[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

本發明提出一種基于字典學習和低秩表示的醫學圖像融合方法，該方法包括以下步驟：首先，使用窗口滑動技術分割圖像，并根據梯度直方圖特征(HOG)對多源圖像樣本進行分類；其次，將其轉換成向量，進行字典學習，通過多次迭代奇異值分解方法(K?SVD)訓練字典；然后使用低秩表示(LRR)方法，獲得低秩表示的系數；再然后通過1范數最大原則以及融合規則，獲得初步的融合圖像；最后通過圖像補償，來獲得最終的融合圖像。本發明不管是在圖像主觀視覺方面，還是客觀指標方面，到達到良好效果，獲得質量較好的融合圖像。

技術領域

本發明涉及圖像處理領域，特別涉及一種基于字典學習和低秩表示的醫學圖像融合方法。

背景技術

醫學圖像在臨床診斷和手術導航中起著重要作用。然而，由于成像機制的差異，不同的醫學圖像在組織和器官信息的表達方面不同。例如，計算機斷層掃描(CT)成像可以準確地檢測諸如骨骼和植入物之類的致密結構。磁共振成像為軟組織提供高分辨率的解剖信息，但骨折的診斷不如CT敏感。通過單一模態醫學圖像對相同人體器官組織的成像僅能反映有限的結構，形態和信息。為了獲得足夠的診斷信息，醫生需要從不同模式的圖像中提取信息。顯然，這種方法會給實際操作帶來不便。為了解決這個問題，需要一種方法來整合不同模式的圖像的補充信息，即圖像融合。

在過去的幾十年中，已經開發出各種原理的圖像融合算法。早期圖像融合主要基于非代表性的學習方法。多尺度變換是最常用的方法。經典方法包括圖像融合中的更多變換域，包括拉普拉斯金字塔(LP)，離散小波變換(DWT)，離散余弦變換(DCT)，非下采樣輪廓變換(NSCT)等。經典變換方法在細節保存方面存在一定缺陷。另一類方法是基于字典學習的稀疏表示方法。盡管基于稀疏表示的融合方法具有許多優點，但其捕獲全局結構的能力是有限的。相反，低秩表示(LRR)捕獲數據的全局結構，但不保留局部結構。因此本發明提出了一種基于字典學習和LRR的多聚焦圖像融合方法，以解決上述問題。

發明內容

針對上述現有技術中存在的缺陷或不足，本發明提出基于字典學習和低秩表示的醫學圖像融合方法，解決現有醫學圖像融合中的全局結構、局部結構捕獲以及細節保存的問題，包括步驟如下：

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K-SVD方法訓練多個字典；

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。

基于字典學習的融合方法能夠對圖像進行稀疏表示，低秩表示(LRR)捕獲圖像的全局結構，引入活動量級WSEML的加權和計算權重進行融合，可以解決醫學圖像融合中的細節提取問題。

優選的，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)；