第一章绪论
1.1图像融合的研究背景和研究意义
目前图像处理系统对图像融合的需求在不断增加,主要是增加图像采集技术的数量和种类等方面。为图像融合作定义的过程中,将更全面的描述一种结合大量来自多个传感器的信息,将它们运用数学技巧,创建一个完整的复合图像,这样做的结果会更有益于人为操作或其他计算机视觉任务服务。
目前在成像传感器技术中可以从观察到的场景中提取所能获得的各种各样的信息。把所获取的图像使用不同的传感器模式,将表现出不同的特性,例如具有不同的层次结构、显着的特征、纹理属性等,具有代表性的例子包括:雷达,声纳和其他声学传感器图像,也包括红外和热成像仪,地震,磁激光雷达和其它类型的传感器等。
多传感器信息在联合作用下,它充分的利用了越来越复杂的多源数据信息,把来自不同传感器的数据信息,根据人们的需要把多种信息合并到一个新的数据集中。图像融合技术就是在数据融合这个大的背景需求下发展起来的,它是数据融合重要的分支,这种新概念,在20世纪70年代得到了广泛的发展。从输入传感器输送至最终的合成图像的自动程序是一个融合系统,这似乎存在于许多应用中,且是一个不可缺少的预处理阶段,如航空和卫星成像,医疗成像的目标,机器人视觉和车辆或机器人指导等。
Pohl和Generen⑴就图像融合技术做了如下定义:图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像。这种算法是综合了各个领域的当代高科技术。其主要思想是把由不同成像机理、不同工作波长,不同工作环境的多种传感器对同一场景、画面的多个成像信息融合为一个新图像,并在结合一定的算法的基础上,得到信息量最大,可信度更高,模糊程度更低,可理解性更好,更符合人的视觉要求,并适合计算机对其进行检测、识别、分类、理解等操作处理。由此可见,多源图像融合技术比单源图像融合技术拥有更多的优势:多源图像具有更好的冗佘性,更高的观测准确性和鲁棒性。图像进行融合的目的主要有:
(1)提高图像空间分辨率;(2)改善图像几何校准精确度;(3)增强图像信息检测、识别、分类、理解性能;(4)图像锐化;(5)为立体摄影测量提高立体观测能力⑴;(6)弥补单一图像的信息缺失、不完整特征部分,替换错误信息,增强图像信息结构;(7)利用多时域数据序列检测场景、目标的变化情况。
由上表列出的各种传感器的主要特点可见,不同的传感器对于其应用领域、场景的描述是大相径庭的。.................
......................
第二章医学图像融合
2.1医学影像技术简述
医学成像的发展幵始于X射线成像技术的普及,其首先被德国物理学家伦琴发现,其后便在临床医学上得到了广泛的应用,为医学成像技术奠定了基础。20世纪以来随着计算机技术的不断发展,医学影像技术得到了快速的发展。尖端的新型医疗影像设备层出不穷,涉及的内容涵盖方方面面:如计算机X线透视摄影(CR)、B超扫描图像、彩色多普勒超声图像、数字减影血管造影(DSA)、直接数字X线摄影(DDR)、X线计算机断层摄影(CT),核磁共振成像(MRI)、超声成像(US)、Y闪烁成像(Y-scintigrapy)、单光子发射体层成像(SPECT),正电子发射体层成像(PET)、数字X光机(DX)图像、数字突光造影(DF)、各种电子内窥镜图像,显微镜下的病理切片图像等多种成像模式(ImagingModalities)等等,这些已经成为现代医学诊断必不可少的医学数字成像手段。利用多模态图像融合方法,弥补各种医学成像设备由于分辨率、灵敏度不同而带来的差异性,互补信息,保证信息完整性。
根据医学图像所提供的信息内涵,从医学的方面来划分,可以分作描述生理形态的解剖成像模式(Anatomicallmagin妙Modalities) (CT、MR、B超等)和描述人体功能或代谢的功能成像模式(FunetionallmagingModalities) (SPECT、PET)。这两类成像方式同样各有优缺点,解剖成像的优点是分辨率高,能够提供人体内脏器官的解剖形态信息;功能成像的缺点是成像分辨率较低,但能够提供人体内器官、大脑的功能代谢信息即使是象CT、MRI、PET的同一种成像方式,得到图像的信息也不完全相同。
医学影像技术作为一个综合多学科成果与先进技术的学科领域,从静态、平面、形态显像发展到动态、立体、功能显像的过程中,要求人们不断地提出新的、有针对性的理论和方法,而不能应用传统的基于强度和光学图像的研究方法。而本文主要研究医学图像的融合。
本文将在后面的章节中以人脑CT图像、MRI图像为实例进行医学图像的融合。因此,下面对这两种在临床辅助诊断治疗过程中常见的医学成像模式作以简单地介绍。
2.1.1 CT成像简述
CT (Computed Tomography,计算机X射线断层扫描)成像是一种穿透性的放射线成像技术。X射线穿透人体不同密度的组织其射线能量吸收效果不同,其在光感材料上呈现出的不同程度的感光效应,就可呈现出一幅人体器官的二维平面图像。CT成像将高度准直的X射线束围绕器官做断层扫描,记录下的大量信息经过计算机处理,计算出器官内不同部位和深度的各个点的X射线吸收系数值,用不同的灰阶表示,形成器官的横断层解剖结构图像。CT图像不仅能显示病变部位的大小和性质,也能清楚的显示病灶与周围组织的关系,为诊断和治疗提供重要的信息。........................
........................
