本發(fā)明涉及圖像融合，使用了三層分解技術(shù)、非下剪切波交換分解，尤其涉及了動態(tài)閾值神經(jīng)p系統(tǒng)圖像融合技術(shù)。

背景技術(shù)：

1、由于醫(yī)學(xué)圖像融合的高要求，近年來發(fā)展了許多融合技術(shù)。一般來說，融合技術(shù)可以分為三類，例如空間域方法、變換域方法和深度學(xué)習(xí)方法，在多模態(tài)醫(yī)學(xué)圖像融合中，通常使用基于變換域的方法，與空間域方法不同，變換域方法首先將源圖像變換為特定系數(shù)。然后融合系數(shù)，并將所有融合系數(shù)逆變換為融合圖像。

2、使用金字塔和小波變換是廣泛應(yīng)用的融合圖像的多模態(tài)變換的方法，到目前為止，多模態(tài)變換包含了高斯金字塔、非下采樣輪廓波變換、平穩(wěn)小波變換、離散小波變換、非下剪切波交換和混合優(yōu)化方法等，在各種基于多尺度組件的方法中，非下剪切波交換方法優(yōu)化于其他方法，非下剪切波交換克服小波變換在表達(dá)帶有邊緣信號方面的缺點(diǎn)，并且使用方向?yàn)V波器和剪切波濾波器，解決了存在的平移不變性和吉布斯現(xiàn)象，此外，融合規(guī)則影響融合圖像最終的融合效果。由于高頻子帶只保留詳細(xì)信息，因此細(xì)節(jié)特征的增強(qiáng)是高頻子帶的關(guān)鍵工作。由于計(jì)算成本的限制，并非所有的詳細(xì)信息都可以過濾到高頻子帶中。

3、可見，現(xiàn)有技術(shù)有待提高和改進(jìn)。

技術(shù)實(shí)現(xiàn)思路

1、針對于現(xiàn)在圖像融合現(xiàn)存的技術(shù)不足之處，提出了一種結(jié)合動態(tài)閾值神經(jīng)p系統(tǒng)三層分解醫(yī)學(xué)圖像融合技術(shù)，首先分解模塊主要使用非下剪切波交換進(jìn)行對源圖像進(jìn)行分解，分解成高頻子帶和低頻子帶，其中高頻子帶主要包含了輪廓和邊緣信息，低頻子帶主要包含了圖像的大部分能量；然后進(jìn)行使用動態(tài)閾值神經(jīng)p系統(tǒng)進(jìn)行融合高頻子帶，使用加權(quán)局部能量和改進(jìn)的求和拉普拉斯進(jìn)行低頻能量對低頻子帶進(jìn)行提?。蝗缓笸ㄟ^逆非下剪切波交換對圖像進(jìn)行重組得到融合圖像f；最終使用拉普拉斯金字塔分解和高斯金字塔分解對圖像進(jìn)行平滑處理，得到融合圖像；

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、本發(fā)明一種基于動態(tài)閾值神經(jīng)p系統(tǒng)的醫(yī)學(xué)圖像融合的方法包括如下步驟：

4、步驟1、獲得兩個不同模態(tài)的源圖像{a、b}并通過非下剪切波交換進(jìn)行分解；其中{al、bl}分別為{a、b}分解的低頻圖像，分別為{a、b}的第k層、l方向的高頻圖像。

5、步驟2、融合模塊主要包括兩個模塊，一個是低頻子帶融合，另一個是高頻子帶融合，對于兩種不同子帶使用不同的融合方法進(jìn)行融合；

6、步驟2.1、使用改進(jìn)求和的拉普拉斯特征進(jìn)行圖像的預(yù)處理并將高頻的分解圖像使用高頻的融合模塊進(jìn)行提取邊緣和輪廓信息；

7、步驟2.1.1、進(jìn)行高頻子帶融合：

8、首先設(shè)圖像a和b是大小為m×n的醫(yī)學(xué)圖像，改進(jìn)的求和拉普拉斯特征是包含圖像非下剪切波交換系數(shù)的特征矩陣，動態(tài)閾值神經(jīng)p系統(tǒng)被設(shè)計(jì)為一個m×n的神經(jīng)元矩陣，其中改進(jìn)的求和拉普拉斯特征是神經(jīng)元σij的外部輸入，其中，每個神經(jīng)元之間與其所在神經(jīng)元有局部連接，r-鄰域的公式為(1)，神經(jīng)元σij接受來自δr中相鄰神經(jīng)元的尖峰，然后在應(yīng)用激發(fā)規(guī)則后，將生成的尖峰發(fā)送到相鄰的神經(jīng)元；

