基于细节增强分解模型的医学图像融合方法

技术特征：
1.一种基于细节增强分解模型的医学图像融合方法，其特征在于：所述医学图像融合方法包括如下步骤：步骤1、从数据集中获取灰度和彩色图像；步骤2、将步骤1中获取的彩色图像转换为yuv信道；步骤3、设计细节增强分解模型，对医学图像进行分解，得到基本层b和细节层l，所述基本层b包含图像的基本内容信息，所述细节层l包含纹理细节与边缘轮廓信息；步骤4、使用不同的融合规则对步骤3中获得的基本层b和细节层l分别进行融合，融合图像的计算公式如下：f＝b l；步骤5、根据融合后的图像进行重构。2.根据权利要求1所述基于细节增强分解模型的医学图像融合方法，其特征在于：步骤3中的细节增强分解模型为：其中w
b
为一阶导数滤波器w1＝[-1 1]，w2＝[-1 1]
t
与二阶拉普拉斯滤波器ρ(x)为非凸变量，λ控制平滑度，表示对基本层使用拉普拉斯滤波器，表示强制定位的基本层b和细节层l与原始图像i接近。3.根据权利要求2所述基于细节增强分解模型的医学图像融合方法，其特征在于：步骤3中对医学图像进行分解，具体的分解方法包括如下步骤：步骤3-1：由于细节增强分解模型中的每个像素出处引入辅助变量节增强分解模型写成：其中β是优化过程中增加的权重；步骤3-2：通过交替计算b和l和更新辅助变量实现目标函数的最小化；步骤3-3：更新在保持b、l固定的情况下，找到每个像素处的闭合形式解以最小化在保持b、l固定的情况下，找到每个像素处的闭合形式解以最小化
计算b,l，固定时，b,l的函数为二次函数，假设有循环边界条件，使用对卷积矩阵w
b
进行对角化，从而直接找到最优解b,l：进行对角化，从而直接找到最优解b,l：进行对角化，从而直接找到最优解b,l：其中：*是复共轭，是对基本层b进行傅立叶变换，是卷积矩阵w
b
进行对角化。4.根据权利要求1所述基于细节增强分解模型的医学图像融合方法，其特征在于：步骤4中，细节层l分别包含纹理细节与边缘轮廓信息，l2范数和最大奇异值分别表示细节与主要变形信息，通过使用3x3窗口滑动图像来获得一系列面片，对于每一个面片，通过计算l2范数和最大奇异值的乘积来确定，具体细节层融合规则为：其中(i，j)是窗口中的位置，g是面片的数量，表示g块在i，j中的融合像素，表示位于(i，j)中的第m个局部平均细节层的g块的像素，的定义如下：其中v
max
(l
g，m
)表示细节层的最大奇异值，在得到所有的融合面片l
g
，g＝1，2，...，g后，选择对重叠区域的平均操作得到融合的细节层l。5.根据权利要求4所述基于细节增强分解模型的医学图像融合方法，其特征在于：步骤4中，基本层b包含了图像的基本内容信息，融合规则为：b包含了图像的基本内容信息，融合规则为：其中b
′
表示进行加权平均处理后的基本层，n代表有n个输入。6.根据权利要求1所述基于细节增强分解模型的医学图像融合方法，其特征在于：所述
步骤2将彩色图像转换为yuv信道具体为：彩色图像首先被转换成yuv通道，然后，使用y通道与灰度图像进行融合。7.根据权利要求1所述基于细节增强分解模型的医学图像融合方法，其特征在于：步骤1中，数据集的获取具体为：从公开数据库中获取对应的输入图像1记录为i1，输入图像2记录为i2。

技术总结
本发明是一种基于细节增强分解模型的医学图像融合方法，包括：步骤1、数据集获取；步骤2、将彩色图像转换为YUV信道；步骤3、设计细节增强分解模型，对医学图像进行分解，得到基本层B和细节层L，所述基本层B包含图像的基本内容信息，所述细节层L包含纹理细节与边缘轮廓信息；步骤4、使用不同的融合规则对步骤3中获得的基本层B和细节层L分别进行融合，步骤5、根据融合后的图像进行重构。本发明能在较短的处理时间内提供更清晰的边缘细节和优越的色彩，为现代医学图像融合提供了一定的应用价值。为现代医学图像融合提供了一定的应用价值。


技术研发人员：戴丽娜 朱虎 邓丽珍
受保护的技术使用者：南京邮电大学
技术研发日：2022.05.19
技术公布日：2022/8/19