基于联合图像块聚类自适应字典学习的多模态医学图像融合

摘要：

针对多模态医学图像融合中过完备自适应字典存在的大量冗余信息会导致图像重建质量不佳的问题,文中提出了基于联合图像块聚类自适应字典学习的多模态医学图像融合方法(JCPD).该方法首先计算图像块的欧氏距离,通过比较设定的阈值和图像块的最小距离来剔除冗余图像块,减少冗余图像块的数量.然后,使用局部调制核回归(SKR)提取图像块的局部梯度信息作为聚类中心,将具有相同局部梯度信息的两种模态的图像块进行联合图像块聚类.在联合图像块聚类的基础上使用改进的K-SVD算法对图像块聚类形成的类簇进行训练得到子字典,并将子字典合并成自适应字典.最后,在自适应字典的作用下用正交匹配追踪算法(OMP)计算得到稀疏表示系数,再使用"2范数最大"的规则融合稀疏系数,之后通过重建得到融合图像.实验表明,与2种基于多尺度变换的方法和6种基于稀疏表示的方法相比,所提方法在保证字典信息的完整性和字典的紧凑性基础上使得融合的图像清晰度更高、对比度更强,便于临床诊断和辅助治疗.

关键词：多模态、医学图像融合、稀疏表示、图像块聚类、自适应字典学习

所属期刊栏目：46

分类号：TP391.41(计算技术、计算机技术)

资助基金：山西省青年基金项目201601D021080;中北大学研究生科技立项自然科学项目20171441

在线出版日期：2019-07-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：238-245