论文部分内容阅读
随着计算机技术和医学影像技术的迅猛发展,供临床医生诊断的医学影像设备类别与日俱增。由于各类传感器具有迥然不同的成像原理导致了单一类别传感器生成医学影像中包含的数据信息量有限,难以为临床医生提供可靠、有效的医学信息。针对该问题,学者们提出多模态医学图像融合技术。多模态医学图像融合技术能够将来自异同的传感器获得的医学图像,经过适当的匹配和叠加,以到达信息互补,增加有效信息量,从而为医生临床诊断和治疗方案的确定提供有效的参考依据。为此,本文基于多尺度分解理论、T混合模型以及鲁棒主成分分析模型,围绕多模态医学图像融合方法展开研究,提出了两种多模态医学图像融合方法。论文的主要创新工作如下:1.针对高斯分布容易造成数据拟合不佳、信息丢失等问题,提出了基于Contourlet和T混合模型的医学图像融合算法(A Medical Image Fusion Algorithm Based on Contourlet Transform and T mixture models,CT_TMM)。首先将MRI和PET图像的RGB空间变换成GIHS空间,在此基础上采用Contourlet变换进行多尺度几何分解,得到多个高频子带和一个低频子带信息;然后采用绝对值选大法对高频子带系数进行融合,低频部分用EM算法对噪声或偏移的T混合模型进行融合;最后通过Contourlet逆变换得到融合系数,将融合结果结合PET图像的饱和度和色度进行综合获得最后的融合图像。对MRI和PET的真实脑部图像进行实验分析,验证了CT_TMM算法的有效性。2.针对传统的图像处理是以单个像素点为基础进行融合而忽略了信息中的相似性以及信息丢失的问题,提出了基于NSCT和RPCA的医学图像融合算法(Medical Image Fusion Algorithm based on the NSCT and Improved Robust Principal Component Analysis,NSCT_IRPCA)。提出的NSCT_IRPCA算法主要分为三个步骤:(1)采用非下采样轮廓波(Nonsubsampled Contourlet transform,NSCT)对源图像数据进行多尺度分解,得到高频和低频部分;(2)运用改进的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)对低频部分进行显著性检测,将其分解为低秩的主要信息和稀疏的显著信息。(3)矩阵中元素的绝对值越大表征更为显著的特征,所以采用绝对值最大法的融合规则对两幅图像的主要信息部分进行融合,对其显著信息采用相同的融合规则。对MRI和CT的脑部图像进行融合实验,实验验证了算法的有效性。