本發(fā)明涉及圖像融合領域，尤其是涉及一種基于類交叉雙邊濾波的腦部mri圖像融合方法及系統(tǒng)。

背景技術：

1、醫(yī)生從單模態(tài)醫(yī)學圖像中獲取的患者信息有限，因此在進行臨床診斷時，往往需要參考患者的病理信息，結合患者不同模態(tài)的臨床圖像進行診斷。因此，從臨床應用的角度來看，醫(yī)學圖像融合具有十分重要的意義。

2、圖像融合過程包括圖像分解、特征融合和圖像重建。圖像分解的充分性決定了能否充分提取源圖像的特征信息。特征融合是圖像融合的另一個重要方面。為不同的分解層選擇合適的融合方法是圖像融合成功的重要一步。隨著多尺度分析、稀疏表示、深度學習等圖像理論研究的深入，圖像融合技術也取得了長足的進步。

3、典型的基于多尺度變換的方法包括基于金字塔的算法、基于小波的算法、基于非下采樣剪切波的算法和基于非下采樣輪廓波的算法。然而，拉普拉斯金字塔變換方法對噪聲敏感，沒有方向性，在重建期間穩(wěn)定性差，并且在金字塔的層之間具有冗余；梯度金字塔算法抗噪性強，穩(wěn)定性好，運算速度快，但同時存在細節(jié)和邊緣丟失的問題；小波變換容易出現環(huán)狀偽影的問題；非下采樣輪廓波變換減少了圖像中的吉布斯現象，增強了圖像細節(jié)信息的表達能力，但非下采樣操作增加了轉換數據中的冗余，而逆變換過程中的非下采樣操作導致了高計算復雜度和低計算效率，從而使其不能滿足實時應用的要求；非下采樣剪切波變換具有更快的計算速度，類似于非下采樣輪廓波變換，它將非子采樣金字塔變換與幾種不同的剪切波濾波器相結合，以提供多尺度和多方向的分解。由于它對方向濾波器的支持面積小，非下采樣金字塔減少了吉布斯現象的發(fā)生，提高了計算效率。

4、隨著深度學習算法的發(fā)展，卷積神經網絡(cnn)已經應用于許多計算機視覺研究。然而，現有的基于深度學習的算法需要相當長的訓練時間，計算量大，硬件成本較高，模型設計復雜，且對數據量的要求較為苛刻。

5、傳統(tǒng)的多尺度分解方法并不適合源圖像受噪聲影響的圖像融合。在這種情況下，傳統(tǒng)的多尺度分解需要至少三個尺度才能獲得滿意的融合，但由此帶來的負面影響是時間復雜度升高，并且不能應用于實時圖像融合場景。

技術實現思路

1、本發(fā)明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于類交叉雙邊濾波的腦部mri圖像融合方法及系統(tǒng)，實現了對實時圖像的融合，提高了融合圖像輪廓邊緣的清晰度。

2、本發(fā)明的目的可以通過以下技術方案來實現：

3、一種基于類交叉雙邊濾波的腦部mri圖像融合方法，包括以下步驟：

4、獲取待融合的腦部mri圖像數據；

5、利用類交叉雙邊濾波器對所述圖像數據進行選擇性濾波，分解得到能量層和結構層；

6、根據融合策略對所述能量層和結構層分別進行融合；

7、對融合后的能量層和結構層算術相加得到最終的融合圖像；

8、其中，所述融合策略包括：利用視覺顯著性檢測圖vsdm指導所述能量層的融合，通過加權平均獲得能量層的融合圖像；采用多尺度形態(tài)梯度mlmg結合基于八鄰域的改進拉普拉斯算子wseml來指導所述結構層的融合，通過加權平均獲得結構層的融合圖像。

9、進一步地，所述類交叉雙邊濾波器的公式如下：

10、

11、式中，kp為歸一化常數，為空間位置的濾波核，為像素大小的濾波核，i(x,y)為原始圖像的像素，i和iβ為不同模態(tài)的圖像的像素，ωp為應用于圖像i的過濾窗口。

12、進一步地，所述歸一化常數kp的計算公式如下：

13、

14、式中，kp為歸一化常數，σd為空間位置的標準差，σr為像素大小的標準差，i和iβ為不同模態(tài)的圖像的像素，ωp為應用于圖像i的過濾窗口。

15、進一步地，所述空間位置的濾波核gσd的計算公式如下：

16、

17、式中，σd為空間位置的標準差。

18、進一步地，所述像素大小的濾波核gσr的計算公式如下：

19、

20、式中，σr為像素大小的標準差。

21、進一步地，所述視覺顯著性檢測圖vsdm的計算公式如下：

22、

23、式中，uk表示像素k的強度值，uj的取值范圍是[0-255]，uj為像素j的強度值，||uk-uj||表示像素值差，sj為像素值uj在圖像u中的出現頻率。

24、進一步地，所述能量層的融合圖像的計算公式如下：

25、

26、式中，vsdma為輸入源圖像a的vsdm，vsdmb為輸入源圖像b的vsdm，iea(x,y)為圖像a的能量層像素，ieb(x,y)為圖像b的能量層像素；

27、所述結構層的融合圖像的計算公式如下：

28、fs(x,y)＝m′a(x,y)×isa(x,y)+m′b(x,y)×isb(x,y)

29、式中，m′a(x,y)為源圖像a的結構層信息融合規(guī)則，m′b(x,y)為源圖像b的結構層信息融合規(guī)則，isa(x,y)為源圖像a的結構層像素，isb(x,y)為源圖像b的結構層像素。

30、進一步地，在所述多尺度形態(tài)梯度mlmg中加入腐蝕操作。

31、進一步地，所述基于八鄰域的改進拉普拉斯算子wseml的計算公式如下：

32、

33、式中，w是邊長為(2r+1)的矩陣，r是權重半徑，eml是基于nayar提出的改進拉普拉斯方法；

34、其中，eml的計算公式如下：

35、

36、式中，p∈{a，b}，a和b為兩個源圖像。

37、按照本發(fā)明的另一方面，提供了一種基于類交叉雙邊濾波的腦部mri圖像融合系統(tǒng)，包括：

38、圖像獲取模塊，用于獲取待融合的腦部mri圖像數據；

39、圖像濾波模塊，利用類交叉雙邊濾波器對所述圖像數據進行選擇性濾波，分解得到能量層和結構層；

40、圖像融合模塊，根據融合策略對能量層和結構層分別進行融合并對融合后的能量層和結構層算術相加得到最終的融合圖像；

41、其中，所述融合策略包括：利用視覺顯著性檢測圖vsdm指導所述能量層的融合，通過加權平均獲得能量層的融合圖像；采用多尺度形態(tài)梯度mlmg結合基于八鄰域的改進拉普拉斯算子wseml來指導所述結構層的融合，通過加權平均獲得結構層的融合圖像。

42、與現有技術相比，本發(fā)明具有以下有益效果：

43、1.本發(fā)明引入了vsdm來指導能量層的融合，這削弱了使用加權平均技術融合能量層所導致的邊緣損失和對比度降低；對于結構層，使用mlmg和wseml來指導結構層的融合，提高了融合圖像輪廓邊緣的清晰度。

44、2.本發(fā)明通過類交叉雙邊濾波的濾波方法，考慮了待融合圖像的對應像素值之間的關系，將圖像分解為具有純強度信息的能量層和具有細節(jié)的結構層。該方法可以充分提取圖像的局部和唯一細節(jié)以及結構層中焦點的輪廓，能夠應用于實時圖像融合場景。