主权项:
1.基于多模态特征提取的医学图像融合方法,其特征在于:包括以下步骤: 步骤1,获取大量历史的原始医学图像,对每张原始医学图像的目标特征进行人工标注,形成第一训练集; 步骤2,对每张原始图像进行预处理,得到第一特征数据; 步骤3,获取第一特征数据的噪声数据,并去除噪声数据,得到第二特征数据; 所述步骤3中,获取的噪声数据为: 其中,Noiser为噪声数据;N为像素点总数,i为第i个像素点,i∈N;a为积分下限,b为积分上限;x为第一特征数据的像素数据;为误差权重系数,Gr为图像误差数据;为噪声种类权重系数,Jr为噪声种类数量;为噪声权重系数,为噪声标准差;Dr为第一特征数据;为曲线调整项; 步骤4,对第二特征数据进行剪切波变换,分别得到低频信息图像、高频信息图像;分别计算低频信息图像、高频信息图像的拉普拉斯能量和;使用稀疏表示对低频信息图像、高频信息图像进行融合,得到第三特征数据; 所述步骤4中,计算低频信息图像的拉普拉斯能量和的步骤为: 其中,SML[f(x,y),Ilow]为低频信息图像的拉普拉斯能量和公式;f(x,y)为像素点(x,y)的值;N为像素点总数,N1为像素点(x,y)向水平方向延伸的最大像素数,N2为像素点(x,y)向垂直方向延伸的最大像素数;为拉普拉斯算子;(i,j)为(x,y)向水平方向和垂直方向延伸后的像素点,f(i,j)为像素点(i,j)的值;step为步长,step=1;ILRS、IMED为中间参数;为N个像素点的平均像素值; 步骤5,将所述第一特征数据、第二特征数据、第三特征数据进行权重叠加融合,形成多模态医学图像;将多模态医学图像作为第二训练集,与所述第一训练集一同对特征提取神经网络进行训练。