基于不同頻段選擇方案的醫學圖像融合

于雙芳 董曉璇

摘 要：磁共振血管造影（Magnetic Resonance Angiography，MRA）和磁共振成像（Magnetic Resonance Imaging，MRI）圖像具有不同的特征。本文利用不同的頻帶選擇融合規則，提出新的融合方案，將系數進行組合，并將MRA和MRI圖像融合，形成一幅信息量盡可能多的圖像。試驗表明，該方法是有效的，能夠獲得滿意的融合結果。

關鍵詞：圖像融合;PLIP模型;Curvelet變換;子帶選擇方案

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1003-5168（2021）23-0033-03

Abstract： Both MRA and MRI image have different features.This paper uses the different frequency band selection fusion rules yield novel fusion schemes for combining the coefficients， and fuses MRA and MRI images to form a single image with as much information as possible. The experiments show that the proposed method is effective and can get satisfactory fusion results.

Keywords： image fusion;PLIP model;Curvelet transform;sub-band selection scheme

近年來，隨著高新技術和現代儀器設備的飛速發展，醫學圖像融合的研究引起人們的廣泛關注。圖像融合是將分辨率、儀器模態或圖像捕獲技術不同的多模態源圖像組合成單個復合圖像[1]。多模態醫學圖像主要包括X射線、計算機斷層掃描（Computed Tomography，CT）、磁共振成像（MRI）、磁共振血管造影（MRA）等[2-3]。隨著越來越多的多模態醫學圖像在臨床上的應用，將不同模態的圖像組合起來的研究變得非常重要，醫學圖像融合已經成為一個新的前景廣闊的研究領域[4]。醫學成像的主要目的是診斷并獲得盡可能多的細節的高分辨率圖像。磁共振（Magnetic Resonance，MR）和CT技術是醫學成像技術，這兩種技術都提供了待成像器官的特殊復雜特征，因此可以預期，同一器官的MR和CT圖像的融合將產生更詳細的完整圖像[5]。針對這一問題，本文介紹了Curvelet變換在圖像融合中的應用，利用不同的頻帶選擇融合規則進行圖像融合。

1 Curvelet變換

Curvelet變換已發展成為圖形應用中表示曲線形狀的工具，然后將其擴展到邊緣檢測和圖像去噪領域。第一代Curvelet變換更為復雜，涉及一系列步驟。由于其復雜性，第二代Curvelet更受青睞。下面總結了基于Curvelet變換的詳細融合步驟。

1.1 規整算法

第一，對原始圖像執行FFT。第二，將FFT劃分為瓷磚集合。第三，每個瓷磚集合的應用。①將瓷磚集合轉換到原點。②將瓷磚集合繞矩形中心平鋪。③取步驟一的逆FFT。④將Curvelet數組添加到Curvelet系數集合。

1.2 逆規整算法

第一，對于每個Curvelet數組進行如下操作：①對陣列進行FFT;②將矩形支撐展開為原始方向形狀;③將其轉換回原始位置;④存儲轉換后的數組。第二，添加所有已轉換的Curvelet數組。第三，采用逆FFT重建圖像。

2 基于PLIP模型Curvelet變換的圖像融合

由于圖像融合的主要目的是對多模態醫學圖像進行融合，因此還應考慮圖像的特征。對于MRA和MRI圖像的融合示例，源圖像與Curvelet變換圖像如圖1所示。

2.1 低頻子帶加權平均法

由于源圖像的平均強度值和顯著特征的最小損失，最高分解級別的近似系數通常通過均勻進行融合[6]。而HUANG等提出的加權平均法在其創立10多年后仍然是最有效的方法之一[7]。該方法基于小波子帶的局部高斯假設。在本節中，重新制定和修改加權平均法，以處理更合適的統計假設，本文只考慮兩個原始圖像A、B以及它們的融合圖像Y[8]。分別用[CA]、[CB]和[CY]表示原始圖像A、原始圖像B和融合圖像Y的多尺度分解。

3 結論

本文提出一種基于Curvelet變換的醫學圖像融合子帶選擇方法，該方法采用參數化對數圖像處理（PLIP）模型。從試驗結果可以看出，使用PLIP模型的Curvelet分解在提取圖像中的軟組織信息、病理邊緣等及其特征之間提供了最佳平衡。試驗結果表明，本文提出的融合方法在定性和定量兩方面都優于現有的融合方法，能夠得到滿意的融合結果。

參考文獻：

[1]PIELLA G.A general framework for multiresolution image fusion： from pixels to regions[J].Information Fusion，2003（4）：259-280.

[2]MAES F，VANDERMEULEN D，SUETENS P.Medical image registration using mutual information[J].Proceedings of the IEEE，2003（10）：1699-1721.

[3]ZHANG Z，BLUM R S.A categorization of multi-scale decomposition-based image fusion schemes with a performance study for a digital camera application[J].Proceedings of the IEEE，1999（8）：1315-1326.

[4]何立新，齊冬梅，王雪英.基于小波變換的CT和MR圖像融合[J].計算機應用與軟件，2008（4）：208-211.

[5]NERCESSIAN S C，PANETTA K A，AGAIAN S S.Multiresolution decomposition schemes using the parameterized logarithmic image processing model with application to image fusion[J].Eurasip Journal on Advances in Signal Processing，2011（1）：1-17.

[6]JOURLIN M，PINOLI J C.Logarithmic image processing[J].Advances in Imaging and Electron Physics，2001（1）：129-196.

[7]HUANG C，BAO W.A remote sensing image fusion algorithm based on the second generation curvelet transform and DS evidence theory[J].Journal of the Indian Society of Remote Sensing，2014（3）：645-650.

[8]CHEN F，GUAN Z，YANG X，et al.A novel remote sensing image fusion method based on independent component analysis[J].International Journal of Remote Sensing，2011（10）：2745-2763.

[9]BURT P J，ADELSON E H.Lapacian pyramid as a compact image code[J].IEEE Transactions on Communications，1983（4）：532-540.

[10]LI H，MANJUNATH B S，MITRA S K.Multisensor image fusion using the wavelet transform[J].Graphical Models Image Process，1995（3）：235-245.