基于小波加权系数和平均梯度的医学图像融合*

任　青

(山西农业大学信息学院　太谷　030800)



基于小波加权系数和平均梯度的医学图像融合*

任青

(山西农业大学信息学院太谷030800)

针对医学CT图像和MRI图像的多模图像融合问题,论文提出了一种基于小波变换的改进算法。对于图像的低频部分,将小波低频系数乘以加权因子1/R,减少低频部分所占整个图像信息比例;对于图像的高频部分,利用图像质量评价中的评价因子——平均梯度绝对值取大来选取最终融合图像的小波高频系数。实验结果表明,该方法得到的融合图像体现出更强的融合性能。

图像融合; 多模图像; 小波变换; 加权系数; 平均梯度

Class NumberTP391.41

1　引言

现阶段医学影像可通过多种成像设备产生,这为临床诊断提供了多种模态[1]的医学图像,例如:X射线、超声、CT、MRI、核医学图像(SPECT、PET)、数字减影等。这些图像提供了关于病变组织或器官的解剖或功能信息,但由于成像设备和成像原理不同,各类图像又具有其各自的特点。例如,CT图像具有较强的空间分辨率和几何特性。对骨骼成像非常清晰,可为病灶定位提供良好的参照,但对软组织的对比度则较低;MRI可清晰反映软组织、器官、血管等的解剖结构,有利于病灶范围确定,但对钙化点不敏感,且受到磁干扰会发生几何失真。

基于各种模态医学图像的特点,本文针对现阶段最常用的、信息互补性最为明显的医学CT图像和MRI图像,使用图像融合技术[2]对人体同一解剖结构的形态和功能互为差异、互为补充的影像信息进行了适当的融合,提出了一种基于小波变换的图像融合改进方法,并通过实验验证了本方法的有效性。

2　基于小波加权系数和平均梯度的融合方法

小波变换[3]具有良好的时频局部性以及多分辨性,已成为一种主流的图像融合技术。小波分解后的高频部分主要包含图像的边缘信息,而低频部分仅决定图像的大致轮廓。对于医学图像而言,图像边缘的清晰度等特征正是临床诊断时最为重要的信息。现阶段的融合规则研究主要集中在如何选取融合图像中的小波高频系数。基于小波变换的图像融合方法所采用的多分辨率技术基本沿用Mallat方法[4],只是根据具体应用的不同,而选用不同的小波基函数和不同的图像融合规则(本文选取常用的“sym4”小波)。

常用的图像融合算法,如IHS融合算法[5]、拉普拉斯金字塔[6]融合算法和绝对值取大[7]的小波融合算法等,仅可以满足最基本的图像融合要求,但对于特征性图像则必须针对图像的具体特点而进行必要的算法改进。对于医学CT图像和MRI图像,IHS融合算法融合出的图像虽然具有很强的对比度,却易丢失部分图像细节信息;拉普拉斯金字塔融合算法融合出的图像无论在细节信息还是清晰度方面,都表现一般;绝对值取大的小波融合算法融合出的图像细节信息基本完整,但边缘却不够清晰。

为此,本文提出了一种基于小波加权系数和平均梯度的融合方法。与常用融合方法比较,本文方法在图像细节信息的完整性和边缘清晰度方面都有所提高。其融合步骤如图1所示:

图1　基于小波变换的图像融合流程图

1) 将人体脑部同一位置的医学CT图像和MRI图像经过严格配准后,利用小波变换将源图像分解为低频部分、垂直方向高频、水平方向高频和对角方向高频四部分。分别针对图像低频部分和三个方向的高频部分,选取不同的融合规则。

2) 对于图像的低频部分,将低频系数与一个加权因子1/R相乘以衰减低频部分所占的图像信息比例,相对提高高频部分所占图像信息比例[8]。通过这种处理,在能量上相对抑制了低频成分,突显了高频成分。

3) 对于图像的高频部分,采用图像清晰度质量评价函数法对高频系数进行优选。常用的图像清晰度质量评价函数有梯度函数、频谱函数、图像灰度熵函数、灰度变化函数等,平均梯度最适合评价图像高频部分的清晰度[10]。

首先对小波分解后的高频图像,选取图像清晰度质量评价函数——平均梯度作为优选准则,分别对两幅图的三个方向的高频系数利用W×W(本文中W=3)的滑动窗口计算平均梯度[9]:

取绝对值较大的小波系数作为融合图像对应位置的小波高频系数。

3　实验结果及分析

源图像采用已配准好的医学脑部CT图像和MRI图像(大小为256×256)。

1) 实验选取“sym4”小波,并将实验结果与几种常用融合方法所得结果进行对比分析,包括IHS融合算法、拉普拉斯(Laplacian)金字塔融合算法和绝对值取大的小波融合算法。实验结果如图2所示。

2) 对四幅融合图像,采用信息熵和清晰度作为融合结果质量客观评价参数。信息熵越大,融合图像所含信息越丰富;清晰度越大,图像微小细节反差及纹理变化特征等细节保持越完整,融合图像越清晰。各种方法所得融合图像质量评价结果如表1所示。从表格数据中可以看出本文提出的方法产生的融合图像清晰度最高,说明此方法融合出的图像细节保存最完整。

图2　源图像与各种方法下的融合图像

表1　CT和MRI融合图像的质量评价结果

4　结语

本文针对医学CT图像和MRI图像的特点,提出了一种基于小波加权系数和平均梯度的融合方法。通过与几种常见方法所得的融合图像作实验对比分析表明,本文方法融合出的医学图像细节更加清晰。

[1] 王梦倩,邵波,岳建华.医学图像融合的应用与展望[J].医疗设备信息,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.基于小波变换的像素级图像融合算法的研究[D].长春:吉林大学,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] 苗启广,王宝树.基于小波变换与局部能量的多聚焦图像融合[J].计算机科学,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,潘晓露,李一民,等.一种基于梯度幅度值的图像质量客观评价方法[J].光学与光电技术,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] 查世华,王旭,张舞杰,等.一种改进的数字图像清晰度评价函数研究[J].微计算机信息,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(编号:2007012003)资助。

任青,女,硕士研究生,研究方向:成像技术与图像处理。

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