【摘要】：現(xiàn)如今,人們生活水平不斷提高,自我保健意識(shí)逐漸增強(qiáng),對(duì)自身健康也有了更多的需求。隨著醫(yī)療事業(yè)如日中天的發(fā)展,醫(yī)療影像設(shè)備不斷的更新?lián)Q代,出現(xiàn)了適用于不同設(shè)備的二維醫(yī)學(xué)圖像。如,CT圖像能清晰的顯示人身體內(nèi)各種臟器的解剖結(jié)構(gòu),PET圖像能清晰顯示人身體內(nèi)功能結(jié)構(gòu)。充分利用醫(yī)學(xué)圖像融合技術(shù),將“功能顯像”與“解剖顯像”結(jié)合起來(lái),實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。傳統(tǒng)的醫(yī)學(xué)圖像融合技術(shù)雖然取得了很大的成功,但還是存在許多問(wèn)題:融合規(guī)則沒(méi)有統(tǒng)一性,針對(duì)不同融合對(duì)象的算法有差異等等。本文主要針對(duì)醫(yī)學(xué)圖像中腦部的CT和MRI、MRI和SPECT、MRI和PET三組圖像經(jīng)過(guò)多種算法和本文算法進(jìn)行融合比較。為了建立圖像融合的框架,本文分析了醫(yī)學(xué)圖像的成像原理和特點(diǎn),概括性的總結(jié)了圖像融合的步驟。同時(shí),針對(duì)融合圖像層次不同的特點(diǎn)將評(píng)價(jià)標(biāo)準(zhǔn)分成兩大類。最后,本文重點(diǎn)分析了基于小波變換的醫(yī)學(xué)圖像融合算法和基于Curvelet變換的醫(yī)學(xué)圖像融合算法,針對(duì)基于小波變換融合后的圖像無(wú)冗余信息量,但分解過(guò)程具有方向局限性,以及基于Curvelet變換的圖像融合算法具有多方向性的特點(diǎn),在小波變換的基礎(chǔ)上將低頻子帶采用加權(quán)平均的算法,高頻子帶采用基于Curvelet變換的區(qū)域能量取最大的算法。實(shí)驗(yàn)選取10組連續(xù)的腦部MRI和SPECT圖像以及10組連續(xù)的MRI和PET圖像進(jìn)行融合,實(shí)驗(yàn)結(jié)果通過(guò)客觀評(píng)價(jià)標(biāo)準(zhǔn)得出一組平均值。再將本文算法的融合結(jié)果與其他算法通過(guò)7種客觀評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行分析比較。通過(guò)分析結(jié)果,本文的算法達(dá)到了預(yù)期效果,經(jīng)本文算法融合后的圖像清晰,集中了源圖像的大部分能量,紋理細(xì)節(jié)反差小,無(wú)失真現(xiàn)象,綜合評(píng)價(jià)優(yōu)于其他算法。在臨床醫(yī)學(xué)診斷中,對(duì)病灶的定位、觀測(cè)以及治療方案的制定有重要的意義。
[Abstract]:Now, people's living standards are improving, self-care awareness is gradually enhanced, and there is more demand for their own health. With the development of medical industry, medical imaging equipment has been constantly updated, and two-dimensional medical images suitable for different equipment appear. For example, CT images can clearly display the anatomical structures of various organs in the human body, and PET images can clearly display the functional structures of the human body. Make full use of medical image fusion technology, "functional imaging" and "anatomical imaging" combined to achieve complementary advantages. Although the traditional medical image fusion technology has achieved great success, there are still many problems: the fusion rules are not uniform, the algorithms for different fusion objects are different, and so on. In this paper, CT, MRI,MRI and SPECT,MRI and PET images of the brain in medical images are fused and compared with each other. In order to establish the frame of image fusion, the imaging principle and characteristics of medical image are analyzed, and the steps of image fusion are summarized. At the same time, the evaluation criteria are divided into two categories according to the different characteristics of fusion image levels. Finally, this paper focuses on the analysis of medical image fusion algorithm based on wavelet transform and medical image fusion algorithm based on Curvelet transform. There is no redundant information in image fusion based on wavelet transform, but the decomposition process has directional limitation. The image fusion algorithm based on Curvelet transform has the characteristics of multi-directivity. On the basis of wavelet transform, the weighted average algorithm is used for low frequency subbands and the maximum region energy algorithm based on Curvelet transform is used for high frequency sub-bands. Ten consecutive brain MRI and SPECT images and 10 consecutive MRI and PET images were selected for fusion. The average values were obtained by objective evaluation criteria. Then the fusion results of this algorithm are analyzed and compared with other algorithms through 7 objective evaluation criteria. Through the analysis result, the algorithm of this paper achieves the expected effect. The fusion image of this paper is clear, concentrating most of the energy of the source image, small contrast of texture detail, no distortion phenomenon, and the comprehensive evaluation is better than other algorithms. In the clinical diagnosis, it is of great significance for the localization, observation and treatment of the lesions.
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R318;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 喬紅波;師越;司海平;吳旭;郭偉;時(shí)雷;馬新明;周益林;;基于無(wú)人機(jī)數(shù)字圖像與高光譜數(shù)據(jù)融合的小麥全蝕病等級(jí)的快速分類技術(shù)[J];植物保護(hù);2015年06期

