基于多字典的医学图像融合方法及系统

1.本发明涉及医学图像融合技术领域，尤其涉及基于多字典的医学图像融合方法及系统。


背景技术：

2.随着人工智能和机器视觉领域的进步，医学成像在临床诊断中发挥越来越重要的作用。由于成像设备和原理的差异，不同模态的医学图像可以从不同角度反映患者身体器官的健康状态。计算机断层扫描获得的图像具有较高的空间分辨率，但是其反映的软组织对比度较差。磁共振成像具有较高的软组织对比分辨率，但对骨内病损不敏感。正电子发射断层扫描和单光子发射计算机断层扫描都可以对器官或组织进行代谢、功能性成像，但是两者的空间分辨率低，因此，不同模态医学图像间优势互补，为此，医学图像融合技术被广泛研究，该技术可以结合不同模态医学图像的优势，实现信息互补和多信息可视化，被广泛应用于放疗计划和手术导航等领域。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供基于多字典的医学图像融合方法及系统，能够将不同模态医学图像的有用信息进行整合，获取高质量的融合结果。
4.本发明所采用的第一技术方案是：基于多字典的医学图像融合方法，包括以下步骤：
5.根据源图像获取第一多模态医学图像和第二多模态医学图像；
6.基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；
7.通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合处理，得到初步融合图像的细节层；
8.通过基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理，得到初步融合图像的基础层；
9.将初步融合图像的细节层与初步融合图像的基础层进行相加，得到最终的融合图像。
10.进一步，所述基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层这一步骤，其具体包括：
11.通过引入目标函数，构建截断huber滤波器；
12.基于截断huber滤波器，对引入的目标函数进行最小值求解，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；
13.将源图像分别与第一多模态医学图像的基础层和第二多模态医学图像的基础层进行作差计算处理，得到第一多模态医学图像的细节层和第二多模态医学图像的细节层。
14.进一步，所述引入的目标函数的表达式具体如下所示：
[0015][0016]
上式中，表示第n源图像in的基础层，p、q表示像素点，θd(p)表示根据p为中心的(1+2rd)
×
(1+2rd)的邻域，θk(p)表示除了像素p以外的(1+2rk)
×
(1+2rk)大小的邻域，γ表示控制图像被滤波器平滑的强度，表示高斯核，表示加权导向，表示引入的目标函数，h
t
(
·
)表示基于截断huber的滤波器。
[0017]
进一步，所述基于截断huber的滤波器的表达式具体如下所示：
[0018][0019][0020]
上式中，u表示输入像素，a、b表示常数，h(
·
)表示huber惩罚函数。
[0021]
进一步，所述通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合处理，得到初步融合图像的细节层这一步骤，其具体包括：
[0022]
对源图像进行卷积稀疏表示，获取卷积稀疏目标函数；
[0023]
对卷积稀疏目标函数进行迭代优化并转换至傅里叶域内，得到转换后的卷积稀疏目标函数；
[0024]
引入辅助变量，通过交替方向乘子法对转换后的卷积稀疏目标函数进行求解，得到第一多模态医学图像的细节层的稀疏特征图和第二多模态医学图像的细节层的稀疏特征图；
[0025]
通过k维向量的l1范数作为图像的活动水平测量，获取第一多模态医学图像的细节层稀疏特征的活动水平图和第二多模态医学图像的细节层稀疏特征的活动水平图；
[0026]
通过基于窗口的加权平均方法对第一多模态医学图像的细节层稀疏特征的活动水平图和第二多模态医学图像的细节层稀疏特征的活动水平图进行处理，得到第一多模态医学图像的细节层稀疏特征的最终活跃水平图和第二多模态医学图像的细节层稀疏特征的最终活跃水平图；
[0027]
对第一多模态医学图像的细节层稀疏特征的最终活跃水平图和第二多模态医学图像的细节层稀疏特征的最终活跃水平图进行绝对值取大处理与字典滤波器卷积处理，得到初步融合图像的细节层。
[0028]
进一步，所述卷积稀疏目标函数的表达式为：
[0029][0030]
上式中，*表示卷积操作，dk表示字典滤波器，x
n,k
表示稀疏特征图，λ表示正则化参
数，k表示字典数量。
[0031]
进一步，还包括在卷积稀疏表示中注入新的多字典决策技术，提高初步融合图像的细节层的准确度，其具体步骤为：
[0032]
训练g个不同含有不同滤波器的字典分别同第一多模态医学图像的细节层和第二多模态医学图像的细节层做卷积，得到g个融合的细节层；
[0033]
将每个融合的细节层分别与第一多模态医学图像的细节层和第二多模态医学图像的细节层进行作差处理，得到细节差图；
