基于麦克劳林展开与PCNN的医学图像融合.docx

基于麦克劳林展开与PCNN的医学图像融合 医学图像融合是将多幅图像包含的互补信息通过算法相结合导出全面的图像，以辅助视觉任务。目前，多模态医学图像融合是当前研究的热门话题。文献[2]使用双树复小波变换的方法，采用自适应PCNN进行图像融合，该方法能在各尺度上分解六个方向信息，但不能有效获取图像的边缘、轮廓等信息。文献[3]利用NSCT对图像进行分解，低频子带系数采用基于PCNN和邻域标准差激励的融合规则。文献[4]采用NSST分解方法获取源图像的高频分量和低频分量。其中，NSCT和NSST方法对图像边缘、轮廓特征信息敏感，具有平移不变性，但细节捕捉能力差。 本文提出了一种基于麦克劳林展开（Maclaurin Expansion，ME）方法，引入了高斯同态滤波增强（Gauss Homomorphic Filtering Enhancement，GHFE）解决上述问题，同时，利用改进的空间频率和区域能量作为PCNN外部激励[6]进行图像融合，有效获得图像整体结构信息而不会产生失真现象。 麦克劳林展开（Maclaurin Expansion）方法可以获得全局属性的图像，在一定程度上提高了融合性能。麦克劳林公式如下： f(x) = f(0) + f'(0)x + f''(0)x^2/2! + … + f(n)(0)x^n/n! + Rn(x) 其中，Rn(x) = f(n+1)(ε)(n+1)!x^(n+1)，ε是x0和x之间的某个值；f(x)称为在x=0处的n阶泰勒公式，即f(x)的n阶麦克劳林展开；x是源图像；n是分解的固有成分数量。 高斯同态滤波增强（Gauss Homomorphic Filtering Enhancement，GHFE）是由Thomas Stockham、Alan V.Oppenheim和Ronald W.Schafer等研究者提出的同态滤波，在图像处理中得到了广泛应用。该方法增强了图像对比度和亮度，同时对图像进行了去燥处理。高斯同态滤波增强的基本步骤如图1所示。 脉冲耦合神经网络（PCNN）由Eckhorn 提出的PCNN具有神经元同步脉冲发放引起的振动特性，该模型中的神经元由接收域、耦合调制域和脉冲发生域三部分组成。PCNN的模型如图2所示。 在PCNN模型中，Fij是馈送输入，接收图像的灰度值或者归一化后的灰度值，如神经元的外部激励。改进的空间频率和区域能量作为PCNN外部激励[6]进行图像融合，有效获得图像整体结构信息而不会产生失真现象。 本文提出的基于麦克劳林展开和PCNN的医学图像融合方法能够有效地融合多模态医学图像，获取图像的整体结构信息，并且具有良好的鲁棒性和实时性，对医生进行图像诊断和治疗具有重要的参考价值。