9、δr(σij)＝{σkl|k-i|≤r,|l-j|≤r,1≤i≤m,1≤j≤n}?????(1)

10、e≡(uij≥τ)∩(uij(t)≥u)∩(τij(t)≥τ)??????(2)

11、設(shè)置動態(tài)閾值神經(jīng)p系統(tǒng)的參數(shù)，將最大迭代次數(shù)tmax設(shè)置為200，脈沖發(fā)射的需滿足的條件為(2)，發(fā)射脈沖消耗的策略為最大消耗策略，將神經(jīng)元之間的鄰域r設(shè)為3，神經(jīng)元發(fā)射脈沖產(chǎn)生的脈沖為1.1，δr(σij)表示的是神經(jīng)元σij的鄰域判斷規(guī)則，uij表示神經(jīng)元σij中的脈沖總量，e表示脈沖發(fā)射規(guī)則；

12、其次將改進(jìn)的求和的拉普拉斯特征作為外部輸入進(jìn)入動態(tài)閾值神經(jīng)p系統(tǒng)當(dāng)中，當(dāng)外部輸入進(jìn)入到動態(tài)閾值神經(jīng)p系統(tǒng)當(dāng)中，刺激動態(tài)閾值神經(jīng)p系統(tǒng)的神經(jīng)元進(jìn)行工作，開始進(jìn)行迭代，按照脈沖發(fā)射的規(guī)則進(jìn)行發(fā)射脈沖能夠發(fā)射脈沖將脈沖按照權(quán)值矩陣和鄰域規(guī)則進(jìn)行卷積進(jìn)入到目標(biāo)神經(jīng)元當(dāng)中，依次進(jìn)行，直到達(dá)到最大迭代次數(shù)，動態(tài)閾值神經(jīng)p系統(tǒng)進(jìn)行停止工作，將圖像a和b中高頻子帶分別按照發(fā)射規(guī)則進(jìn)行反復(fù)進(jìn)行迭代，進(jìn)行判斷，直到達(dá)到最大融合迭代次數(shù)時停止，使用a和b中神經(jīng)元產(chǎn)生脈沖較高的像素點(diǎn)作為最終融合的像素點(diǎn)，產(chǎn)生的脈沖越多，像素點(diǎn)包含的輪廓信息和邊緣信息越多；

13、步驟2.1.2、進(jìn)行低頻子帶融合：

14、低頻子帶的融合策略最終的融合質(zhì)量有顯著的影響，圖像的主要能量包含在低頻子帶當(dāng)中，使用加權(quán)局部能量進(jìn)行低頻子帶的融合，低頻的最終活動水平定義為加權(quán)局部能量的最大活動水平測量。

15、步驟3、進(jìn)行圖像的重組：

16、通過在融合頻帶上執(zhí)行逆非下剪切波交換最終重建融合圖像f。

17、步驟4、計(jì)算源圖像a和b的拉普拉斯金字塔內(nèi)核和重建融合圖像f的高斯金字塔內(nèi)核，并使用l{al}、l{bl}表示源圖像拉普拉斯金字塔的核、g{fl}表示融合圖像的高斯金字塔的核。

18、步驟5、對l{al}、l{bl}、g{fl}應(yīng)用頻帶融合規(guī)則，生成最終的融合結(jié)果，最初，估計(jì)l{al}、l{bl}的所有金字塔級別的總和，并創(chuàng)建顯著性特征，該特征具有拉普拉斯和高斯核的屬性。

