基于自适应联合字典学习的脑部多模态图像融合方法

摘要：

针对目前全局训练字典对于脑部医学图像的自适应性不强,以及使用稀疏表示系数的L1范数取极大的融合方式易造成图像的灰度不连续效应进而导致图像融合效果欠佳的问题,提出一种基于自适应联合字典学习的脑部多模态图像融合方法.该方法首先使用改进的K奇异值分解(K-SVD)算法自适应地从已配准的源图像中学习得到子字典并组合成自适应联合字典,在自适应联合字典的作用下由系数重用正交匹配追踪(CoefROMP)算法计算得到稀疏表示系数;然后将稀疏表示系数的“多范数”作为源图像块的活跃度测量,并提出“自适应加权平均”与“选择最大”相结合的无偏规则,根据稀疏表示系数的“多范数”的相似度选择融合规则,当“多范数”的相似度大于阈值时,使用“自适应加权平均”的规则,反之则使用“选择最大”的规则融合稀疏表示系数;最后根据融合系数与自适应联合字典重构融合图像.实验结果表明,与其他三种基于多尺度变换的方法和五种基于稀疏表示的方法相比,所提方法的融合图像能够保留更多的图像细节信息,对比度和清晰度较好,病灶边缘清晰,客观参数标准差、空间频率、互信息、基于梯度指标、基于通用图像质量指标和平均结构相似指标在三组实验条件下的均值分别为:71.0783、21.970 8、3.6790、0.6603、0.7352和0.7339.该方法可以应用于临床诊断和辅助治疗.

关键词：脑部多模态图像融合、K奇异值分解、自适应联合字典、系数重用正交匹配追踪、稀疏表示、多范数、无偏规则

所属期刊栏目：38

分类号：TP391.41(计算技术、计算机技术)

资助基金：山西省自然科学基金资助项目2015011045.This work is partially supported by the Natural Science Foundation of Shanxi Province 2015011045

在线出版日期：2018-06-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1134-1140