基于小波系数区域相似度医学图像融合.docVIP

基于小波系数区域相似度医学图像融合 　　摘要：根据小波变换原理,给出了一种基于小波系数区域相似度的医学图像融合方法。首先，以图像小波变换系数的区域均值、方差、协方差统计参量构造匹配度和加权因子,对高频子图进行区域融合; 然后，在低频部分采用绝对值取大的规则，进行图像融合；最后经过小波逆变换得到融合图像。实验证明，该方法得到的融合图像具有良好的视觉效果和量化指标，体现出更强的融合性能。?? 　　关键词：小波变换； 图像融合； 区域相似度； 融合规则?? 　　中图分类号：TP751文献标志码：A 　　文章编号：1001－3695(2008)01－0274－03 　　 　　随着医学影像学技术的发展，CT、MRI、PET、SPECT等多种成像模式的影像技术广泛地应用于临床诊断和治疗中。由于成像原理的差异，不同模式的医学影像反映的人体生理解剖特征信息各有侧重，并存在各自的适应范围和优缺点。例如CT利用各种组织器官对X射线吸收系数的不同和计算机断层技术对人体进行成像，它对于骨骼成像效果很好，而对软组织则近乎无能为力；MR利用水质子信息成像，对软组织和血管的显像灵敏度比CT高得多。由此可见，成像原理不同造成成像信息的局限性，使得单独使用某一类图像的效果并不理想。医学诊断需要这些形态和功能信息存在差异、互为补充的不同模态的图像结合起来，在一幅图像中同时表达人体的多方面信息。医学图像融合就是利用信息技术，将多种模态的图像信息综合起来，提供更加全面的反映生理、病理变化的图像，从而可以为临床提供更加全面有效的诊断信息，进一步提高诊断和治疗的可靠性。?? 　　 目前，基于小波变换的图像融合技术得到了深入研究，它所具有的空间和频域的局部转换功能，使得图像研究者利用在高频处的时间细分和低频处的频率细分可以聚焦到图像的任意细节的特性，在图像融合研究和应用中取得了很好的效果[1~3]。基于小波变换域的图像融合是根据一定的融合规则对变换域内的所有尺度上各子带内的信息进行综合处理，将来自不同原图像的信息有效地融合在一起。融合规则的选择直接影响到融合图像的质量，常用的有基于区域特征的融合规则，即对小波系数进行区域特征计算,得出其均值、方差、梯度和能量等。根据这些特征量来进行融合规则和融合算子的选择[4,5]。上述规则的最大缺点是只考虑一个特征量作为最终融合结果判决依据,不够全面。针对这个问题，本文通过分析图像分解后小波系数的多个统计特征，构造出小波系数区域相似度，给出了一种新的融合规则，在此基础上形成的融合算法，能在保留原图像信息的情况下，增强融 　　合图像的细节信息，提高融合图像的清晰度。?? 　　 　　1图像的小波变换?? 　　 　　Mallat在Burt和Adelson的塔形图像分解和重构算法的启发下,提出了小波变换的Mallat快速算法 。若设H (低通)和G (高通)为两个一维镜像滤波算子,其下标m和n分别对应于图像的行和列,则按照二维Mallat算法[6,7],在尺度j-1上有如下的Mallat分解公式:?? 　　 　　4实验结果及分析?? 　　 　　将上述图像融合方法用于医学图像融合实验。原图像采用已配准好的两组医学脑部CT图像和MRI图像(大小为??256×256)。实验选取Bior 2.4小波，同时采用文献[1，2]和绝对值取大的融合规则进行实验对比分析。实验结果如图1和2所示。?? 　　 　　目前，对于融合图像质量的评价还没有一个全面、客观和统一的标准，通常采用观察者的主观判断为主，客观定量分析为辅的原则。本文采用信息熵、交互信息量、清晰度、标准差和作为融合结果质量客观评价参数。其中信息熵能够客观地反映融合图像所含信息量大小，信息熵越大，融合图像所含信息越丰富；交互信息量的值越大,表示融合图像从原图像中获取的信息越丰富,融合效果越好；清晰度(或平均梯度)可以反映出图像微小细节反差及纹理变化特征，用来评价图像的清晰程度，清晰度越大，细节保持越完整，融合图像越清晰；标准差用于评价图像反差的大小, 若标准差大, 则图像的反差大, 携带的信息更多。?? 　　从图1和2中得到的融合图像的视觉效果可以看出，使用本文方法得到的融合图像(c)的边缘轮廓比其他三幅图像要清晰，反映原始图像的细节更多；融合图像(d)和(f)的清晰度还可以；融合图像(e)边缘模糊、不清晰、效果较差。?? 　　表1和2分别列出了两组医学图像的融合图像的质量评价参数值，可以看出图像(c)与(d)在清晰度基本相同的情况下，图像(c)的信息熵、交互信息量和标准大，具有更好的融合效果;图像(c)与(e)相比,各项评价结果均有明显的提高；图像(c)与(f)相比，交互信息量有所下降，其他评价结果均有一定的提高，而且本文算法中阈值选择的不同，融合结果不同，随