[0034]
对细节差图在同一像素点处的绝对值进行判断；
[0035]
若所述细节差图在同一像素点处的绝对值小于预设阈值的个数超过所训练字典数的一半，选取对应的像素点进行图像融合。
[0036]
进一步，所述基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理的表达式为：
[0037][0038][0039]
上式中，ib表示预融合图像的基础层，en和em分别表示局部能量测量算子利用滑动窗口技术对和进行局部能量测量，wn和wm表示核范数权重，μ和v表示常数，(i,j)表示图像的像素点。
[0040]
本发明所采用的第二技术方案是：基于多字典的医学图像融合系统，包括：
[0041]
获取模块，用于根据源图像获取第一多模态医学图像和第二多模态医学图像；
[0042]
分解模块，基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；
[0043]
细节融合模块，用于通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合处理，得到初步融合图像的细节层；
[0044]
基础融合模块，用于通过基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理，得到初步融合图像的基础层；
[0045]
相加模块，用于将初步融合图像的细节层与初步融合图像的基础层进行相加，得到最终的融合图像。
[0046]
进一步，本发明还对应提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述计算机程序包括以上任一项所述的基于多字典的医学图像融合方法。
[0047]
进一步，本发明还对应提供一种计算机存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，所述计算机程序包括以上任一项所述的基于多字典的医学图像融合方法。
[0048]
本发明方法及系统的有益效果是：本发明通过获取两张多模态医学图像，利用基于截断huber滤波器对两张医学图像进行滤波处理，获取两张待融合图像的基础层和细节层，截断huber滤波器的引入可以同时实现细节保持平滑和边缘保持，有效提取医学图像细节层中的弱边缘信息，进一步设计了一种新的多字典卷积稀疏表示的融合规则对两张医学图像分解得到的细节层进行融合，并为了保留源图像中更多的细节信息，提高预融合细节层的准确度，在csr模型中注入新的多字典决策技术，能够提高像素对误配准的鲁棒性且不会丢失图像中的细节信息，最后通过设计一种新的核范数能量的融合规则对多模态医学图像的基础层进行融合处理，一种新的核范数能量的融合规则不仅可以充分考虑基础层的特征还可以提取基础层图像的主要能量和局部大结构信息。
附图说明
[0049]
图1是本发明基于多字典的医学图像融合方法的步骤流程图；
[0050]
图2是本发明基于多字典的医学图像融合系统的结构框图；
[0051]
图3是本发明具体实施例基于截断huber滤波器和多字典卷积稀疏表示的医学图像融合的步骤流程框图；
[0052]
图4是本发明具体实施例的模态医学图像；
[0053]
图5是应用本方法得到的融合图像与其他现有方法得到的融合图像的对比示意图。
具体实施方式
[0054]
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0055]
参照图1和图3，本发明提供了基于多字典的医学图像融合方法，该方法包括以下步骤：
[0056]
s1、根据源图像获取第一多模态医学图像in和第二多模态医学图像im；
[0057]
s2、基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；
[0058]
具体地，通过求解以下目标函数最小值的解，可以得到第n源图像in的基础层n∈{1,2,...n}，其表达式为：
[0059][0060]
同理可得第m张源图像im的基础层m∈{1,2,...m}，p和q代表像素点，θd(p)为以p为中心的(1+2rd)
×
(1+2rd)的邻域，θk(p)为除了像素p以外的(1+2rk)
×
(1+2rk)大小的邻域，此处rd＝rk＝1，γ控制图像被滤波器平滑的强度，此处取0.5，为高斯核，可以由以下公式表示：
[0061][0062]
让σ＝rd＝1，σ＝rk＝1，可以得到加权导向其表达式为：
[0063][0064]
上式中，α＝0.5控制引导图像对边界的敏感度，且此处将输入图像作为引导图像，也即|
·
|为取绝对值操作，ξ为常数，此处取0.003；
[0065]ht
(
·
)是基于huber的滤波器，其定义为：
[0066][0067][0068]
上式中，a和b都表示常数，a＝0.003,b＝1，h(
·
)代表huber惩罚函数，当它被用来规范平滑过程时，难以识别弱边缘。相比之下，h
t
则不会因截断而惩罚图像边缘，具有弱边缘的检测能力；
[0069]
如果将h
t
′
(a)作为左极限，h
t
′
(-a)作为右极限，则可以得到h
t
