張林發(fā)，張榆鋒*，王 琨，李支堯

（1.云南大學信息學院，昆明 650500；2.昆明醫(yī)科大學第三附屬醫(yī)院超聲科，昆明 650118）

0 引言

不同的醫(yī)學成像技術(shù)能提供組織或器官的互補信息，如核磁共振圖像（Magnetic Resonance Imaging，MRI）檢測人體內(nèi)部軟組織，正電子發(fā)射斷層成像（Positron Emission computed Tomography，PET）、單光子發(fā)射計算機斷層成像（Single-Photon Emission Computed Tomography，SPECT）獲取器官的代謝信息，用于腫瘤或血管疾病檢測［1］。在醫(yī)療實踐中，由于醫(yī)生需要對多模態(tài)醫(yī)學圖像進行分別觀察，從而導致疾病診斷準確度和效率的降低。醫(yī)學圖像融合技術(shù)可以將多模態(tài)圖像中的相關信息結(jié)合起來，有助于疾病的診斷和治療［2］。

圖像融合方法中像素級融合因圖像失真度最小而應用最為廣泛［3］。像素級融合方法可以分為兩類：空間域和變換域［4］。前者由于直接在空域處理圖像導致融合效果較差［5-6］（如文獻［6］中對圖像進行明度、色調(diào)、飽和度（Intensity，Hue，Saturation；IHS）變換，而IHS 變換容易造成頻譜失真），因此后者成為研究熱點［7］?；谧儞Q域圖像分析工具的圖像融合方法可以分為三個過程：圖像分解、系數(shù)融合和圖像重構(gòu)。變換域的方法如圖像金字塔等［8-11］。多尺度變換（Multi-Scale Transforms，MST）也是經(jīng)典的變換域方法，能夠彌補圖像金字塔不具有方向性的缺點，吸引了許多學者的注意，如小波變換［12］、輪廓波變換［13］、剪切波變換［14］。其他MST 方法如局部拉普拉斯濾波器（Local Laplacian Filter，LLF），LLF 在醫(yī)學圖像融合應用也是經(jīng)過三個過程，如文獻［15］中應用LLF 進行圖像分解，然后在高頻和低頻分別采用興趣區(qū)和區(qū)域能量最大的融合策略。和MST 相比，多尺度幾何變換（Multi-scale Geometric trAnsform，MGA）是MST 的改進方法，具有平移不變性，融合圖像不會出現(xiàn)偽Gibbs 效應。MGA 主要包括非下采樣輪廓波變換（Non-Subsampled Contourlet Transform，NSCT）和非下采樣剪切波變換（Non-Subsampled Shearlet Transform，NSST）。文獻［16］中首先通過NSCT將源圖像分解成高頻和低頻子帶，然后分別對其采用基于二型模糊邏輯和區(qū)域特征的融合策略；文獻［17］中提出了基于視覺特征和NSCT的融合方法。但NSCT運算耗時較多，因此NSST成為基于MGA 融合方法的主流。文獻［18］中提出了使用結(jié)構(gòu)張量和NSST 分別取提取圖像細節(jié)信息和幾何特征的醫(yī)學圖像融合方法；文獻［19］中提出了結(jié)合NSST 和ripplet變換的融合方法，高頻子帶采用基于改進拉普拉斯的融合策略，低頻子帶基于空間頻率進行融合。圖像分析工具是融合策略有效性的基礎，而提高變換域方法融合質(zhì)量的關鍵是融合策略的設計［20］。近年來，脈沖耦合神經(jīng)網(wǎng)絡（Pulse Coupled Neural Network，PCNN）被廣泛應用于高頻或低頻子帶的處理［21-24］。如文獻［24］中提出使用NSCT 分解源圖像，低頻采用最大選擇策略，高頻采用尖峰皮質(zhì)模型進行醫(yī)學圖像融合。但基于PCNN 的融合方法效果依賴于手動設置的參數(shù)，自適應程度較低［25］。稀疏表示（Spare Representation，SR）和MGA 類似，不同在于MGA 使用固定原子，而SR 通過基于目標數(shù)據(jù)集預先建立完備字典去表示圖像?；赟R的融合方法首先獲得稀疏系數(shù)，然后對稀疏系數(shù)進行融合［26-28］。為了進一步提高融合圖像質(zhì)量，SR 和MST 結(jié)合的方法被提出，如文獻［29］中提出先對圖像多尺度變換，然后對低頻子帶采用基于SR的融合策略。然而由于獲取稀疏系數(shù)的過程使用匹配追蹤類算法，往往時間復雜度較高。為了獲得更多特征應用于融合，文獻［30］中提出將尺度不變特征變換應用于提取圖像局部細節(jié)信息。文獻［31］中首先對圖像進行兩層分解，利用引導濾波提取尺度信息對細節(jié)層進行融合。近年來，直覺模糊集理論能夠處理不確定性問題被應用于圖像處理［32-35］。文獻［33］中提出了基于分數(shù)階導數(shù)和直覺模糊集理論的多聚焦圖像融合。文獻［35］中首先使用二維經(jīng)驗模態(tài)分解替代NSST 中非下采樣金字塔對紅外和可見光圖像進行分解，然后提出基于模糊集理論的融合策略，取得了較好的效果。