第三章基于多分辨率以及改进型
POWELL算法的医学图像配准...................................12
3.1图像配准的意义....................................................12
3.2图像配准在医学领域的应用.................................12
3.3医学图像配准的方法与过程..................................13
3.4 Powell算法.......................................................15
3.4.1Powell简介.....................................................15
3.4.1.1共轭方向......................................................16
3.4.1.2 Powell的特点..............................................18
3.4.2原始Powell算法..............................................18
3.4.3改进 Powell.....................................................20
3.4.4Powell 程序框图..............................................21
3.5基于多分辨率与改进型Powell
算法的医学图像配准.................................................23
3.5.1互信息的定义...................................................23
3,5.2小波分解图像分解............................................24
3.5.3图像的多分辨率配准...........................................24
3.5.4配准结果..............................................................26
第四章非下采样CONTOURIET变换结合空间
频率激励下的PCNN算法的医学图像融合.........................28
4.1常用的图像融合方法..... ...........................................28
4.2 CONTOURLE变换的图像融合...................................28
4.2.1多分辨率分析(Multi-resolution Analvsis,MRA) ..........29
4.2.2拉普拉斯金字塔(Laplacian Pyrimad,LP)分解................31
4.2.3方向滤波器组(Directional Filter BaHks,DFB ) ..............34
4.2.4Contourlet 变换结构....................................................37
4.3 非向下釆样 Contourlet变换(NSCT)..................................38
4.3.1非釆样拉普拉斯金字塔(Nonsubsampled Pyramid,NSP)....39
4.3.2 非下釆样方向滤波器组
(Nonsubsampled Diretional Filter Bank,NSDFB) ......................40
4.3.3非下采样Contourlet变▲结构...........................................42
4.4 脉冲賴合神经网络(Pulse Coupled Neural Network,PCNN) ....43
.................................
总结
本文主要对非亚采样Contourlet变换结合空闻频率激励下的PCNN算法对脑部CT图像以及MRI图像进行了融合结果研究,该方法的可行性是显而易见的。作为一种多传感器图像融合算法,使CT图像与MRI图像信息得到了充分互补,并获取冗佘信息,从而提髙了,医学图像的可信度,更好地实现对目标图像的检测、特征提取和识别。本文做的主要工作总结如下:
(1)图像配准作为图像融合的预处理步骤是必不可少的一步,在Powell算法的基础上,提出的基于多分辨率以及改进算法的Powell图像配准方法,很好的弥.补了原始Powell算法所要求的搜索方向的线性无关>性。
⑵详细分析了非下采样Contourlet变换理论与PCNN算法,在此基础上研究了非亚釆样Contourlet变换与?PCNN在图像融合中的理论分析方法,提出了一种基于非亚采样Contourlet变换与在空间频率激励下的PCNN相结合的图像融合算.法。即原理为先对两幅源医学图像分别进行非亚采样Contourlet分解后,将SF作为PCNN的输入激励,然后通过非下采样Contourlet逆变换重构得到融合图像。
(3)本文实验采用大小256x256,256级灰度的医学脑部CT图像与MRI图像作为为实验图像,实验结果表明,这种非下采样Contourlet变换结合空间频率激励下的PCNN算法的图像融合效果与同一类融合方法相比,能够获得更好的图像融合效果。
⑷实验环境为 MATLAB7.10 (R2010a)。
对配准算法来说,由于算法的复杂性,仍需改善。可以针对小波变换后各层图像的特点,釆用不同的插值方法和优化算法,在保证配准精度的情况下,尽可能的缩短配准时间。
非下釆样Contourlet变换结合空间频率激励下的PCNN算法的图像融合应用于图像融合相比于小波变换还不成熟,需要进一步探索研究新的融合算法,可以借鉴其他多尺度变换的成熟的融合算法应用到这一算法中来,探索更优的融合效果;同时,医学图像与人们的生活息息相关,人们所希望得到的是更加准确的诊断结果与治疗方案,在实际应用中医学图像融合的算法还远远不能达到。还考虑到,由于本人的实验能力和实验时间有限,理论与实践之间难免存在不足之处和未考虑完全、周到的细节,以后也会在此方面需继续改进和完善。
NSCT算法本身也存在运算繁琐,复杂度高等问题,如何解决这类问题还需要进一步的研究与探索。
参考文献
[1]周前样,敬忠良,姜世忠.多源遥感影像信息融合研究现状与展望.宇航学报,2002,23(5):89-94.
[2]夏明革,何友,唐小明等.多传感器图像融合综述.电光与控制,2002,9(4):1-7.
[3]叶德荣,李坤成,马斌荣等.CT,MRI脑图像融合技术的研究[J].医疗设备信息,2002,5(1):9-12.
[4] RobbR A. 3-Dimensional Visualization in Medicine and Biology A[M]. http://www.1daixie.com/dxyxlw/ Bankman Handbook of MedicalImaging: Processing and nalysis.2000.235-239.
[5]张煌,刘哲星,李树祥,江贵平.医学图像信息融合技术的发展[J].国外医学生物医学工程分册,1999,23(4):236- 239.
[6]童隆重,周启明,李永忠等?脑膜瘤图像分割融合[J].世界医疗器械,2000,6(4):30-33.
[7]田捷,包尚联,周明全.医学影像处理与分析[M].北京:电子工业出版社,2003X
[8]田捷,包尚联,周明全医学影像处理与分析[M]北京电子工业出社2003 96-114
[9]罗述谦.周果宏医学图像处理与分析[M]北京科学出版社2008.140-202
[10] Woods R P , Grafton S T. Holmes C T. et al Automated image registration 1 general methods and tntra-subject, intra-modality vahdation[J] J Comput Assist Omogr 1998 22(1) 139-152
[11]罗述谦.吕维3医学图像配准技木[T]国外医学生物医学工程分册20〗0,22(1) 1-8
[12]赵训坡,胡占义一种实用的基于证据积累的图像曲线粗匹配万法m vf算机学报,2005,28(3) 357-367