(u)的边缘停止函数φ
t
(u)，其表达式为：
[0070][0071]
上式中，a值精准控制了图像边缘是否需要被惩罚，上式说明当输入像素u小于a时将会被惩罚，h
t
(
·
)的引入可以同时实现细节保持平滑和边缘保持，有效提取医学图像细节层中的弱边缘信息。此外，由于分解算法基于h
t
(
·
)；
[0072]
将输入图像in与得到in的基础层作差，可以得到in的细节层其表达式为：
[0073][0074]
同理可以得到
[0075]
s3、通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合处理，得到初步融合图像的细节层；
[0076]
具体地，为了获取in的细节层的稀疏特征图x
n,k
,k∈{1,...,k}，k为字典数量，对in进行卷积稀疏表示可以得到以下目标函数，其表达式为：
[0077]
[0078]
上式中，*表示卷积操作，正则化参数λ取0.01，该目标函数可以通过交替方向乘子法(admm)求解；
[0079]
为了使得上式更加符合admm的求解形式，引入辅助变量{y
n,k
}，其表达式为：
[0080][0081]
对于上式中的目标函数，可以转化为对以下问题的迭代优化，其表达式为：
[0082][0083][0084][0085]
其中，ρ取1.5，代表控制参数，用于判断迭代的收敛性，此处最大主迭代次数设置为500；
[0086]
对于上式中的{y
n,k
}，可将其目标函数转换至傅里叶域内用软阈值法求解；
[0087]
通过admm求解后，可以得到in的细节层的稀疏特征图x
n,k
，由于字典dk中共含有k个滤波器，经卷积操作后，x
n,k
在空间域内尺寸为r
×s×
k，x
n,1:k
(i,j)为一个k维向量，代表x
n,k
(i,j)在(i,j)处的内容，采用x
n,1:k
(i,j)的l1范数作为图像的活动水平测量，可以得到活动水平图，其表达式为：
[0088]mn
(i,j)＝||x
n,1:k
(i,j)||1[0089]
为了提高像素对误配准的鲁棒性，使用基于窗口的加权平均方法对mn(i,j)处理，得到最终活跃水平图，其表达式为：
[0090][0091]
上式中，(2w+1)(2w+1)为邻域窗口大小，当w较大时，该方法具有更好的像素误配准性能，但同时可能丢失图像中的细节信息，由于医学图像中含有较多的小尺度细节信息，因此较小的w更适用于本方法，经大量实验验证，w的合适值为3；
[0092]
采用“绝对值取大”可以获得融合的稀疏特征图x
f,1:k
(x,y)，其表达式为：
[0093][0094]
最终，将稀疏特征图与字典滤波器卷积，可以得到预融合的细节层其表达式为；
[0095][0096]
特别地，为了保留源图像中更多的细节信息，提高预融合细节层的准确度。在csr
模型即卷积稀疏表示中注入新的多字典决策技术，首先，训练g个不同含有不同滤波器的字典分别同细节图像做卷积，得到g个融合的细节层然后将每一个融合的细节层分别与源图像in的细节层作差，可以得到差图其表达式为：
[0097][0098]
若在同一像素点(i,j)处的绝对值小于阈值t的个数超过所训练字典数的一半，即该像素点在受到多个字典同时约束时，有半数以上的字典对源图像像素选择是接近的，同时说明最终预融合的细节层id与源图像细节层接近程度越高，以此提高细节层融合规则的细节保留能力，则id最终选择中(i,j)处对应的像素，其表达式为：
[0099][0100]
上式中，阈值t＝0.05，count用于计算中在同一像素点(i,j)处小于阈值t的个数；
[0101]
其中；
[0102][0103]
上式中，id为最终获得的细节层融合图像，在本发明方法中，g取4。
[0104]
s4、通过基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理，得到初步融合图像的基础层；
[0105]
具体地，针对in和im的基础层图像和设计了一种新的核范数能量的算子用于基础层图像的融合，其表达式具体如下所示：
[0106][0107][0108]
上式中，阈值v＝1，ib为预融合的基础层，en和em分别代表的局部能量测量算子，该算子利用滑动窗口技术对和进行局部能量测量，(2μ+1)
×
(2μ+1)为滑动窗口的邻域尺寸,此处μ取3；
[0109]
其中，
[0110]
[0111][0112]
同理可得wm；
[0113]
wn和wm表示核范数权重，该权重的引入可以充分考虑基础层的特征，re(
·
)为从中重建图像块的算子，‖
·
‖
*
用于计算矩阵奇异值之和，代表核范数算子，可以提取基础层图像的主要能量和局部大结构信息。
[0114]
s5、将初步融合图像的细节层与初步融合图像的基础层进行相加，得到最终的融合图像。
[0115]
具体地，所述将初步融合图像的细节层与初步融合图像的基础层进行相加的表达式具体为：
[0116]
if(i,j)＝id(i,j)+ib(i,j)
[0117]
上式中，if(i,j)表示最终的融合图像，id(i,j)表示初步融合图像的细节层，ib(i,j)表示初步融合图像的基础层。
[0118]