傳統(tǒng)融合方法通過融合策略設計來同時解決兩個關鍵問題，即細節(jié)提取和能量保存［7-31］，容易出現(xiàn)源圖像信息失真或結(jié)果圖像能量保存不足等問題。鑒于此，本文提出了一種基于直覺模糊集和亮度增強的融合方法。和傳統(tǒng)方法不同在于，該方法分別解決細節(jié)提取和能量保存問題：首先使用NSST 分解源圖像得到低頻和高頻子帶，其次對于低頻子帶和高頻子帶設計不同的策略進行融合，然后通過NSST逆變換得到中間結(jié)果圖像，最后針對中間結(jié)果圖像進行亮度增強得到融合圖像。實驗結(jié)果表明，和傳統(tǒng)融合方法相比，無論是客觀評價還是主觀評價，本文方法都能夠獲得更好的效果。

1 基本理論

1.1 非下采用剪切波變換

剪切波變換（Shearlet Transform，ST）［36］利用仿射系統(tǒng)得到，對于連續(xù)小波，合成膨脹的二維仿射系統(tǒng)定義為：

其中：ψ∈L2(R2)；A表示膨脹矩陣；S是剪切矩陣，且|detS|=1；k和j分別是方向和尺度參數(shù)。對于任意f∈L2(R2)，MAS(φ)都可以構(gòu)成一個緊支撐框架。式（1）中Aj和MST 相關聯(lián)，Sk與區(qū)域面積恒定的幾何變換關聯(lián)。這種特殊的結(jié)構(gòu)使人們可以構(gòu)造基元素在各個尺度各個方向的緊支撐框架，從而使ST具備了方向敏感性，提高了對奇異信號的表現(xiàn)能力［37］。

但ST 不具有平移不變性，針對這個問題，NSST 將剪切濾波器從偽極化網(wǎng)絡映射到笛卡兒坐標系［37］，從而摒棄了下采樣操作，實現(xiàn)平移不變性，過程如圖1 所示，包括非下采樣金字塔濾波器組（Non-Subsampled Pyramid Filter Bank，NSPFB）和剪切波濾波器組（Shearlet Filter Bank，SFB）。

圖1 NSST分解過程Fig.1 Process of NSST decomposition

1.2 模糊熵

模糊熵是模糊集理論的重要內(nèi)容，也是對信號概率分布的一種測度［38］。信號中頻率組成越復雜，模糊熵越大，表示信號包含的信息越豐富。

設論域X={x1，x2，…，xn}，則模糊熵通過以下步驟得到：

1）對X截取窗口長度設定為m，步長為1，則可產(chǎn)生N-m+1個子序列，不同序列之間的距離通過dij=max|xi+k(t)-xj+k(t)|(k=0，1，…，m-1)計算得到，且i≠j，最后可以得到由dij構(gòu)成的列表矩陣Q。

2）為了減少運算量，統(tǒng)計列表矩陣Q每一行大于閾值F=0.01 的個數(shù)占總數(shù)N-m+1 的比例，第q行比例記為Cq，當Cq為0 時則將q行舍棄處理。依據(jù)式（2）計算得到Φ，式中P為剩余行數(shù)。

其中：D是距離d的模糊隸屬度，通過式（3）得到，式（3）中n和r分別是D的梯度和寬度。

3）通過式（4）得到模糊熵。

2 融合方法

本文方法由信息提取部分和能量保存兩部分組成，如圖2所示。

圖2 本文融合方法框架Fig.2 Framework of the proposed fusion method

2.1 基于直覺模糊集理論的圖像融合

本部分方法以已完成配準圖像為前提。以MRI和PET融合為例，IM表示MRI 圖像，IP表示PET 圖像，實現(xiàn)過程如圖3所示，其中除源圖像以外的灰度圖像做了偽彩色處理。主要步驟為：

