基于小波变换模极大值的医学图像融合技术

详细内容

　　医学影像已成为临床诊断和医学研究必不可少的手段,不同的影像反映出不同但又是互补的身体组织信息.计算机断层成像(CT)、磁共振(MRI)等获得的是人体组织的结构信息,它们通常分辨率较高;而正电子发射计算机断层图像(PET)、单光子发射计算机断层图像(SPECT)等获得的是人体组织的功能信息,通常比较模糊,但它们提供了功能代谢和血液流动方面的信息.如果采用图像融合技术,把 CT、MRI等精确的解剖信息和PET等有价值的功能信息综合在一起,就能为医学诊断提供更加全面和准确的资料[1]. 目前的医学图像融合技术多为基于区域能量 (如能量、方差、对比度等)取大的融合准则进行区域对区域的融合,如权重法、逻辑或运算法、Bayesian 优化算法和比较先进的基于小波变换的多分辨率融合算法等[2-5].这些方法均是通过选择或加权平均的系数组合方法来确定高频融合和低频融合系数,缺乏灵活性,不能适应不同特征图像的融合任务[6-7].

因此,文献[8]中提出使用小波系数的模值作为融合准则,对高频子图像优先选择极大值点的系数,从而使算法可以自适应不同特征图像的融合任务;但小波系数的极大值点的使用会随着小波分解级数的增加而失真增大,对于医学图像来说,微小的失真就可能导致错误的诊断结果,显然不可取.文献[9]中采用小波变换模极大值特性作为融合准则,得到了较好的融合效果,但融合的质量取决于阈值的选取: 当阈值较小时,在增强细节信息同时,可能会加重噪声信息;当阈值较大时,则可能丢失部分纹理细节. 基于此,本研究中提出了一种基于小波变换模极大值特征的窗口区域强度自适应加权平均融合算法.该算法利用信号与噪声的Lipschitz指数在局部奇异处呈现不同的表现形式的特性,抑制融合后图像的噪声,并且能较好地保留原来图像细节信息.同时利用模极值点区域强度值较大的位置,对应于那些边缘、线和区域边界等显著特征变化较大的点的特性,实现融合图像的自适应加权平均,来适应不同特征图像的融合任务,达到有效去噪和较好地保留细节信息的统一.