参照图2，基于多字典的医学图像融合系统，包括：
[0119]
获取模块，用于根据源图像获取第一多模态医学图像和第二多模态医学图像；
[0120]
分解模块，基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；
[0121]
细节融合模块，用于通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合处理，得到初步融合图像的细节层；
[0122]
基础融合模块，用于通过基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理，得到初步融合图像的基础层；
[0123]
相加模块，用于将初步融合图像的细节层与初步融合图像的基础层进行相加，得到最终的融合图像。
[0124]
本发明另一实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述计算机程序包括以上任一项所述的基于多字典的医学图像融合方法。
[0125]
本发明另一实施例提供了一种计算机存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，所述计算机程序包括以上任一项所述的基于多字典的医学图像融合方法。
[0126]
该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中的基因数据的查询方法的步骤，这里所说的计算机可读存储介质包括随机存储器(ram)、内存、只读存储器(roid)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质。
[0127]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤，这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件，专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0128]
为了进一步展现出本发明的优势与有效性，本发明与5种现阶段的图像融合算法做了一组对比实验，从主观视觉评价上分析各个算法的优劣；
[0129]
具体地，参照图4和图5，图4(a1)和(a2)为两张多模态医学图像(大小均为256
×
256)，图5(a1)～(a6)分别为拉普拉斯重分解方法(la-reco)、零学习快速图像融合(lmf)、基于非下采样轮廓波变换的医学图像融合方法(nsct)、基于脉冲耦合神经网络和能量属性的医学图像融合方法(nsst-msmg)、基于多尺度边缘保持滤波的医学图像融合方法(mlcf-mlmg)和本发明融合算法下的融合结果，可以清晰看出，la-reco方法得到的融合结果的白色部分出现了色彩失真的情况(图5(a1))，lmf和nsct方法得到的融合图像中部出现了黑影,融合图像的色彩保留度较差(图5(a2)和(a3))，nsst-msmg和mlcf-mlmg方法得到的融合图像中的部分蓝色色彩信息覆盖了白色纹理信息(图5(a4)和(a5))，本发明方法得到的融合结果不仅可以清晰保留鲜明的色彩信息，同时能有效保留细节层中的大量纹理等信息(图5(a6))；综上所述，本发明的融合性能在5种对比方法中处于领先地位。
[0130]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0131]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.基于多字典的医学图像融合方法，其特征在于，包括以下步骤：根据源图像获取第一多模态医学图像和第二多模态医学图像；基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合处理，得到初步融合图像的细节层；通过基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理，得到初步融合图像的基础层；将初步融合图像的细节层与初步融合图像的基础层进行相加，得到最终的融合图像。2.根据权利要求1所述基于多字典的医学图像融合方法，其特征在于，所述基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层这一步骤，其具体包括：通过引入目标函数，构建截断huber滤波器；基于截断huber滤波器，对引入的目标函数进行最小值求解，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；将源图像分别与第一多模态医学图像的基础层和第二多模态医学图像的基础层进行作差计算处理，得到第一多模态医学图像的细节层和第二多模态医学图像的细节层。3.根据权利要求2所述基于多字典的医学图像融合方法，其特征在于，所述引入的目标函数的表达式具体如下所示：上式中，表示第n源图像i
n
的基础层，p、q表示像素点，θ
d
(p)表示根据p为中心的(1+2r
d
)
×
(1+2r
d
)的邻域，θ