圖3 本文圖像融合流程Fig.3 Flowchart of the proposed image fusion method

1）NSST 分解：對規(guī)格為N×N輸入圖像IM和輸入圖像IP進行L層NSST 分解，每層分解方向數(shù)矩陣K(l)(l∈[1，L])。分別得到低頻和高頻子帶，即NSSTM={LM，}和NSSTP={LP，}，其中LM和分別是輸入圖像IM的低頻子帶和第L層第K個方向高頻子帶。

2）低頻子帶融合：利用區(qū)域能量和方向能量的模糊熵來融合從而得到融合圖像低頻子帶。

3）高頻子帶融合：分別對輸入圖像IM和輸入圖像IP進行IHS 變換，使用明度分量的區(qū)域能量引導非隸屬度函數(shù)的確定，最后得到融合圖像高頻子帶。

4）NSST 重構(gòu)：分別對第2）和第3）步的結(jié)果低頻子帶和高頻子帶做NSST逆變換，得到圖像R。

2.1.1 低頻融合過程

圖像經(jīng)過NSST分解后，能量主要集中在低頻子帶。通過保存低頻子帶的能量，能夠更好地保存源圖像的信息。在醫(yī)學圖像融合中，只使用區(qū)域能量（Local Energy，LE）無法充分捕獲源圖像特征［33］。本文提出結(jié)合區(qū)域能量和方向能量（Direction Energy，DE）的模糊熵來設計融合策略。

區(qū)域能量定義見式（5）：

其中S ∈{M，P}，W是加權(quán)矩陣。W的計算公式為：

方向能量采用sobel 算子在水平和豎直兩個方向提取圖像，定義如下：

其中：?表示卷積操作；Si(i=1，2)表示不同方向的sobel 濾波器，定義見式（8）、（9）。

在PET圖像純色信息分布區(qū)域或MRI的圖像空間輪廓分布區(qū)域會出現(xiàn)區(qū)域能量和方向能量的急劇變化，從而導致融合過程互補信息的丟失。為了避免這種情況發(fā)生，對方向能量使用本文1.2 節(jié)中的理論求得模糊熵ENTS，如果模糊熵越大說明所包含的信息越豐富，基于LES和DES的ENTS來融合圖像的低頻子帶，通過式（10）得到，式中A(i，j)是關于源圖像IM和IP的低頻子帶的函數(shù)。

2.1.2 高頻融合過程

在社會生產(chǎn)及科學研究中，非此即彼的二值邏輯無法對模糊概念進行描述。直覺模糊集（Intuitionistic Fuzzy Set，IFS）理論［39］能夠較好地描述模糊關系，直覺模糊集A定義如式（11）所示，式中X是非空集合。

此外，對于X中的每個模糊子集，有三個概念對其進行描述，除了非隸屬度函數(shù)γA和隸屬度函數(shù)μA（兩者的關系見式（12）），還有直覺指數(shù)πA(x)描述對象屬于直覺模糊集的反對程度，可以衡量x對A的猶豫程度，定義見式（13）。

直覺模糊集理論已在其他圖像融合應用場景（如多聚焦圖像融合、可見光和紅外圖像融合）成功應用［33-35］。在醫(yī)學圖像融合中，高頻子帶包含病理圖像的邊緣、紋理等信息［2］，融合高頻對于保存源圖像的細節(jié)信息具有重要作用。而高頻子帶中某一像素隸屬于MRI圖像或PET圖像的程度是一個不確定性問題，本文將直覺模糊集理論用于這一問題的處理。隸屬函數(shù)的確定是直覺模糊集理論的核心，傳統(tǒng)的優(yōu)先關系定序法中優(yōu)先關系依賴于手動設置［39］。

鑒于此，針對醫(yī)學圖像融合的特點，本文提出一種改進的基于優(yōu)先關系定序法的隸屬度函數(shù)確定方法。該方法的核心在于基于源圖像的亮度分量的區(qū)域能量來確定優(yōu)先關系，從而確定保留源圖像信息的優(yōu)先關系，有利于診斷信息的提取。

改進的基于優(yōu)先關系定序法的IFS 隸屬度函數(shù)確定算法步驟如下：

步驟1 輸入n個對象μ1，μ2，…，μn。

步驟2 確定優(yōu)先關系矩陣C=(cij)n×m，其中cij∈[0，1]表示ui相對于uj的優(yōu)越程度。特殊地，當cij=0，cji=1 時表示ui比uj沒有任何優(yōu)越程度。本文提出基于圖像亮度分量的區(qū)域能量來確定。

