论文部分内容阅读
上世纪中叶以来传感技术日新月异,涌现出许多功能各异的医学图像成像系统,并被广泛应用于医学领域,但每种医学影像均存在其自身的优势和局限性,因此医生需要借助多种医学影像来提供更多关于病灶的信息,医学图像融合技术应运而生。本论文重点研究了基于非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)的医学图像融合算法,并提出了两种基于NSST的医学图像融合方法,一种是基于NSST与离散小波变换(Discrete Wavelet Transform,DWT)的医学图像融合算法;另一种是基于NSST与改进自适应脉冲耦合神经网络(Pulse-coupled Neural Network,PCNN)的医学图像融合算法。以下为本论文主要工作和创新:1.提出了基于NSST与DWT的医学图像融合算法。我们通过实验证明:NSST变换对图像纹理边缘(线奇异特征)具有较强表达能力,但对点奇异特征相对较弱;DWT变换具有较强点奇异特征表示能力,却对线奇异特征相对较弱。根据这两种多尺度分解方法的互补特性以及多模态医学图像之间的差异性和互补性,本文提出以NSST为主DWT为辅基于NSST和DWT的医学图像融合算法。通过与其他单一变换工具的实验对比,该算法不仅在客观图像评价指标上有较大性能提升,在主观视觉上也有优良表现。2.改进了传统拉普拉斯能量和(Sum-Modified Laplacian,SML)融合规则。传统SML仅包含水平和垂直方向的拉普拉斯能量,并没有考虑对角方向的能量信息,这意味着使用传统SML作为融合规则的融合图像可能丢失重要信息,基于此本文提出了改进型拉普拉斯能量和(Improved Sum-Modified Laplacian,ISML)的融合规则。3.提出了基于NSST与改进自适应PCNN的医学图像融合算法。由于基于空间域和变换域的传统融合方法在融合过程中易受到噪声影响,并且没有效利用图像全局特征,因此造成融合结果的区域对比度和结构轮廓不协调。考虑到CT图像和MRI图像的轮廓信息占据了整幅图像的大部分面积,而轮廓信息主要包含在低频分量中,以及PCNN在处理全局特征方面的优势,本文提出NSST和改进PCNN相结合的医学图像融合算法。通过实验提供了ISML和局部结构信息因子分别作为PCNN输入项和链接强度的依据,从而实现自适应的脉冲耦合神经网络。同时采用点火幅度总和作为融合系数的判决准则,大大减少了PCNN的迭代次数。与近几年基于PCNN的图像融合算法进行实验对比,所提算法主、客观性能均有较大幅度提升。