1、基于混沌遺傳算法和contourlet變換的醫(yī)學(xué)圖像融合 【摘要】 目的： 改善傳統(tǒng)醫(yī)學(xué)圖象融合方法對(duì)細(xì)節(jié)信息的丟失. 方法： 利用contourlet的多尺度、方向性和各向異性等優(yōu)點(diǎn)，提出了一種基于局域特性匹配度融合的改進(jìn)算法. 首先對(duì)原圖進(jìn)行contourlet分解，對(duì)分解各子帶構(gòu)造局域特征的匹配度，設(shè)定匹配度的閾值，對(duì)匹配度在不同閾值范圍內(nèi)的系數(shù)進(jìn)行不同的加權(quán)融合；最后對(duì)融合系數(shù)進(jìn)行contourlet逆變換得到融合圖像. 在閾值的選取上，引入混沌遺傳算法求解閾值的全局最優(yōu)解. 結(jié)果： 運(yùn)用傳統(tǒng)小波變換和本文提出對(duì)方法對(duì)兩組醫(yī)學(xué)圖象進(jìn)行融合處理，客觀評(píng)價(jià)參數(shù)表明本文提出的算法效果更優(yōu).

2、結(jié)論： 該算法能夠在保有原圖信息的同時(shí)，有效的增強(qiáng)細(xì)節(jié)信息. 【關(guān)鍵詞】 contourlet 醫(yī)學(xué)圖像 圖像融合 遺傳算法【Abstract】AIM: To improve the traditional image fusion algorithm in order to avoid the loss of the detailed information in the processe of image fusion. METHODS: Utilizing the contourlets advantages of multiscale,directionality and anisot

3、ropy,an advanced image fusion algorithm based on characteristic matching of region statistics in contourlet domain was proposed in this paper. First，the source images were transformed into contourlet domain. Then,we constructed the characteristic matching of each subband and set a threshold for it.

4、The coefficients whose characteristic matching was in different ranges applied different fusion rules. Finally, the fused image was obtained by taking the inverse contourlet transformation. Chaos genetic algorithm was adopted to optimize fusion image by searching optimal solution of the threshold of

5、 characteristic matching. RESULTS: The comparison between the result of the traditional method and that of the proposed method showed that the later one was better. CONCLUSION: The proposed method can effectively preserve the information of the source images and enhance the details of the fused imag

6、e.【Keywords】 contourlet; medical image; image fusion; genetic algorithms0 引言 傳統(tǒng)的醫(yī)學(xué)圖像融合算法多采用基于小波變換，小波系數(shù)加權(quán)平均，或者閾值法融合，但二維可分小波僅能捕捉有限的方向信息，不能稀疏的表示含線或者面奇異的二維圖像1-3. Do等4提出了一種稀疏的圖像二維表示方法： contourlet變換. 該變換的“各向異性(anisotropy)”使得它能比小波變換更好的表現(xiàn)邊緣特征，更加適合用來進(jìn)行圖像的處理5. 并且小波變換下的傳統(tǒng)方法有很大的局限，比如加權(quán)平均法中加權(quán)因子和基于特征匹配度融合方法中的閾值大小

7、都不易確定6. 本文提出了一種新的基于匹配度融合算法：在contourlet變換多方向的優(yōu)勢(shì)下，閾值的確定采用混沌遺傳算法. 混沌遺傳算法是近年提出的一種優(yōu)化算法，能夠有效的防止遺傳算法的“早熟”問題，使得遺傳算法能夠以更快的速度收斂，得到閾值的全局最優(yōu)解.1 材料和方法1.1 材料 選用兩組融合圖象，一組為實(shí)驗(yàn)標(biāo)準(zhǔn)圖象，另一組為腰椎冠狀位的MRI-T1和MRI-T2成像，編碼格式為DICOM，來源于西安紅十字會(huì)醫(yī)院磁共振室.1.2 方法A： 濾波器組結(jié)構(gòu)圖； B： 頻率分解圖.圖1 contourlet變換（略） （5）選定閾值，其值大小一般在0.50.8之間. 最優(yōu)值取決于待融合的圖像.