首先利用式（14）～（17）對圖像進行IHS變換［6］。

然后對亮度分量I利用式（5）、（6）計算得到LEIS，并進一步依據(jù)LEIS利用式（18）、（19）來確定優(yōu)先關系矩陣。

2.2 基于柯西函數(shù)的圖像亮度增強

由于2.1 節(jié)中得到的融合圖像光譜信息及其互補信息保持度較高，但是亮度不足，視覺上表現(xiàn)較暗。為此，需要一種不改變圖像色調(diào)信息為前提，僅改變亮度的方法，從而達到能量保存的目的。

難點在于，如果單一調(diào)整圖像的RGB 任一通道，會導致光譜信息失真。因此，本文提出一種基于柯西函數(shù)的圖像亮度信息增強方法，步驟如下：

1）對2.1 節(jié)中得到的圖像R進行色調(diào)、飽和度和明度（Hue，Saturation，Value，HSV）變換［40］，如式（24）～（27），得到色調(diào)分量H、飽和度分量S、明度分量V。H取值范圍是0°～360°，取值范圍內(nèi)三等分處對應光譜色紅綠藍，例如H(i，j)為120°表示圖像在像素(i，j)處光譜色為綠色。S和V取值范圍是0～1，S數(shù)值越接近1，表示越接近光譜色；V表示光譜色明亮程度，數(shù)值越大說明光譜色反射比越大。

2）為了保持光譜信息不變，不對色調(diào)分量H進行調(diào)整，只改變飽和度分量S、明度分量V。構(gòu)建柯西函數(shù)γ，見式（28），其中p為γ的調(diào)整參數(shù)，取值范圍為0～2；τ、? 分別為飽和度分量S、明度分量V的調(diào)整參數(shù)；函數(shù)υ定義見式（29），變量IRS和IRV定義分別見式（30）、（31）。

3）通過式（32）求解柯西函數(shù)γ的L-2最大范數(shù)，得到τ、?。然后依據(jù)τ、?調(diào)整飽和度分量S、明度分量V，如式（33）、（34），能夠引起RGB 數(shù)值增大，從而改變亮度分量（結(jié)合式（24）～（27）、（15）可知）。

4）最后使用HSV逆變換得到融合結(jié)果圖像F。

為獲得p的最優(yōu)取值，將結(jié)構(gòu)相似度（Structural SIMilarity，SSIM）［41］作為圖像亮度增強效果評價指標，定義如式（35），式中uM為2.1 節(jié)中得到的融合圖像（下稱源圖像）的均值，uF為亮度增強后得到的圖像（下稱增強圖像）的均值，穩(wěn)定系數(shù)C1=6.502 5，C2=58.522 5。在p取值范圍內(nèi)，增強效果和p是凸函數(shù)關系，見圖4，并在p=1處取得最優(yōu)值。

圖4 不同p值時源圖像和增強圖像SSIM曲線Fig.4 SSIM of source image and enhanced image with different p values

為了進一步驗證增強效果及p取值為1的優(yōu)越性，使用15組圖像（每組包含源圖像及增強圖像）從色調(diào)分量、飽和度分量、亮度提升效果三個方面進行實驗驗證。

色調(diào)分量是對圖像純色屬性的直接描述，決定光譜波長。當p=1 時，通過式（36）得到源圖像的區(qū)域能量分布，式中HO表示源圖像的色調(diào)分量。同理得到其余圖像的區(qū)域能量分布，15組圖像的色調(diào)分量區(qū)域能量分布見圖5，可知圖像亮度增強前后色調(diào)分量沒有發(fā)生變化。

圖5 源圖像和增強圖像色調(diào)分量區(qū)域能量對比Fig.5 Local energy comparison of hue component between source image and enhanced image

取不同p值，實驗圖像的飽和度區(qū)域能量分布見圖6，當p=1時對源圖像曲線的依從性最好。

圖6 不同p值時增強圖像和源圖像飽和度區(qū)域能量對比Fig.6 Local energy comparison of saturation between source image and enhanced image with different p values

亮度提升效果驗證過程為首先對每組圖像進行IHS 變換得到亮度分量；然后使用式（37）得到亮度提升百分比，式中IO和IE分別為源圖像和增強圖像的亮度分量，m為IO中非零像素的個數(shù)；最后同理得到不同p值不同圖像的亮度提升百分比，如圖7 所示。由實驗結(jié)果可知，p=1、p=1.1、p=1.2 時亮度平均提升66.44%、63.70%、61.08%。

