基于小波变换与区域PETCT医学图像像素级融合.docVIP

基于小波变换与区域PETCT医学图像像素级融合 　　摘要：为了使PET/CT医学图像融合达到更好的效果，讨论了小波变换和区域的最优融合方法。首先将PET图像和CT图像通过二维离散小波变换，得到低频子带和高频子带；其次采用邻域能量、邻域方差、邻域梯度3种算法对高频子带进行规范化，融合规则均选用绝对值取大的方法；然后选用取平均值的方法对低频子带进行融合，将融合后的PET/CT图像通过二维离散小波逆变换，获得最终的融合图像；最后对3种融合算法进行比较，得出最优算法。实验结果表明，基于邻域梯度的融合方法在客观评价指标和人眼视觉效果上均优于其它方法，且鲁棒性较强。 　　关键词：图像融合；小波变换；区域；PET/CT 　　DOIDOI：10.11907/rjdk.171458 　　中图分类号： 　　TP317.4文献标识码：A文章编号2017）010020203 　　0引言 　　当代医学能够利用成熟影像设备得到人体脏器结构、内部组织、功能变化等多方面的人体健康状况信息，从而更加客观、精确地了解人体健康水平。PET/CT兼具PET和CT的功能和优点，既能精确定位，又能在分子水平上实时测量人体细胞癌变情况，还能反映病灶的形态结构及病理生理。利用小波变换进行图像融合具有实际的物理意义与较高的临床实用价值，针对大小不同的细节、边缘信息，并在不同尺度上进行提取处理，合成的融合图像能准确体现所有特性的细节信息。小波分解是多尺度、多分辨率的分解过程。 　　为了解决小波基的构造问题，SMallat与YMeyer[12]创建了多尺度分析方法，解决了很多Fourier变换不能处理的困难问题。小波分析应用领域十分广泛，包括信号分析与图像处理、医学成像与诊断、地震勘探数据处理、计算机分类与识别、大型机械的故障诊断、量子力学与理论物理等方面[34]。 　　根据基于小波变换和区域的PET/CT医学图像的3种融合方法，得出融合方法的基本思路是：首先对已配准的PET和CT图像进行小波变换，得到低频子代和高频子代；再对分解后的低频子带采用取平均的融合规则进行融合，而对于高频分量，分别在3种区域算法下，进行取最大值的融合规则；最后，找出最优算法。实验结果表明，领域梯度融合算法是有效、可行的，即领域梯度融合算法可获得信息量较高的融合图像，取得满意的视觉效果。 　　1小波变换 　　20世纪80年代中期，法国科学家Morlet和Grossman在进行地震信号分析时提出小波分析 （Wavelet Analysis）方法，随后该方法发展迅速。在许多应用中，都将小波分析归结为信号处理问题。目前，傅立叶分析是对性质随时间稳定不变的信号进行处理的理想工具。而在实际情况下，绝大多数信号是非稳定的，而适用于非稳定信号处理的工具是小波分析。小波分析应用的一个重要方面就是图像与信号压缩，其特点是压缩速度快、压缩比高，在传递中可以抗干扰，且保持压缩后图像与信号的特性不变。目前比较成功的基于小波变换的压?s方法有小波变换向量压缩、小波变换零树压缩、小波域纹理模型方法和小波包最好基方法等[5]。 　　2基于区域的融合算法 　　区域融合算法是通过每个像素点所在区域的特征因子运算加权系数得到的。该算法不但考虑了每个像素的灰度值大小，而且考虑了该像素点所在区域的各个像素间的关联性，可改善像素所在区域的清晰度[6]。相比于单个像素点的算法，其改善了源图像清晰区域提取的准确性。常见的区域有邻域梯度、邻域能量和邻域方差。设F（x，y）是融合图像在点（x，y）的灰度值，S为窗口区域（设窗口大小为3*3）， H为窗口函数，i=C或D（C、D为源图像）是图像i在点（x，y）处的灰度值，则有以下定义： 　　（1）邻域能量的定义为： 　　Ei（x，y）=∑m，nsH（m，n）f2i（x+m，y+n）（1） 　　其中，H=01/801/81/21/801/80，i=1、2，窗口函数H的公式是可变的。 　　（2）邻域方差的定义为： 　　σi（x，y）=19∑1m=-1∑1n=-1fi（x+m，y+n）-fi（x+m，y+n）2（2） 　　式中： 　　fi（x，y）=19∑1m=-1∑1n=-1fi（x+m，y+n）（3） 　　（3）邻域梯度的定义为： 　　Gi（x，y）=∑m，nSH（m，n）fi（x+m，y+n）（4） 　　其中，H=18-1-1-1-18-1-1-1-1 ，i=1、2，窗口函数H的公式是可变的。 　　3基于小波变换与区域的PET/CT医学图像融合 　　3.1融合思路 　　基于小波变换和区域的PET/CT医学图像融合算法流程如图1所示。 　　图1融合算法流程 　　先对已配准好的PET图像和CT图像进行二维离散小波变换，获得1个低频分量