19、步驟6、對l{fl}應(yīng)用金字塔重建過程，生成最終的融合圖像ff。

20、有益效果:本申請?zhí)峁┝硕嗄B(tài)醫(yī)學(xué)圖像融合模型和方法，先利用非下剪切波交換對多模態(tài)醫(yī)學(xué)圖像進(jìn)行預(yù)處理，然后再進(jìn)行將圖像分解成高頻子帶和低頻子帶，其次進(jìn)行融合，使用動態(tài)閾值神經(jīng)p系統(tǒng)進(jìn)行高頻子帶融合和加權(quán)非局部能量和改進(jìn)的求和拉普拉斯對低頻子帶提取能量和特征，使用逆非下剪切波交換對高頻子帶和低頻子帶進(jìn)行圖像逆變換得到融合圖像，最終使用拉普拉斯金字塔分解和高斯金字塔分解進(jìn)行圖像平滑，得到最終的融合圖像；從而能夠?qū)蓚€不同模態(tài)的醫(yī)學(xué)圖像擁有的特征融合到一張圖像中，使得圖像診斷更加準(zhǔn)確，使用上述融合規(guī)則提高圖像的融合效果。

技術(shù)特征：

1.一種基于動態(tài)閾值神經(jīng)p系統(tǒng)的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征包括如下步驟：

2.根據(jù)權(quán)利要求書1基于動態(tài)閾值神經(jīng)p系統(tǒng)的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征在于，在步驟1中，輸入兩個不同模態(tài)的源圖像，使用非下剪切波交換進(jìn)行分解，分解方式為：

3.根據(jù)權(quán)利要求書1基于動態(tài)閾值神經(jīng)p系統(tǒng)的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征在于，在步驟2中，使用動態(tài)閾值神經(jīng)p系統(tǒng)融合規(guī)則對高頻子帶進(jìn)行特征提取，提取方式如下：

4.根據(jù)權(quán)利要求書1基于動態(tài)閾值神經(jīng)p系統(tǒng)的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征在于，在步驟3中，使用局部加權(quán)能量和改進(jìn)的求和拉普拉斯融合規(guī)則對低頻子帶進(jìn)行能量提取，提取方式如下：

5.根據(jù)權(quán)利要求書1基于動態(tài)閾值神經(jīng)p系統(tǒng)的多模態(tài)醫(yī)學(xué)圖像融合方法，其特征在于，在步驟4和步驟5中，對提取完成的高頻子帶和低頻子帶進(jìn)行重組，再使用拉普拉斯金字塔和高斯金字塔分解平滑融合圖像，具體操作如下：

技術(shù)總結(jié)
本發(fā)明是一種基于動態(tài)閾值神經(jīng)P系統(tǒng)三層分解結(jié)構(gòu)進(jìn)行醫(yī)學(xué)圖像融合，特征在于，包括：分解模塊、融合模塊、重組模塊和去噪模塊；首先使用非下剪切波交換進(jìn)行圖像的分解，然后使用改進(jìn)的新型求和修正拉普拉斯特征提取多模態(tài)醫(yī)學(xué)圖像的互補(bǔ)信息，該特征用于非下剪切波交換系數(shù)的融合規(guī)則；然后使用加權(quán)局部能量和改進(jìn)的求和拉普拉斯特征提取低頻圖像的信息，使用動態(tài)閾值神經(jīng)P系統(tǒng)對圖像的高頻子帶進(jìn)行融合；其次由高斯金字塔分解和拉普拉斯金字塔分解對圖像進(jìn)行平滑得到最終的融合圖像；本發(fā)明通過非下剪切波交換分解進(jìn)行分解和動態(tài)閾值神經(jīng)P系統(tǒng)進(jìn)行充分融合多模態(tài)醫(yī)學(xué)圖像融合，不僅保留了高頻圖像輪廓和邊緣信息，也改善了圖像的辨識率；實(shí)驗(yàn)結(jié)果表明，該方法對醫(yī)學(xué)圖像的計(jì)算成本和效能都有競爭力的性能。

技術(shù)研發(fā)人員：許家昌,吳浩楠,張婷婷,葉栩秀,王婷婷,倪龍
受保護(hù)的技術(shù)使用者：安徽理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21