基于提升小波变换与自适应PCNN的医学图像融合方法

为了更好地满足临床辅助诊断和治疗的需要,提出一种基于提升小波变换的CT与MRI图像的融合方法.该方法在低频子带采用基于区域能量的融合规则;高频子带采用自适应脉冲耦合神经网络(PCNN)的融合规则,通过应用PCNN简化模型把图像逐像素的梯度能量作为PCNN的链接强度,使得PCNN能根据像素梯度能量的变化来自适应地调整链接强度的大小,并根据点火次数确定高频子带融合系数.实验结果表明,文中方法与传统融合方法相比性能优越,丰富了融合图像的边缘及细节信息,可取得更好的融合效果.     

基于小波变换的PCNN多传感器图像融合

利用PCNN（Pulse Coupled Neural Network）在图像处理中的独特优势,提出了一种基于小波变换的PCNN多传感器图像融合方法。对源图像进行小波分解,得到不同尺度下的子带图像;在小波域中利用PCNN的同步脉冲激发特性,制定基于PCNN的融合规则;使用不同尺度下的小波系数的SF（Spatial Frequency）作为对应神经元的链接强度,经过PCNN点火得到源图像在小波域中的点火映射图;通过判决选择算子,选择点火次数多的小波系数作为对应的融合系数,进行区域一致性检验,获到最终的融合系数;对融合后的系数进行小波逆变换得到融合图像。实验结果表明,该方法有效地综合源图像中的重要信息,得到更好视觉效果和更优量化指标的融合图像,在主客观评价上均优于小波、PCNN等方法。     

基于NSCT和自适应PCNN的遥感图像融合方法

以全色和多光谱遥感图像为研究对象,提出一种基于非下采样Contourlet变换(NSCT)和自适应脉冲耦合神经网络(PC-NN)的遥感图像融合方法;该方法首先对全色图像和进行过IHS变换的多光谱图像的亮度分量进行NSCT变换,得到低频子带系数和各带通子带系数;其次对低频子带系数采取一种基于边缘的方法以得到融合图像的低频子带系数;然后采用以各带通子带系数的梯度作为PCNN的链接强度β的PCNN图像融合方法来确定融合图像的各带通子带系数;最后经过NSCT逆变换和IHS逆变换得到融合图像;实验结果表明,此方法更好地保留了原遥感图像中的有用信息,并提高了融合图像的质量。     

基于小波变换的自适应脉冲耦合神经网络图像融合

针对同一场景多聚焦图像的融合问题,提出了一种基于小波变换的自适应脉冲耦合神经网络（PCNN）图像融合方法。首先,对源图像进行小波分解,得到不同尺度下的子带图像;然后,在小波域中利用PCNN的同步脉冲激发特性,制定基于PCNN的融合规则;使用不同尺度下的小波系数的拉普拉斯能量（EOL）作为对应神经元的链接强度,经过PCNN点火得到源图像在小波域中的点火映射图;通过判决选择算子,选择点火次数多的小波系数作为对应的融合系数,然后进行区域一致性检验,获到最终的融合系数;最后,对融合后的系数进行小波逆变换得到融合图像。实验结果表明,该方法更有效地提取原始图像的特征信息,提高融合图像的视觉效果,在主观视觉效果与客观性能指标上均优于传统的图像融合方法。     

基于提升小波变换的医学图像融合方法

多模医学图像融合在医学图像分析和诊断上具有重要的应用价值。在对CT与MRI图像进行提升小波变换的基础上,结合低频子带系数存在区域相关性及高频子带系数的特点,提出了对于低频子带系数采用基于区域方差的融合规则,对于高频子带系数采用基于区域空间频率的融合规则,最后进行提升小波逆变换得到融合图像。实验结果表明,与传统方法相比,该方法可以有效提高医学图像融合的信息量,较好地保留了源图像的边缘及细节信息,具有良好的融合效果及量化指标。     

