基于不同频段选择方案的医学图像融合

于双芳 董晓璇

摘 要：磁共振血管造影（Magnetic Resonance Angiography，MRA）和磁共振成像（Magnetic Resonance Imaging，MRI）图像具有不同的特征。本文利用不同的频带选择融合规则，提出新的融合方案，将系数进行组合，并将MRA和MRI图像融合，形成一幅信息量尽可能多的图像。试验表明，该方法是有效的，能够获得满意的融合结果。

关键词：图像融合;PLIP模型;Curvelet變换;子带选择方案

中图分类号：TP391.41 文献标识码：A 文章编号：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

近年来，随着高新技术和现代仪器设备的飞速发展，医学图像融合的研究引起人们的广泛关注。图像融合是将分辨率、仪器模态或图像捕获技术不同的多模态源图像组合成单个复合图像[1]。多模态医学图像主要包括X射线、计算机断层扫描（Computed Tomography，CT）、磁共振成像（MRI）、磁共振血管造影（MRA）等[2-3]。随着越来越多的多模态医学图像在临床上的应用，将不同模态的图像组合起来的研究变得非常重要，医学图像融合已经成为一个新的前景广阔的研究领域[4]。医学成像的主要目的是诊断并获得尽可能多的细节的高分辨率图像。磁共振（Magnetic Resonance，MR）和CT技术是医学成像技术，这两种技术都提供了待成像器官的特殊复杂特征，因此可以预期，同一器官的MR和CT图像的融合将产生更详细的完整图像[5]。针对这一问题，本文介绍了Curvelet变换在图像融合中的应用，利用不同的频带选择融合规则进行图像融合。

1 Curvelet变换

Curvelet变换已发展成为图形应用中表示曲线形状的工具，然后将其扩展到边缘检测和图像去噪领域。第一代Curvelet变换更为复杂，涉及一系列步骤。由于其复杂性，第二代Curvelet更受青睐。下面总结了基于Curvelet变换的详细融合步骤。

1.1 规整算法

第一，对原始图像执行FFT。第二，将FFT划分为瓷砖集合。第三，每个瓷砖集合的应用。①将瓷砖集合转换到原点。②将瓷砖集合绕矩形中心平铺。③取步骤一的逆FFT。④将Curvelet数组添加到Curvelet系数集合。

1.2 逆规整算法

第一，对于每个Curvelet数组进行如下操作：①对阵列进行FFT;②将矩形支撑展开为原始方向形状;③将其转换回原始位置;④存储转换后的数组。第二，添加所有已转换的Curvelet数组。第三，采用逆FFT重建图像。

2 基于PLIP模型Curvelet变换的图像融合

由于图像融合的主要目的是对多模态医学图像进行融合，因此还应考虑图像的特征。对于MRA和MRI图像的融合示例，源图像与Curvelet变换图像如图1所示。

2.1 低频子带加权平均法

由于源图像的平均强度值和显著特征的最小损失，最高分解级别的近似系数通常通过均匀进行融合[6]。而HUANG等提出的加权平均法在其创立10多年后仍然是最有效的方法之一[7]。该方法基于小波子带的局部高斯假设。在本节中，重新制定和修改加权平均法，以处理更合适的统计假设，本文只考虑两个原始图像A、B以及它们的融合图像Y[8]。分别用[CA]、[CB]和[CY]表示原始图像A、原始图像B和融合图像Y的多尺度分解。

3 结论

本文提出一种基于Curvelet变换的医学图像融合子带选择方法，该方法采用参数化对数图像处理（PLIP）模型。从试验结果可以看出，使用PLIP模型的Curvelet分解在提取图像中的软组织信息、病理边缘等及其特征之间提供了最佳平衡。试验结果表明，本文提出的融合方法在定性和定量两方面都优于现有的融合方法，能够得到满意的融合结果。

参考文献：

[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.基于小波变换的CT和MR图像融合[J].计算机应用与软件，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.