基于小波变换的脑部MR与伪彩色PET医学图像融合系统
项目介绍
本项目实现了一套用于脑部多模态医学图像融合的软件系统。通过结合磁共振(MR)图像的高分辨率解剖结构信息与正电子发射断层扫描(PET)图像的组织功能代谢信息,生成一张既具备清晰骨骼、血管轮廓,又保留了病灶代谢特征的融合图像。系统旨在辅助医生更准确地对病变区域进行定位和定性分析,提升临床诊断的科学性。
功能特性
- 多尺度离散小波变换:采用db4小波基开展二级分解,能够精准分离图像的概貌特征与细节特征。
- 空间色彩保持:利用YCbCr色彩空间转换技术,仅对亮度通道进行融合,完美保留了PET图像原有的伪彩色代谢分布信息。
- 自适应高频融合规则:引入3x3区域局部标准差算法,自动筛选图像中活跃度更高、对比度更强的细节特征。
- 全自动化模拟与评估:内置模拟数据生成模块,可直接运行验证,并提供PSNR、MSE、信息熵等专业量化评价指标。
系统逻辑结构整个系统按照数据准备、色彩转换、小波分解、特征融合、图像重构和结果评估六个阶段执行:
- 数据初始化与模拟:
系统模拟生成一组已空间配准的256x256图像。MR图像模拟了脑部组织的层次结构。PET图像模拟了局部高代谢区域,并应用jet色标映射为伪彩色RGB图像。
- 色彩空间解耦:
为了避免彩色PET图像在融合过程中出现色彩畸变,系统将RGB格式的PET图像转换为YCbCr空间。提取其中的Y(亮度)分量与灰度化的MR图像进行融合,而Cb和Cr色度分量予以保留,待后期合成。
- 多级小波分解:
对MR灰度图和PET亮度图分别进行二级离散小波分解(DWT)。分解后产生一个低频近似子带(CA)和两层共六个高频细节子带(水平CH、垂直CV、对角CD)。
- 特征层级融合:
*
低频部分:采用加权平均算法(权重各占0.5),确保融合图像的整体亮度平滑,背景信息得以稳定过渡。
*
高频部分:采用基于区域局部标准差的选取规则。通过3x3滑动窗口计算每个像素点周围的活跃程度,实时选择标准差较大(即信息量较丰富)的源图像像素点作为融合输出。
- 逆反变换与合成:
将融合后的低频与高频系数进行重构,通过逆离散小波变换(IDWT)恢复出融合后的亮度分量。随后将其与PET原始的色度分量合并,并转回RGB色彩空间。
- 可视化与量化指标计算:
系统自动生成对比图组,展示源图像、融合结果以及小波系数分布。同时计算峰值信噪比(PSNR)、均方误差(MSE)、信息熵(Entropy)及互信息(MI),从结构和能量角度评估融合质量。
关键函数与算法说明
1. 二级离散小波分解与重构算法
系统利用Daubechies小波(db4)对图像进行多尺度分解。低频系数代表了图像的背景和轮廓,而高频系数捕获了边缘、噪点和纹理细节。通过这种方式,系统可以在不同频率尺度上分别处理结构信息和代谢信息。
2. 区域局部标准差滤波器
这是一个自定义的空间特征提取函数。它通过padarray对图像进行边缘填充,确保边界像素也能参与计算。使用3x3窗口在系数矩阵上滑动,计算窗口内像素的样本标准差。标准差越大,代表该区域的像素变化越剧烈,包含的边缘细节越多。
3. 跨通道融合策略
系统通过appcoef2和detcoef2提取不同层级的系数。在高频融合函数中,系统逐像素比对MR和PET对应位置的局部标准差,决策权归属于特征表现更突出的那一方,从而有效解决了传统平均法导致的图像模糊问题。
使用方法
- 启动MATLAB软件(建议R2016b或更高版本)。
- 将包含系统脚本的文件夹设置为当前工作路径。
- 在命令行窗口输入入口函数名称并回车。
- 系统将自动生成模拟图像并执行融合算法,随后弹出包含源图对比、分解示意图、直方图以及评价指标的综合结果窗口。
系统要求
- 软件环境:MATLAB R2016b, R2018a/b, R2020a/b 及更新版本。
- 所需工具箱:Signal Processing Toolbox(信号处理工具箱), Image Processing Toolbox(图像处理工具箱), Wavelet Toolbox(小波工具箱)。
- 硬件要求:标准桌面电脑配置,内存4GB以上即可流畅运行。