[發明專利]一種基于多成份低秩字典學習的醫學圖像融合方法

有效

• 申請號: 202110141245.6
• 申請日: 2021-02-02
• 公開（公告）號: CN112819740B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 尹海濤;余曦
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.一種基于多成份低秩字典學習的醫學圖像融合方法，其特征在于，包括如下步驟：

步驟1：從多模態醫學圖像訓練集中選取若干個圖像塊，構造字典訓練集；

步驟2：利用高斯濾波器將所述字典訓練集中訓練圖像分解為高頻部分與低頻部分，并分別從高頻部分與低頻部分隨機提取若干個圖像塊，構造初始高頻字典和初始低頻字典；

步驟3：構造多成份低秩字典學習模型及優化算法，在訓練集上進行聯合字典學習，訓練得到高頻字典和低頻字典；

步驟4：從多模態醫學圖像測試集中依次提取多模態醫學圖像塊；

步驟5：利用訓練得到的高頻字典和低頻字典對多模態醫學圖像塊進行多模態稀疏分解，得到不同模態圖像的高頻和低頻部分的稀疏系數；

步驟6：針對高頻稀疏系數和低頻稀疏系數分別進行融合操作，得到高頻融合稀疏系數和低頻融合稀疏系數；

步驟7：通過將高頻字典與高頻融合稀疏系數相乘得到融合高頻部分，同理得到融合低頻部分，集成融合高頻部分和融合低頻部分生成融合圖像塊；

步驟8：最后通過對重構圖像塊的重疊像素進行加權平均得到最終的融合圖像；

步驟3中所述多成份低秩字典學習模型為：

其中||L_1,i||₁是第i塊高頻部分稀疏系數L₁的l₁范數，||L_2,i||₁是第i塊低頻部分稀疏系數L₂的l₁范數，||D₂||_*是低頻部分字典D₂的核范數，λ_i是平衡系數，i＝1,2，B為訓練樣本個數，X_i是第i個訓練樣本，D₁是高頻字典。

2.根據權利要求1所述的一種基于多成份低秩字典學習的醫學圖像融合方法，其特征在于，步驟3中，所述優化算法包括如下步驟：

利用增廣拉格朗日函數法對所述多成份低秩字典學習模型進行求解，所述多成份低秩字典學習模型的增廣拉格朗日函數最小優化問題為：

其中μ為懲罰參數，Y為拉格朗日乘子；

關于問題(2)的最優解通過下面的子問題進行交替迭代優化：

1)子優化問題

其中，t表示第t次迭代；

該優化問題由以下公式轉換求解：

最終得到：

其中，S_ε(x)＝sgn(x)*max(|x|-ε,0)是軟閾值算子，ε為平衡系數，是關于Z公式的平衡系數；

2)子優化問題

同理子優化問題得：

3)子問題優化

4)子問題優化

同理子優化問題得：

其中Ω(Γ)＝US(∑_Γ)V^*表示矩陣Γ的奇異值閾值算子，∑_Γ＝diag({η_i}_1≤i≤Γ)是奇異值矩陣，U和V分別為矩陣Γ的左右正交矩陣，是關于Z公式的平衡系數；

5)乘子更新

μ＝min(ρμ,μ_max)?(12)

其中ρ1，μ_max是給定常數；

6)交替迭代循環1)-5)，判斷終止條件如果滿足終止條件則輸出高頻字典D₁和低頻字典D₂。