基于改进的稀疏表示和PCNN的图像融合算法研究

为提高图像融合的清晰度,本文提出一种基于改进的稀疏表示和脉冲耦合神经网络（pulse coupled neural network,PCNN）的图像融合。利用非下采样剪切波变换（non-subsampled shearlet transform,NSST）对源图像进行分解变换,得到相应的低频子带和高频子带具有不同的信息。对于低频子带,采用改进的稀疏表示进行融合,利用K奇异值分解（K-singular value decomposition,K-SVD）算法,并对源图像进行自适应学习的多个子字典构造成联合词典。对于高频子带,则改进PCNN融合系数的选择方法,利用改进的空间频率作为神经元反馈输入来激励PCNN模型,并根据点火输出的总幅度最大的融合规则选择高频系数。最后,将融合后的低频子带和高频子带系数进行NSST逆变换,重构出融合图像。实验结果表明:该算法很好地保留了图像的边缘信息,并且得到的图像在相关的客观评价标准上也取得了良好的效果,表明了本算法的有效性。     

基于小波变换和引导滤波的多聚焦图像融合

为了进一步提高多聚焦图像融合效果，提出了一种基于小变换和引导滤波的多聚焦图像融合方法。对源图像进行二维小波分解，得到低频子带系数和高频子带系数。对低频子带系数采用引导滤波加权融合；对高频子带系数引入最大对称环绕显著性检测算法(Maximum Symmetric Surround Saliency Detection Algorithm,MSSS），归一化显著图得到权重图，进而进行加权融合。把得到的高频和低频子带系数进行小波重构，得到最终的融合图像。实验结果表明，与其他算法相比，所提算法具有更好的清晰度，得到较好的融合结果。     

一种基于小波系数区域特征的图像融合算法

分析并统计了图像经小波变换后低频子带系数的区域特性和各高频子带系数的方向区域特性,并据此提出了一种新的基于小波系数区域特征的图像融合方法.对于低频子带的每个系数,根据其区域相关性,采用区域方差的融合规则,确定低频融合系数;对于各高频子带的每个系数,根据其所在子带的方向特征,采用方向区域能量的融合规则,进而确定高频融合系数.对多聚焦图像和医学图像进行了融合仿真实验,并用信息熵和平均梯度对融合结果进行了客观的评价.实验结果表明,基于小波系数方向特征的图像融合算法要优于传统的融合算法,具有一定的实用性.     

Contourlet变换系数加权的医学图像融合

目的 由于获取医学图像的原理和设备不同,不同模式所成图像的质量、空间与时间特性都有较大差别,并且不同模式成像提供了不互相覆盖的互补信息,临床上通常需要对几幅图像进行综合分析来获取信息。方法 为了提高对多源图像融合信息的理解能力,结合Contourlet变换在多尺度和多方向分析方法的优势,将Contourlet变换应用于医学图像融合中。首先将源图像经过Contourlet变换分解获得不同尺度多个方向下的分解系数。其次通过对Contourlet变换后的系数进行分析来确定融合规则。融合规则主要体现在Contourlet变换后图像中的低频子带系数与高频子带系数的优化处理中。针对低频子带主要反映图像细节的特点,对低频子带系数采用区域方差加权融合规则;针对高频子带系数包含图像中有用边缘细节信息的特点,对高频子带系数采用基于主图像的条件加权融合规则。最后经过Contourlet变换重构获得最终融合图像。结果 分别进行了基于Contourlet变换的不同融合规则实验对比分析和不同融合方法实验对比分析。通过主观视觉效果及客观评价指标进行评价,并与传统融合算法进行比较,该算法能够克服融合图像在边缘及轮廓部分变得相对模糊的问题,并能有效地融合多源医学图像信息。结论 提出了一种基于Contourlet变换的区域方差加权和条件加权融合算法。通过对CT与MRI脑部医学图像的仿真实验表明,该算法可以增加多模态医学图像互补信息,并能较好地提高医学图像融合的清晰度。     

基于NSST与自适应PCNN的多聚焦图像融合方法

为弥补传统图像融合方法融合质量不高的缺点,提出了基于非下采样剪切波变换(Nonsubsampled Shearlet Transform,NSST)与自适应脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的图像融合方法。首先,利用非下采样剪切波变换对源图像进行剪切波分解;然后,采用基于图像引导滤波器的融合规则对得到的低频分量进行低频融合;其次,对于高频分量,采用改进的空间频率作为PCNN的输入,利用改进的拉普拉斯能量和作为PCNN的链接强度;最后,通过NSST逆变换得到融合后的图像。实验结果表明,相比于传统的融合规则,文中提出的算法在主观效果上能很好地保留细节信息,并抑制伪影和失真的产生;在客观评价上,其在标准差、边缘信息传递量、信息熵和互信息等常用指标上的表现更为优越。     