由圖7 中可知亮度增強方法在不同圖像中亮度增強百分比波動較大。結(jié)合式（15），亮度的改變本質(zhì)上是調(diào)整彩色圖像的RGB 分量，而像素點光譜通過RGB 分量的比例混合來決定。由于在同等視覺效果下，不同顏色需要的亮度增強百分比不同，所以亮度增強效果的波動和圖像不同顏色區(qū)域構(gòu)成比例直接相關。

圖7 不同p值時亮度增強百分比Fig.7 Percentage of intensity enhancement with different p values

為了驗證結(jié)論，首先選取6 組圖像（每組圖像包含源圖像及增強圖像）進行實驗，源圖像及對應增強圖像如圖8 所示。然后由于MRI 圖像和PET 圖像融合結(jié)果圖像主要區(qū)域為四種：無光譜信息區(qū)域、黃色區(qū)域、藍色區(qū)域、紅色區(qū)域，分別對圖8 中每張源圖像選取四個實驗區(qū)域，并放大四倍放置在左上角（對應無光譜信息區(qū)域）、右上角（對應黃色區(qū)域）、左下角（對應藍色區(qū)域）和右下角（對應紅色區(qū)域）。

圖8 實驗圖像及選取的顏色區(qū)域Fig.8 Experimental images and selected color areas

最后同樣使用式（37）進行計算得到不同圖像所選取的實驗區(qū)域亮度增強百分比，如圖9 所示，四個實驗區(qū)域平均亮度增強百分比分別為89.88%、54.86%、46.82%、25.52%。

圖9 不同圖像不同區(qū)域亮度增強百分比Fig.9 Percentage of intensity enhancement in different areas of different images

綜上所述，本文提出的亮度增強方法在參數(shù)最優(yōu)時，能夠在不改變圖像光譜信息及對比度情況下有效地改變圖像亮度，且由于不同圖像特征不同，會使亮度增強百分比在合理范圍內(nèi)波動。

3 實驗與結(jié)果分析

為評估本文方法的圖像融合效果，使用18 組不同病理狀態(tài)的MRI 和PET 圖像、25 組MRI 和SPECT 圖像進行融合實驗（數(shù)據(jù)集地址為：http：//www.med.harvard.edu/AANLIB/），圖像規(guī)格為256×256，且已完成圖像配準。將本文方法（代碼見https：//github.com/bananatreelookbajiao/medical-image-fusion）和基于傳統(tǒng)框架的圖像融合方法進行對比，包括：GF［31］、NSCT［24］、NSST［19］、DWTDE［12］、DFIFT-EF［30］、IHS-PCA［6］、MSTSR［29］和LLF-IOI等方法［15］，所對比方法的參數(shù)均依據(jù)對應論文進行設置。本文方法中NSST 分解層數(shù)L=4，每層分解方向數(shù)矩陣K=[8，8，16，16]，亮度增強方法中p=1。實驗環(huán)境為Intel Core CPU i5-8250U @ 1.6 GHz，內(nèi)存8 GB，操作系統(tǒng)Windows 10（64 bit），編程軟件為Matlab R2017a。

3.1 視覺質(zhì)量

圖10～13 是18 組MRI 和PET 圖像融合結(jié)果中4 組不同病理形態(tài)的融合結(jié)果，而圖14～17 是25 組MRI 和SPECT 圖像融合結(jié)果中4 組不同病理形態(tài)的融合結(jié)果，其中Proposed-1 和Proposed-2 都是由本文方法得到的圖像，Proposed-1 表示未經(jīng)亮度增強方法處理的圖像。GF 和MST-SR 方法無法提取MRI圖像的紋理信息，同時還出現(xiàn)亮度不足的問題；NSST、DWTDE 和DFIFT-EF方法得到的圖像光譜信息嚴重失真或丟失；NSCT對于輪廓信息和光譜信息都不能保存；LLF-IOI方法存在較大的噪聲干擾，無法在臨床中為醫(yī)生提供準確的診斷信息；和本文方法相比，IHS-PCA 方法在圖9 中能量保持度不足，在圖10～17 中將源于PET 圖像的功能信息丟失。由此可知，本文方法在細節(jié)信息提取、能量保存等方面表現(xiàn)最好，具有最好的視覺對比度。

圖10 第一組MRI和PET圖像融合結(jié)果Fig.10 The first group of MRI and PET image fusion results

