发明名称 | 基于平移不变剪切波变换的多模态医学图像融合方法 | ||
摘要 | 本发明公开了一种基于平移不变剪切波变换的多模态医学图像融合方法,包括以下步骤:1)准备待融合的两幅多模态医学图像,利用平移不变剪切波变换分别将两幅图像都分解为低频近似图像和高频细节图像,再将高频细节图像分解为不同的方向子带;2)分别融合两幅图像的低频近似图像和高频细节图像分解的各个方向子带;3)对步骤2)融合后的低频近似图像和高频细节图像分解的各个方向子带,利用逆平移剪切波变换得到融合图像。本发明采用了平移不变剪切波变换的图像融合方法,能方便、经济、高效率地实现多模态医学图像数据的融合,并能充分显示并捕捉到不同模态图像的内部隐含的细节部位的形态信息和功能信息,从而满足医学运用的精确性要求。 | ||
申请公布号 | CN103049895A | 申请公布日期 | 2013.04.17 |
申请号 | CN201210548940.5 | 申请日期 | 2012.12.17 |
申请人 | 华南理工大学 | 发明人 | 李彬;王雷;田联房 |
分类号 | G06T5/50(2006.01)I | 主分类号 | G06T5/50(2006.01)I |
代理机构 | 广州市华学知识产权代理有限公司 44245 | 代理人 | 蔡茂略 |
主权项 | 基于平移不变剪切波变换的多模态医学图像融合方法,其特征在于包括以下步骤:1)准备待融合的两幅多模态医学图像,利用平移不变剪切波变换分别将两幅图像都分解为低频近似图像和高频细节图像,再将高频细节图像分解为不同的方向子带;2)分别融合两幅图像的低频近似图像和高频细节图像分解的各个方向子带:2.1)对低频近似图像,采用基于区域系数绝对值和权重的融合策略进行融合;2.2)对高频细节图像各个方向子带,采用基于子带标准差和概率密度函数权重的融合规则进行融合:a)构建高频子带系数的隐马尔科夫树HMT模型,利用HMT模型训练各子带系数,得到每个子带的标准差和概率密度函数;b)采用基于子带标准差和概率密度函数权重的融合规则确定融合图像的各个高频子带系数;3)对步骤2)融合后的低频近似图像和高频细节图像分解的各个方向子带,利用逆平移剪切波变换得到融合图像。 | ||
地址 | 510640 广东省广州市天河区五山路381号 |