解的層數，l代表分解的方向；

步驟三：采用改進的區域能量算法對分解后的低頻子圖{aA,bB}進行融合，得到低頻子圖融合結果aF，具體包含以下步驟：

(一)：采用八個方向的sobel算子對細節信息進行抽取，具體計算如下：

0°方向：[1,2,1；0,0,0；-1,-2,-1]；

45°方向：[2,1,0；1,0,-1；0,-1,-2]；

90°方向：[1,0,-1；2,0,0；1,0,-1]；

135°方向：[0,-1,-2；1,0,-1；2,1,0]；

180°方向：[-1,-2,-1；0,0,0；1,2,1]；

225°方向：[-2,-1,0；-1,0,1；0,1,2]；

270°方向：[-1,0,1；-2,0,2；-1,0,1]；

315°方向：[0,1,2；-1,0,1；-2,-1,0]；

(二)：采用八個不同方向的sobel算子進行卷積操作，再與原圖像進行相減，得到去除細節信息的圖像，具體操作如下：

O＝I-(I*S⁸)

其中，O為去除細節信息后的圖像，*表示卷積操作，S⁸為八個不同方向的sobel算子，I*S⁸表示原圖像I分別與八個不同方向的sobel算子進行卷子操作；

(三)：計算去除細節信息的圖像O的所有像素點的區域能量值，公式如下：

其中，(i,j)為圖像的像素點的坐標，E為當前的區域能量值，v為3*3的行列式，具體值為：

(四)：選取能量最大的像素點為低頻子圖最終的融合點，公式如下：

其中，aF為最終融合的像素點，aA為圖像A的低頻子圖，bB為圖像B的低頻子圖，E_aA表示aA的區域能量值，E_bB表示bB的區域能量值；

步驟四：采用改進的脈沖耦合神經網絡對分解后的高頻子圖{cA^s,l,cB^s,l}進行融合，得到高頻子圖融合結果cF^s,l，具體包含以下步驟：

(一)、采用改進的基于量子行為的粒子群優化算法來確定脈沖耦合神經網絡的參數，具有操作如下：

1)設計適用于本算法的適應度函數，公式如下:

f＝max(EN+SF+MI+Q^A/F)

其中，EN為圖像的信息熵，SF為圖像的空間頻率，MI為圖像的互信息，Q^A/F為圖像的邊緣信息保留量；

2)計算所有粒子的最佳位置的平均值C，具體公式如下：

其中，N表示粒子的數量為20，p_i(t-1)表示在t-1次迭代后單個粒子的最佳位置；

3)計算單個粒子的最佳位置p_i(t-1)和所有粒子中的全局最佳位置p_g(t-1)的隨機點pp_i(t)，具體公式如下：

pp_i(t)＝p_i(t-1)+(1-λ)p_g(t-1)

其中，p_i(t-1)表示單個粒子的最佳位置，p_g(t-1)表示所有粒子中的全局最佳位置，λ為0～1的一個隨機值；

4)粒子進行移動并調整當前方向和位置，公式如下：

其中，μ為0～1的一個隨機值，β(t)的公式如下：

其中，m，n是一個常量，其中m＝2，n＝1，Maxtime表示迭代的最大次數，Maxtime為50；

(二)、采用脈沖耦合神經網絡作為高頻子圖的融合規則，具體操作如下：

1)計算脈沖耦合神經網絡的反饋輸入，公式如下：

F_ij(n)＝S_ij

其中，S_ij為外部刺激，本方法的外部刺激為高頻子圖；

2)計算脈沖耦合神經網絡的外部輸入，公式如下：

其中，α_L為外部輸入的衰變因子，V_L為反饋放大系數，W_ijlk為神經元的鏈接權值；

3)計算脈沖耦合神經網絡的內部活動項，公式如下：

U_ij(n)＝F_ij(1+βL_ij(n))

其中，β為鏈接強度；

4)計算脈沖耦合神經網絡的動態閾值，公式如下：

其中，α_θ為動態閾值的衰減因子，V_θ為動態閾值的放大因子，Y_ij為神經元的脈沖輸出，具體公式如下：

5)通過迭代次數，選取點火次數多的點為最終的融合的像素點；

其中，cA^s,l為圖A的高頻子圖，cB^s,l為圖B的高頻子圖，TCA^s,l為cA^s,l的點火次數，TCB^s,l為cB^s,l的點火次數；

步驟五：將步驟三得到低頻子圖融合結果aF和步驟四得到的高頻子圖融合結果cF^s,l進行非下采樣剪切波逆變換，重構得到最終融合圖像F。

2.根據權利要求1所述的一種基于改進的脈沖耦合神經網絡的醫學圖像融合方法，其特征在于，步驟一中所述使用Gamma進行校正，公式如下：

S＝I^r

其中，I為原圖像，γ為灰度系數，取值范圍是0～2之間，S為Gamma校正后的圖像。