任　青

(山西農(nóng)業(yè)大學(xué)信息學(xué)院　太谷　030800)

?

基于小波加權(quán)系數(shù)和平均梯度的醫(yī)學(xué)圖像融合*

任青

(山西農(nóng)業(yè)大學(xué)信息學(xué)院太谷030800)

針對醫(yī)學(xué)CT圖像和MRI圖像的多模圖像融合問題,論文提出了一種基于小波變換的改進(jìn)算法。對于圖像的低頻部分,將小波低頻系數(shù)乘以加權(quán)因子1/R,減少低頻部分所占整個圖像信息比例;對于圖像的高頻部分,利用圖像質(zhì)量評價中的評價因子——平均梯度絕對值取大來選取最終融合圖像的小波高頻系數(shù)。實(shí)驗(yàn)結(jié)果表明,該方法得到的融合圖像體現(xiàn)出更強(qiáng)的融合性能。

圖像融合; 多模圖像; 小波變換; 加權(quán)系數(shù); 平均梯度

Class NumberTP391.41

1　引言

現(xiàn)階段醫(yī)學(xué)影像可通過多種成像設(shè)備產(chǎn)生,這為臨床診斷提供了多種模態(tài)[1]的醫(yī)學(xué)圖像,例如:X射線、超聲、CT、MRI、核醫(yī)學(xué)圖像(SPECT、PET)、數(shù)字減影等。這些圖像提供了關(guān)于病變組織或器官的解剖或功能信息,但由于成像設(shè)備和成像原理不同,各類圖像又具有其各自的特點(diǎn)。例如,CT圖像具有較強(qiáng)的空間分辨率和幾何特性。對骨骼成像非常清晰,可為病灶定位提供良好的參照,但對軟組織的對比度則較低;MRI可清晰反映軟組織、器官、血管等的解剖結(jié)構(gòu),有利于病灶范圍確定,但對鈣化點(diǎn)不敏感,且受到磁干擾會發(fā)生幾何失真。

基于各種模態(tài)醫(yī)學(xué)圖像的特點(diǎn),本文針對現(xiàn)階段最常用的、信息互補(bǔ)性最為明顯的醫(yī)學(xué)CT圖像和MRI圖像,使用圖像融合技術(shù)[2]對人體同一解剖結(jié)構(gòu)的形態(tài)和功能互為差異、互為補(bǔ)充的影像信息進(jìn)行了適當(dāng)?shù)娜诤?提出了一種基于小波變換的圖像融合改進(jìn)方法,并通過實(shí)驗(yàn)驗(yàn)證了本方法的有效性。

2　基于小波加權(quán)系數(shù)和平均梯度的融合方法

小波變換[3]具有良好的時頻局部性以及多分辨性,已成為一種主流的圖像融合技術(shù)。小波分解后的高頻部分主要包含圖像的邊緣信息,而低頻部分僅決定圖像的大致輪廓。對于醫(yī)學(xué)圖像而言,圖像邊緣的清晰度等特征正是臨床診斷時最為重要的信息?，F(xiàn)階段的融合規(guī)則研究主要集中在如何選取融合圖像中的小波高頻系數(shù)。基于小波變換的圖像融合方法所采用的多分辨率技術(shù)基本沿用Mallat方法[4],只是根據(jù)具體應(yīng)用的不同,而選用不同的小波基函數(shù)和不同的圖像融合規(guī)則(本文選取常用的“sym4”小波)。

常用的圖像融合算法,如IHS融合算法[5]、拉普拉斯金字塔[6]融合算法和絕對值取大[7]的小波融合算法等,僅可以滿足最基本的圖像融合要求,但對于特征性圖像則必須針對圖像的具體特點(diǎn)而進(jìn)行必要的算法改進(jìn)。對于醫(yī)學(xué)CT圖像和MRI圖像,IHS融合算法融合出的圖像雖然具有很強(qiáng)的對比度,卻易丟失部分圖像細(xì)節(jié)信息;拉普拉斯金字塔融合算法融合出的圖像無論在細(xì)節(jié)信息還是清晰度方面,都表現(xiàn)一般;絕對值取大的小波融合算法融合出的圖像細(xì)節(jié)信息基本完整,但邊緣卻不夠清晰。

為此,本文提出了一種基于小波加權(quán)系數(shù)和平均梯度的融合方法。與常用融合方法比較,本文方法在圖像細(xì)節(jié)信息的完整性和邊緣清晰度方面都有所提高。其融合步驟如圖1所示:

圖1　基于小波變換的圖像融合流程圖

1) 將人體腦部同一位置的醫(yī)學(xué)CT圖像和MRI圖像經(jīng)過嚴(yán)格配準(zhǔn)后,利用小波變換將源圖像分解為低頻部分、垂直方向高頻、水平方向高頻和對角方向高頻四部分。分別針對圖像低頻部分和三個方向的高頻部分,選取不同的融合規(guī)則。

2) 對于圖像的低頻部分,將低頻系數(shù)與一個加權(quán)因子1/R相乘以衰減低頻部分所占的圖像信息比例,相對提高高頻部分所占圖像信息比例[8]。通過這種處理,在能量上相對抑制了低頻成分,突顯了高頻成分。

3) 對于圖像的高頻部分,采用圖像清晰度質(zhì)量評價函數(shù)法對高頻系數(shù)進(jìn)行優(yōu)選。常用的圖像清晰度質(zhì)量評價函數(shù)有梯度函數(shù)、頻譜函數(shù)、圖像灰度熵函數(shù)、灰度變化函數(shù)等,平均梯度最適合評價圖像高頻部分的清晰度[10]。