k
(p)表示除了像素p以外的(1+2r
k
)
×
(1+2r
k
)大小的邻域，γ表示控制图像被滤波器平滑的强度，表示高斯核，表示加权导向，表示引入的目标函数，h
t
(
·
)表示基于截断huber的滤波器。4.根据权利要求3所述基于多字典的医学图像融合方法，其特征在于，所述基于截断huber的滤波器的表达式具体如下所示：huber的滤波器的表达式具体如下所示：上式中，u表示输入像素，a、b表示常数，h(
·
)表示huber惩罚函数。5.根据权利要求4所述基于多字典的医学图像融合方法，其特征在于，所述通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合
处理，得到初步融合图像的细节层这一步骤，其具体包括：对源图像进行卷积稀疏表示，获取卷积稀疏目标函数；所述卷积稀疏目标函数的表达式为：上式中，*表示卷积操作，d
k
表示字典滤波器，x
n,k
表示稀疏特征图，λ表示正则化参数，k表示字典数量；对卷积稀疏目标函数进行迭代优化并转换至傅里叶域内，得到转换后的卷积稀疏目标函数；引入辅助变量，通过交替方向乘子法对转换后的卷积稀疏目标函数进行求解，得到第一多模态医学图像的细节层的稀疏特征图和第二多模态医学图像的细节层的稀疏特征图；通过k维向量的l1范数作为图像的活动水平测量，获取第一多模态医学图像的细节层稀疏特征的活动水平图和第二多模态医学图像的细节层稀疏特征的活动水平图；通过基于窗口的加权平均方法对第一多模态医学图像的细节层稀疏特征的活动水平图和第二多模态医学图像的细节层稀疏特征的活动水平图进行处理，得到第一多模态医学图像的细节层稀疏特征的最终活跃水平图和第二多模态医学图像的细节层稀疏特征的最终活跃水平图；对第一多模态医学图像的细节层稀疏特征的最终活跃水平图和第二多模态医学图像的细节层稀疏特征的最终活跃水平图进行绝对值取大处理与字典滤波器卷积处理，得到初步融合图像的细节层。6.根据权利要求5所述基于多字典的医学图像融合方法，其特征在于，还包括在卷积稀疏表示中注入新的多字典决策技术，提高初步融合图像的细节层的准确度，其具体步骤为：训练g个不同含有不同滤波器的字典分别同第一多模态医学图像的细节层和第二多模态医学图像的细节层做卷积，得到g个融合的细节层；将每个融合的细节层分别与第一多模态医学图像的细节层和第二多模态医学图像的细节层进行作差处理，得到细节差图；对细节差图在同一像素点处的绝对值进行判断；若所述细节差图在同一像素点处的绝对值小于预设阈值的个数超过所训练字典数的一半，选取对应的像素点进行图像融合。7.根据权利要求6所述基于多字典的医学图像融合方法，其特征在于，所述基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理的表达式为：
上式中，i
b
表示预融合图像的基础层，e
n
和e
m
分别表示局部能量测量算子利用滑动窗口技术对和进行局部能量测量，w
n
和w
m
表示核范数权重，μ和v表示常数，(i,j)表示图像的像素点。8.基于多字典的医学图像融合系统，其特征在于，包括以下模块：获取模块，用于根据源图像获取第一多模态医学图像和第二多模态医学图像；分解模块，基于截断huber滤波器对第一多模态医学图像和第二多模态医学图像进行分解处理，得到第一多模态医学图像的基础层和细节层、第二多模态医学图像的基础层和细节层；细节融合模块，用于通过多字典卷积稀疏表示对第一多模态医学图像的细节层和第二多模态医学图像的细节层进行融合处理，得到初步融合图像的细节层；基础融合模块，用于通过基于核范数能量的算子对第一多模态医学图像的基础层和第二多模态医学图像的基础层进行融合处理，得到初步融合图像的基础层；相加模块，用于将初步融合图像的细节层与初步融合图像的基础层进行相加，得到最终的融合图像。9.一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述计算机程序包括如权利要求1-7任一项所述的基于多字典的医学图像融合方法。10.一种计算机存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，所述计算机程序包括如权利要求1-7任一项所述的基于多字典的医学图像融合方法。

技术总结
本发明公开了基于多字典的医学图像融合方法及系统，该方法包括：根据源图像获取两张多模态医学图像；利用基于截断Huber滤波器对两张医学图像进行分解，得到两张待融合的基础层和两张待融合的细节层；基于多字典卷积稀疏表示的融合规则对两张医学图像分解得到的细节层进行融合；基于核范数能量的融合规则，对两张医学图像的基础层融合，得到预融合的基础层；将预融合的细节层和预融合的基础层相加，得到最终的融合结果。通过使用本发明，能够将不同模态医学图像的有用信息进行整合，获取高质量的融合结果。本发明作为基于多字典的医学图像融合方法及系统，可广泛应用于医学图像融合技术领域。合技术领域。合技术领域。


技术研发人员：李小松 接玉婵 谭海曙 于昕梅 王晓磐 程晓琦
受保护的技术使用者：佛山科学技术学院
技术研发日：2023.04.06
技术公布日：2023/7/18