一种新的基于对比度的多峰医学图像融合框架

一种新的基于对比度的多峰医学图像融合框架

 

主要思想：

出了一种用于空间配准的多峰医学图像融合的新颖框架，该框架主要基于非下采样轮廓波变换（NSCT）。所提出的方法能够将源医学图像分解为NSCT域中的低频带和高频带。然后将不同的融合规则应用于变换后的图像的变化的频带。

融合系数通过以下融合规则获得：

低频分量：利用基于归一化香农熵的活动度量来融合低频分量，本质上是以较高的清晰度从聚焦区域中选择低频分量。

高频分量：高频成分是使用指令对比度进行融合的，本质上是从源图像中收集所有信息纹理。

整合这些融合规则，可以保留更多空间特征和功能信息，并将其转移到融合图像中。

 

主要思路：

在通过NSCT分解源图像之后，使用两个不同的融合过程来融合低频部分和高频部分的系数，这是考虑到系数的物理含义来选择的。因此，对低频段和高频段的系数进行了不同的处理：前者通过归一化香农熵的活动度量进行选择，后者通过基于对比度的过程进行选择。然后，通过对融合的低频和高频系数进行反NSCT变换，获得融合图像。进行了定性和定量性能评估，以验证所提出的框架。

框架构造

提出的框架实现的在NSCT结构域上，该框架实现了NSCT域中指令对比度的新定义，采用A和B表示的一对源图像生成合成图像F。该框架的基本条件是必须对齐所有源图像才能对齐相应的像素。

 

a对源图像执行ℓ级NSCT，以获得每个级别和方向θ上的一个低频子图像和一系列高频子图像.

b 低频子图像的融合（低频融合规则将决定系数的清晰程度）

（常规的平均方法会产生复合频带，会导致融合图形的对比度下降，不能提供高质量的融合低频信息）

使用归一化的香农熵作为下标，获得（x,y）为中心的区域中获得低频系数的活度测量值。

从位置（x,y）处的每个图像低频系数中提取显著信息，将其对应的与nsct分解出的低频信息相乘相加得到低频融合系数。

c高频子图像的融合（高频中系数通常包括原图像的细节信息，噪声也和高频有关，可能会导致清晰度数值计算错误，影响融合性能。为了解决这个问题，基于指令对比提出了新的判据）

     先获得每个比例和方向上的Nsct高频子图像的定向对比度

     接着进行融合

d 在融合的低频和高频信息上进行l级别的逆NSCT，以此获得最终融合图像