首先對小波分解后的高頻圖像,選取圖像清晰度質(zhì)量評價函數(shù)——平均梯度作為優(yōu)選準(zhǔn)則,分別對兩幅圖的三個方向的高頻系數(shù)利用W×W(本文中W=3)的滑動窗口計(jì)算平均梯度[9]:

取絕對值較大的小波系數(shù)作為融合圖像對應(yīng)位置的小波高頻系數(shù)。

3　實(shí)驗(yàn)結(jié)果及分析

源圖像采用已配準(zhǔn)好的醫(yī)學(xué)腦部CT圖像和MRI圖像(大小為256×256)。

1) 實(shí)驗(yàn)選取“sym4”小波,并將實(shí)驗(yàn)結(jié)果與幾種常用融合方法所得結(jié)果進(jìn)行對比分析,包括IHS融合算法、拉普拉斯(Laplacian)金字塔融合算法和絕對值取大的小波融合算法。實(shí)驗(yàn)結(jié)果如圖2所示。

2) 對四幅融合圖像,采用信息熵和清晰度作為融合結(jié)果質(zhì)量客觀評價參數(shù)。信息熵越大,融合圖像所含信息越豐富;清晰度越大,圖像微小細(xì)節(jié)反差及紋理變化特征等細(xì)節(jié)保持越完整,融合圖像越清晰。各種方法所得融合圖像質(zhì)量評價結(jié)果如表1所示。從表格數(shù)據(jù)中可以看出本文提出的方法產(chǎn)生的融合圖像清晰度最高,說明此方法融合出的圖像細(xì)節(jié)保存最完整。

圖2　源圖像與各種方法下的融合圖像

表1　CT和MRI融合圖像的質(zhì)量評價結(jié)果

4　結(jié)語

本文針對醫(yī)學(xué)CT圖像和MRI圖像的特點(diǎn),提出了一種基于小波加權(quán)系數(shù)和平均梯度的融合方法。通過與幾種常見方法所得的融合圖像作實(shí)驗(yàn)對比分析表明,本文方法融合出的醫(yī)學(xué)圖像細(xì)節(jié)更加清晰。

[1] 王夢倩,邵波,岳建華.醫(yī)學(xué)圖像融合的應(yīng)用與展望[J].醫(yī)療設(shè)備信息,2007,25(5):48-50.

WANG Mengqian, SHAO Bo, YUE Jianhua. Applications and Prospects of Medical Image Fusion[J]. Medical Device Information,2007,25(5):48-50.

[2] Aggarwal J K. Multisensor Fusion for Computer Vision[M]. Berlin Heidelberg: Springer-Verlag,1993.

[3] Fei Si. Research Center for Scientific Product. Theory of wavelet analyzing and implement of MATLAB 7.0[M]. Beijing: Publishing House of Electronics Industry.

[4] 李光鑫.基于小波變換的像素級圖像融合算法的研究[D].長春:吉林大學(xué),2004.

LI Guangxin. Pixel-level Image Fusion Algorithm Research Based on Wavelet Transform[D]. Changchun: Jilin University,2004.

[5] Smith S, scarff L. A. Combining visual and IR images for sensor fusion: two approaches[C]//Proc. of SPIE, on Visual Data Interpretation. Washington, USA: SPIE Press,1992:102-112.

[6] Toet A. Multiscale Contrast Enhancement with Application to Image Fusion[J]. Optical Engineering,1991,31(5):1026-1031.

[7] CPOHL JL, Van genderen. Multi-sensor image fusion in remote sensing: Concepts, Methods and Application,1998,19(5):823-835.

[8] 苗啟廣,王寶樹.基于小波變換與局部能量的多聚焦圖像融合[J].計(jì)算機(jī)科學(xué),2005,32(2):229-232.

MIao Qiguang, WANG Baoshu. Multi-focus Image Fusion Based on Wavelet Transform and Local Energy[J]. Computer Science,2005,32(2):229-232.

[9] 王虹,潘曉露,李一民,等.一種基于梯度幅度值的圖像質(zhì)量客觀評價方法[J].光學(xué)與光電技術(shù),2004,2(6):23-25.

WANG Hong, PAN Xiaolu, LI Yimin, et al. Based on the Image Qquality Gradient Amplitude Value Objective Evaluation Method[J]. Optics & Optoelectronic Technology,2004,2(6):23-25.

[10] 查世華,王旭,張舞杰,等.一種改進(jìn)的數(shù)字圖像清晰度評價函數(shù)研究[J].微計(jì)算機(jī)信息,2007,23(12):279-281.

ZHA Shihua, WANG Xu, ZHANG Wujie, et al. An Improved Digital Image Sharpness Evaluation Function[J]. Microcomputer Information,2007,23(12):279-281.

Medical Image Fusion Based on Wavelet Weight Coefficients and Average Gradient

REN Qing

(College of Information, Shanxi Agriculture University, Taigu030800)

This paper proposes an medical image fusion algorithm, based on wavelet transform, it is mainly concerned with the CT and MRI. For the image low-frequency part, because most of the image characteristics are stored in high-frequency part, so low-frequency wavelet coefficients will multiply coefficien 1/R, to reduce the proportion of low-frequency part of the whole image information. For the image high-frequency part, evaluation factor of image quality evaluation — the average gradient, whose absolute value is larger is chosen to play as the ultimate image wavelet high-frequency coefficients. Compared with several commonly used image fusion methods, the proposed algorithm can give us the fusion image that ownes more image detail information.

image fusion, multi-mode image, wavelet transform, weight coefficients, average gradient

2016年3月18日,

2016年4月25日

山西省自然基金(編號:2007012003)資助。

任青,女,碩士研究生,研究方向:成像技術(shù)與圖像處理。

TP391.41DOI:10.3969/j.issn.1672-9722.2016.09.013