8、本文用混沌遺傳算法來確定閾值. 具體方法見后. 如果(n,m)，則融合結(jié)果中對(duì)應(yīng)點(diǎn)值dKF(n,m)為（d2j為高頻子帶）： dKF(n,m)=dKA(n,m) if 2A(n,m)2B(n,m)dKF(n,m)=dKB(n,m) if 2A(n,m)2B(n,m)(9.1) 如果(n,m)，則融合結(jié)果中對(duì)應(yīng)點(diǎn)的值d2jF(n,m)為: dKF(n,m)=dKA(n,m)wmax(n,m)+dkB(n,m)wmin(n,m) if 2A(n,m)2B(n,m)dKF(n,m)=dKB(n,m)wmax(n,m)+dkA(n,m)wmin(n,m) if 2A(n,m)2B(n,m)(9.2)

9、其中 wmin(n,m)=1/2-1/2(1-/1-)wmin(n,m)=1-wmin(n,m)(10) 對(duì)于低頻分量，采用對(duì)應(yīng)點(diǎn)取平均值的融合方法.式中xl為混沌變量，u為控制參量,0U≤4. 有限差分方程（11）可以看作是一個(gè)動(dòng)力學(xué)系統(tǒng)，當(dāng) 時(shí)，系統(tǒng)沒有穩(wěn)定解，是0,1區(qū)間的滿映射,呈現(xiàn)出完全的混沌狀態(tài). 2 結(jié)果 本文把這種方法運(yùn)用到了兩組醫(yī)學(xué)圖像中. 圖2A和B分別為MRI和CT的顱腔橫斷面，尺寸為；E和F分別為腰椎冠狀位的MRI-T1和MRI-T2成像，尺寸為. 本文分別采用了小波變換法(采用Daubechies 雙正交樣條小波bior2)和本文提出的算法進(jìn)行融合，分解的細(xì)節(jié)空

10、間是相同的，都分解了四層. 我們知道閾值在（0.5，0.8）時(shí)融合效果較佳，所以小波變換法中的閾值這里選取的是0.65（圖2）. 這里選取了4個(gè)圖像融合的性能評(píng)價(jià)參數(shù)，除了作為目標(biāo)函數(shù)的交叉熵和平均梯度以外，本文還選取了熵和互信息作為客觀評(píng)價(jià)準(zhǔn)則. 熵(entropy)：圖像的熵是衡量圖像信息豐富程度的一個(gè)重要指標(biāo). 一幅圖像的熵的大小反映了圖像攜帶信息的多少，其定義為: H=L-1 i=0pilog2 pi(17) 互信息量MI（mutual information）也叫相關(guān)熵. 融合圖像與原始圖像的互信息（相關(guān)熵）越大越好，公式為： MIX,Y=L i=1L j=0hX,Y(p,q)glo

11、g2hX,Y(i,j)/hX(i)+hY(j)(18) 其中為hX,Y(i,j)圖像X,Y的歸一化聯(lián)合灰度直方圖分布,hX(i)和hY(,j)分別為兩幅圖像的歸一化邊緣直方圖分布. 這里我們定義融合圖像F與源圖A,B的互信息為: MI=MI2A,F+MI2B,F/2 (19)A：MRI; B： CT; C：小波融合結(jié)果; D：本文方法融合結(jié)果; E： MIR-T1 ; F：MRI-T2; G：小波融合結(jié)果; H：本文方法融合結(jié)果.圖2 融合圖式(19)表示融合圖像F包含源圖A，B的交互信息量的總和，這個(gè)值越大，表示融合圖像從源圖中獲取的信息量越大，效果越好. 從融合結(jié)果的客觀評(píng)價(jià)（表1），可以看出相對(duì)小波變換法，本文算法融合結(jié)果的細(xì)節(jié)更為清晰.表1 客觀評(píng)價(jià)（略）3 討論 本文提出了一種基于contourlet變換和遺傳算法相結(jié)合的融合算法，并應(yīng)用于醫(yī)學(xué)圖像的融合中. 這種算法有效的利用了contourle