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。     

基于CST域相位与幅值信息的医学图像融合方法

为了克服传统医学图像融合方法不能高效表示待融合图像中医学特征信息的问题,提出一种基于复数剪切波变换域幅值和相位统计信息的医学图像融合方法.首先利用复剪切波变换得到待融合医学图像的低频子带和高频子带,揭示各个高频子带系数相位呈现双峰分布的特点,提出基于两状态Von-Mises分布的相位统计模型;然后将经典的图像结构相似性(structural similarity of image,SSIM)推广至复数剪切波域,给出了结合幅值和相位的SSIM新表达形式,并基于此新表达式和相位统计模型提出全局-局部的融合规则;最后通过逆变换重建得到融合结果.对实验结果进行主观视觉比较和客观量化分析表明,该方法能够得到更好的融合结果.