[發明專利]一種基于字典學習和低秩表示的醫學圖像融合方法

在審

• 申請號: 201910850346.3
• 申請日: 2019-09-10
• 公開（公告）號: CN110428392A
• 公開（公告）日: 2019-11-08
• 發明（設計）人: 王沫楠;商夕平
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06K9/46;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于字典學習和低秩表示的醫學圖像融合方法，其特征在于，該方法主要包括：

步驟1，對已經配準的兩幅源圖像[I₁,I₂]使用滑動窗口技術分割成圖像塊，計算分割后的圖像塊的方向梯度直方圖(HOG)，并根據HOG特征對圖像塊進行分類，假設I₁和I₂的尺寸為M×N；

步驟2，將分類后的圖像進行稀疏表示，使用多次迭代奇異值分解方法(K-SVD)訓練多個字典；

步驟3，將獲得的多個字典合成一個字典，使用低秩表示(LRR)方法表示源圖像，獲得低秩表示的系數；

步驟4，通過1范數最大原則進行低秩系數的選擇，并按照活動量級基于鄰域的改進拉普拉斯算子的加權和WSEML計算權重進行融合，獲得初步的融合圖像；

步驟5，對獲得的初步融合圖像進行圖像補償，獲得最終的融合圖像。

2.根據權利要求1所述的一種基于字典學習和低秩表示的醫學圖像融合方法，其特征在于，所述步驟1具體包括：

(1)對已經配準的兩幅源圖像[I₁,I₂]使用滑動窗口技術進行圖像分割，假設I₁和I₂的尺寸為M×N，窗口尺寸為n×n，步長為s，所以將分割成個小塊P_i(j＝1,2,···,Q)；

(2)在提取HOG特征過程中，假設有L個箱子{θ₁,θ₂,···,θ_L}，G_i(θ_j)(j＝1,2,···,L)代表在第j個箱子里，第i個小塊的梯度值，定義J_i作為小塊P_i的等級，等級的分類方法如下，

G_imax＝max{G_i(θ_i)}，J＝arg max_J{G_i(θ_i)}代表P_i的主導梯度，T是一個閾值用來確定是否小塊P_i有主導梯度，J_i＝0代表P_i沒有主導梯度，也就是說P_i是無規則的。

3.根據權利要求1所述的一種基于字典學習和低秩表示的醫學圖像融合方法，其特征在于，所述步驟2具體包括：

(1)分類后，將所有分類后的圖像塊重構為列向量，構成相應矩陣V_j(j＝0,1,...,L)；

(2)矩陣V_j的字典D_j可以通過KSVD來獲得，從屬字典D_j(j＝0,1,...,L)分別得到后，將其按照圖組合成全局字典D，全局字典D將用來進行圖像融合的過程，并作為LRR的字典輸入。