利用邻域激励的自适应PCNN进行医学图像融合*

对于不同模态的医学图像进行融合处理,可为临床提供新的诊断信息,设计了一种邻域空间频域激励的自适应PCNN医学图像融合新方法.首先,使用图像逐像素地改进拉普拉斯能量和(SML)清晰度作为PCNN对应神经元的链接强度;同时利用邻域空间频域(SF)特征信息激励每个神经元;然后,将源图像输入PCNN获得点火映射图构成的点火频数...     

An improved pulse coupled neural network for image processing

To develop new image processing applications for pulse coupled neural network (PCNN), this paper proposes an improved PCNN model by redesigning the linking input, activity strength, linking weight, pulse threshold and pixel update rule. Two typical image processing examples based on such a model, namely fingerprint orientation field estimation and noise removal, are presented for explaining how to use the PCNN and determine parameters in image processing. Experiments show that the improved model is quite useful, and the PCNN-based approaches achieve better image processing results than the traditional ones. This work was supported by National Science Foundation of China under Grant 60471055 and Specialized Research Fund for the Doctoral Program of Higher Education under Grant 20040614017.     

自适应PCNN的形态小波多聚焦图像融合方法

为了解决传统形态小波图像融合方法在重构尺度信号时发生了位置错误和重构细节信号时发生了灰度值下溢的不足,提出一种有效的基于自适应脉冲耦合神经网络（PCNN）的形态小波多聚焦图像融合方法。通过形态小波对已配准的源图像进行分解;提出一种自适应的PCNN,用分解系数的改进拉普拉斯能量和（SML）作为PCNN对应神经元的反馈输入,用图像的清晰度作为对应神经元的连接强度,经过PCNN点火获得参与融合系数的点火映射图,通过判决选择算子指导系数的融合;经过形态小波逆变换得到融合图像。实验结果表明,该算法的融合图像具有良好的视觉效果及较高客观评价指标。     

A novel approach for multimodal medical image fusion

Fusion of multimodal medical images increases robustness and enhances accuracy in biomedical research and clinical diagnosis. It attracts much attention over the past decade. In this paper, an efficient multimodal medical image fusion approach based on compressive sensing is presented to fuse computed tomography (CT) and magnetic resonance imaging (MRI) images. The significant sparse coefficients of CT and MRI images are acquired via multi-scale discrete wavelet transform. A proposed weighted fusion rule is utilized to fuse the high frequency coefficients of the source medical images; while the pulse coupled neural networks (PCNN) fusion rule is exploited to fuse the low frequency coefficients. Random Gaussian matrix is used to encode and measure. The fused image is reconstructed via Compressive Sampling Matched Pursuit algorithm (CoSaMP). To show the efficiency of the proposed approach, several comparative experiments are conducted. The results reveal that the proposed approach achieves better fused image quality than the existing state-of-the-art methods. Furthermore, the novel fusion approach has the superiority of high stability, good flexibility and low time consumption.     

快速离散Curvelet变换域的图像融合

目的单一图像往往难以捕获一个场景下所有的细节信息,针对这一问题,可以通过多传感器或同一传感器的不同方式来获取多幅图像,然后通过图像融合技术将获得的多幅图像进行融合。为了提高图像融合的质量,提出一种基于快速离散Curvelet变换(FDCT)的图像融合新方法。方法不同于以往的方法,提出一组新的融合规则。分别采用基于局部能量和改进拉普拉斯能量和的方法,通过对FDCT分解得到的低频和高频系数进行系数选择,然后对得到的融合系数进行FDCT逆变换重构得到融合图像。结果通过对大量的多模态医学图像、红外可见光图像以及多聚焦图像进行图像融合实验,无论是运用视觉的主观评价,还是均值、标准差、信息熵以及边缘信息保持度等客观评价标准,本文方法都优于传统的基于像素平均、小波变换、FDCT以及双边梯度等融合方法。结论对比现有的方法,本文方法对多模态和多聚焦等形式的图像融合都表现出优越的融合性能。