圖11 第二組MRI和PET圖像融合結(jié)果Fig.11 The second group of MRI and PET image fusion results

圖12 第三組MRI和PET圖像融合結(jié)果Fig.12 The third group of of MRI and PET image fusion results

圖13 第四組MRI和PET圖像融合結(jié)果Fig.13 The fourth group of of MRI and PET image fusion results

圖14 第一組MRI和SPECT圖像融合結(jié)果Fig.14 The first group of of MRI and SPECT image fusion results

圖15 第二組MRI和SPECT圖像融合結(jié)果Fig.15 The second group of MRI and SPECT image fusion results

圖16 第三組MRI和SPECT圖像融合結(jié)果Fig.16 The third group of MRI and SPECT image fusion results

圖17 第四組MRI和SPECT圖像融合結(jié)果Fig.17 The fourth group of MRI and SPECT image fusion results

此外，為了盡可能展示本文的融合效果，分別選取MRI和PET、MRI 和SPECT 圖像融合結(jié)果各6 組，置于圖18 和圖19中，每組圖像源圖像置于上方，增強圖像放置于下方。

圖18 本文方法對部分MRI和PET圖像融合結(jié)果Fig.18 Fusion results of some MRI and PET images by using the proposed method

圖19 本文方法對部分MRI和SPECT圖像融合結(jié)果Fig.19 Fusion results of some MRI and SPECT images by using the proposed method

3.2 客觀評價

使用以下五個客觀評價指標對不同方法的融合結(jié)果進行分析，這五個指標數(shù)值越大，表示質(zhì)量越好。

標準差（Standard Deviation，SD）計算方式如下：

互信息（Mutual Information，MI）［42］計算公式如下，其中MIM，F(xiàn)、MIP，F(xiàn)分別表示IM和F、IP和F互信息：

空間頻率（Spatial Frequency，SF）［1］由空間行頻率RF和空間列頻率CF組成：

Piella評價指標Q［1］基于結(jié)構(gòu)相似度和對比度來評價融合圖像質(zhì)量，計算公式如下：

平均梯度（Average Gradient，AG）［42］定義為：

信息熵EI（Entropy of Information，EI）［1］表達式為：

MI能夠衡量結(jié)果圖像中來自源圖像的信息量；SF用于反映融合圖像灰度變化快慢程度；Q 可以描述圖像的視覺對比度；AG用來檢測圖像的清晰程度；EI可以表征圖像灰度分布的空間特征，評價圖像信息的豐富程度；SD可以反映融合圖像整體對比度。表1是18組MRI和PET圖像和25組MRI和SPECT圖像使用不同融合方法的客觀評價指標均值。和其他8 種傳統(tǒng)方法相比，在MRI 和PET 圖像融合實驗中，除了SD，本文方法在其他五個客觀評價指標均具有優(yōu)勢，在MRI 和SPECT 圖像融合實驗中，本文方法在MI、SF、AG和EI等四個客觀評價指標優(yōu)于對比方法。綜合客觀評價指標所代表的含義，本文方法能夠更好地提取MRI圖像的空間結(jié)構(gòu)、軟組織、紋理等信息，同時可以提高PET或SPECT圖像的光譜信息保持度。由于PET/SPECT圖像通過光譜來反映診斷信息，所以本文方法的對于融合效果的提升對于臨床診斷具有重要意義。

表1 不同融合方法下的客觀評價指標均值對比Tab.1 Comparison of mean values of objective indicators under different fusion methods

4 結(jié)語

本文工作主要體現(xiàn)在三個方面：1）提出了一種醫(yī)學圖像融合框架，和傳統(tǒng)框架不同，該框架分成兩部分來分別處理圖像融合中兩個關鍵問題（細節(jié)提取和能量保存）。2）基于本文提出的融合框架，提出了一種針對醫(yī)學圖像的融合方法。3）提出了一種圖像亮度增強方法，通過15 組圖像的實驗結(jié)果表明，該方法在最優(yōu)參數(shù)情況下能夠?qū)⒛芰坎蛔愕脑磮D像亮度平均提升66.44%，從而得到較好視覺效果的結(jié)果圖像，且不改變源圖像的光譜信息分布。最后使用43 組不同形態(tài)不同類型的醫(yī)學圖像進行融合實驗，從實驗結(jié)果可知，和基于傳統(tǒng)框架的融合方法相比，本文方法視覺質(zhì)量最好，同時在六個客觀評價指標上均都具有明顯優(yōu)勢，驗證了本文框架的優(yōu)越性。