2 張艷天;;生物醫(yī)學(xué)影像研究:展望未來(lái)[J];光學(xué)與光電技術(shù);2015年05期

3 魏興瑜;陸惠玲;周濤;;兩模態(tài)PET/CT圖像融合研究進(jìn)展[J];重慶醫(yī)學(xué);2015年14期

4 單鑫;文銀剛;盧繼珍;林濤;;HIFU治療子宮肌瘤中MRI與超聲圖像的融合研究[J];計(jì)算機(jī)工程與應(yīng)用;2015年20期

5 陳立偉;蔣勇;;圖像融合算法的綜合性能評(píng)價(jià)指標(biāo)[J];計(jì)算機(jī)工程;2015年02期

6 曾培彬;高升秋;;基于Web信息處理的機(jī)位信息融合設(shè)計(jì)與實(shí)現(xiàn)[J];中國(guó)民航飛行學(xué)院學(xué)報(bào);2014年05期

7 王良周;于衛(wèi)紅;黃廣超;;基于信息融合的多Agent智能家居系統(tǒng)[J];計(jì)算機(jī)應(yīng)用;2014年09期

8 熊繼平;趙健;;一種基于RPCA的圖像聚焦區(qū)域檢測(cè)方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年02期

9 肖體喬;謝紅蘭;鄧彪;杜國(guó)浩;陳榮昌;;上海光源X射線成像及其應(yīng)用研究進(jìn)展[J];光學(xué)學(xué)報(bào);2014年01期

10 沈瑜;黨建武;王陽(yáng)萍;馮鑫;羅維薇;;一種新的基于多尺度幾何分析的圖像融合方法[J];光電子.激光;2013年12期

相關(guān)博士學(xué)位論文 前8條

1 李奕;圖像融合的若干關(guān)鍵技術(shù)研究[D];江南大學(xué);2015年

2 周津;物聯(lián)網(wǎng)環(huán)境下信息融合基礎(chǔ)理論與關(guān)鍵技術(shù)研究[D];吉林大學(xué);2014年

3 尤春艷;多分辨率分析圖像融合關(guān)鍵技術(shù)研究[D];重慶大學(xué);2014年

4 王雷;多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)與融合關(guān)鍵算法研究[D];華南理工大學(xué);2013年

5 郭擎;基于分?jǐn)?shù)階變換的信息安全與圖像融合算法[D];哈爾濱工業(yè)大學(xué);2010年

6 葉傳奇;基于多尺度分解的多傳感器圖像融合算法研究[D];西安電子科技大學(xué);2009年

7 張紅;像素級(jí)多分辨率圖像融合方法研究[D];吉林大學(xué);2008年

8 宋樂(lè);異源圖像融合及其評(píng)價(jià)方法的研究[D];天津大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 姜曉麗;基于多尺度幾何分析的醫(yī)學(xué)圖像融合算法研究[D];浙江理工大學(xué);2015年

2 何偉;基于小波變換和假彩色的醫(yī)學(xué)圖像融合[D];北京理工大學(xué);2015年

3 張思遠(yuǎn);基于Contourlet域HMT模型的圖像融合方法技術(shù)研究[D];西北大學(xué);2014年

4 許樂(lè);基于小波變換和簡(jiǎn)化型PCNN的多聚焦圖像融合研究[D];云南大學(xué);2014年

5 張軒;基于局部特征的圖像融合算法研究[D];西安建筑科技大學(xué);2014年

6 趙杰英;基于小波變換的多模醫(yī)學(xué)圖像融合算法研究[D];中北大學(xué);2014年

7 胡玉蘭;醫(yī)學(xué)圖像融合在前列腺癌調(diào)強(qiáng)放療靶區(qū)勾畫(huà)中的應(yīng)用研究[D];南方醫(yī)科大學(xué);2013年

8 朱鵬飛;多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)算法的研究與應(yīng)用[D];長(zhǎng)春理工大學(xué);2013年

9 趙鈺;基于小波變換的圖像配準(zhǔn)與融合技術(shù)研究[D];西北農(nóng)林科技大學(xué);2012年

10 徐進(jìn)偉;基于小波變換的數(shù)字圖像融合研究[D];成都理工大學(xué);2012年

，

本文編號(hào)：2462495