论文部分内容阅读
医学图像融合的目的是为了解决由于成像设备的局限性,对一些疾病的诊断需将给几幅不同模态的医学图像组合起来,包括从图像融合和一般信息融合到解决通过人体器官和细胞图像反映医学问题的一种技术。数字图像融合是对多源图像进行综合的信息处理,它提供了一个包含源图像的关键信息的复合图像,这些信息对于更好地定位不同器官和病变起着至关重要的作用,以获得对特定区域或目标更准确、更全面、更可靠的描述,便于医生后续对图像的分析和理解。多模态医学图像融合广泛应用于各种疾病的诊断、治疗计划等领域。当前,有关医学图像融合算法主要包括了加权平均、多尺度分解以及神经网络等。针对现有医学图像融合算法存在的问题,本文重点研究了基于非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)域内,关于脉冲耦合神经网络(Pulse-coupled Neural Network,PCNN)的算法的改进,并将改进的PCNN与其他两种算法相结合,一种是将改进的PCNN与压缩感知(Compressed Sensing,CS)相结合的算法,另一种是将改进PCNN与相位一致性(Phase Congruency,PC)相结合的医学图像融合算法。主要的工作及创新点包括以下几个方面:(1)针对传统的基于PCNN融合算法中存在的问题,本文提出一种简化的PCNN模型,对外部激励输入和链接强度进行改进,从而减少了参数数目,不但计算复杂度降低了,而且使其性能更优,解决了原本模型中难以确定迭代次数的难题。(2)基于NSST提出了一种将改进后的PCNN与压缩感知相结合的医学图像融合算法。首先,将源图像运用NSST分解为高频和低频系数;然后,采用提出的算法融合高频子带系数,将源图像压缩采样得到的观测值作为PCNN的反馈输入,链接强度使用空间频率方法;低频子带系数使用区域特征加权融合规则直接融合;最后,通过逆NSST变换得到最终融合图像。实验表明,所提算法无论是采用主观评价还是客观评价指标,均取得了较优的结果,处理效率也得到了提升。(3)为了更好的保留图像的边缘信息,提出了一种将相位一致性与PCNN相结合的高频系数算法,将得到的PC值作为PCNN的外部激励输入;低频子带系数采用了一种局部拉普拉斯能量的图像融合规则,使用加权局部能量和基于改进拉普拉斯能量的八邻域加权和实现对结构化信息的度量。实验结果表明,与其他三种算法相比,使用该算法得到的融合图像其融合质量较好,边缘信息保留完整,并且也减少了融合时间,主客观评价结果一致。