基于多小波变换域特征的多模态医学图像融合

多小波是小波理论的扩展,在图像处理方面具有单小波所不具有的优点.它能够为图像提供一种比小波多分辨率分析更加精确的分析方法.在研究了多小波变换域上同一尺度多个子带间相关性、子带内相邻系数的相关性以及能量的低聚性的特性后,提出了一种基于离散多小波变换域特征的融合方法,并将不同模态的医学脑部CT图像和MR图像利用此方法进行融合,相比于传统小波域内的图像融合方法.该方法不仅能够完好地显示源图像各自的信息,很好地将源图像的细节融合在一起,而且得到的融合图像具有更良好的视觉效果和更优的量化指标,体现出更好的融合效果.     

基于二元树复小波的图像超分辨率内插

在Nyugen N等的图像超分辨率小波内插的算法框架下,用二元树复小波变换代替实离散小波变换,使图像超分辨率小波内插能得到更好的高分辨率图像的拟台部分和更多方向的细节。算法分析和实验结果表明了该方法是对N．Nyugen等的图像超分辨率小波内插框架的进一步改进。     

多模医学图像融合技术的原理、应用与最新进展

利用图像融合技术,将不同模态的医学图像有机地结合在一起,可以充分利用各种医学图像的优点,为临床诊断和治疗提供帮助。该文主要介绍了多模态医学图像融合技术的基本概念、各种融合技术以及实现方法原理,重点阐述了基于小波变换的方法,并对不同融合技术进行评估,介绍了图像融合技术的应用,最后介绍了医学图像融合技术存在的问题、最新进展与研究前景。     

基于双树复小波变换的图像融合方法

为获得更好的融合效果,提出基于双树复小波变换的图像融合方法。双树复小波变换具有平移不变性、方向选择性等特点,适合进行图像融合,优于传统离散小波变换方法。给出多策略的融合规则,源图像小波变换后低频采用区域清晰度,高频采用区域标准差。灰度多聚焦图像和彩色多聚焦图像的融合实验测试以及评价指标的统计结果,表明了双树复小波变换方法的优势和所用融合规则的有效性。     

基于对偶树复小波-Curvelet变换的自适应多传感图像融合算法

提出了基于对偶树复小波-Curvelet变换的自适应多传感图像融合新算法.算法将伞色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则.对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则.最后通过重构得到融合图像.将其他的融合算法和本文所提算法进行对比,结果表明,基于对偶树复小波-Curvelet变换的区域特征自适应的图像融合算法是一种有效可行的图像融合算法.     

小波变换在医学图像融合中的应用

医学图像融合技术可以将多种成像模式提供的图像融合在一起,在一幅图像中提供综合的诊断信息.小波变换是医学图像融合的一种有效方法.     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

基于小波变换的多模态图像融合算法的改进

为了进一步提高医学图像的融合效果,研究和改进了基于小波变换的图像融合算法,提出了一种改进小波变换金字塔融合算法.该算法对经过多层小波变换后的高低频小波系数,分别使用局部均值加权和分层线性加权的小波系数融合规则进行融合.通过编程试验,将该算法与空域和频域的各种融合算法进行对比,并使用主观和客观两种评价方法进行综合评价.实验结果表明,针对灰度图像特别是医学图像的融合,提出的融合算法与文中的对比算法相比较,在主观和客观的综合评价上表现出更好的融合效果.     

基于非分离小波的多模态医学图像融合算法*

针对传统可分离小波医学图像融合过程中存在部分边缘丢失和纹理信息模糊的问题,根据CT/MRI图像内容的互补性,提出整合及突出图像细节的医学图像融合算法。该算法在非分离小波分解框架下,对反映图像近似内容的低频分量采用区域信息熵加权融合规则,对反映图像细节特征的高频分量提出了区域亮度细节占优加权的融合规则;最后通过非分离小波逆变换重构融合图像。实验结果表明,该算法能在保留源图像信息的情况下增强融合图像的细节及亮度信息。     

一种新的基于小波变换的医学图像融合方法

图像融合是医学图像处理中的关键技术。论文探讨了基于小波变换的医学图像的融合方法,在对现有的有关融合规则及其所融合效果进行分析的基础上,提出了一种新的基于小波的融合方法。实验证明,该方法能在保留原图像信息的情况下增强融合图像的细节信息。     

基于二元树复小波特征表示的人脸识别方法

二元树复小波变换（DTCWT）具备近似平移不变、多方向选择、完全重构和高效计算等优点，适合于人脸特征提取。提出了一种新的基于二元树复小波变换的人脸特征表示方法，用二维DTCWT提取了人脸图像不同尺度、位置和方向的局部特征，并用多尺度多方向的信息生成DTCWT人脸特征图。实验证明了DTCWT人脸特征表示方法提取了最具可判别性的人脸特征，获取了高识别率和泛化能力，优于其他特征表示方法。     

多模态医学图像融合中小波基函数的选择

小波基函数直接影响到图像的融合质量.本文通过实验并结合融合图像评价方法评价不同小波基函数的融合图像质量,得出该如何去选择小波基函数.     

基于多小波变换的医学图像融合方法研究

医学图像融合在临床诊断及治疗上有重要意义,多小波是小波理论的扩展,在图像处理方面具有单小波所不具有的优点。文章对基于多小波变换的医学图像融合方法进行了研究总结,提出了基于边沿信息方向性加权的区域能量的融合规则,通过对CT与MRI图、CT与SPECT图实验结果比较,表明该文提出的算法具有更好的融合效果。     

基于二元树复小波的图像插值超分辨率算法

根据二元树复小波理论和图像插值的特点,将二元树复小波变换与基于边缘插值方法相结合,得到一个放大的插值图像,然后将插值后的图像进行一级小波分解,将分解后的高频子带再做小波变换,并修正变换后的高颊子带系数,进行图像重构后得到最终的插值图像.实验结果表明,该方法能够提高图像的分辨率,_同时消除边缘处的"振铃"效应.     

多模态医学图像融合中小波分解层数的选择

小波分解层数直接影响到图像的融合质量,本文通过实验并结合融合图像评价方法评价不同分解层数的融合图像质量,得出最佳分解层数.     

基于小波变换模极大值特征的多模医学图像融合算法研究

文章提出了一种基于小波变换模极大值特征的多模医学图像融合算法,将待融合的图像进行小波变换提取其模极大值特征,在特征域上根据小波变换模极大值的特征实施不同权重的加权融合计算,实施逆变换重建融合图像。并对人脑的MRI-PET图像进行了融合,实验结果表明该方法能有效地将解剖信息和功能信息融合在一起,并保留原始图像的解剖结构特征。     

基于双树复小波变换彩色多聚焦图像融合方法

针对离散小波变换图像融合算法在特征表达上存在的不足,将双树复数小波变换引入到彩色多聚焦图像融合中。对彩色图像的三个通道分别进行融合处理,并采用基于多测度的融合策略：各通道小波变换后低频子带采用区域清晰度的方法;高频子带采用区域标准差的方法。融合效果评价除使用传统方法的熵、交叉熵外,还使用了通用的主观与客观相结合的方法。通过对实验结果的主客观性能分析,验证了该方法得到的融合图像效果较好,优于离散小波变换融合算法。     

基于双树复小波的遥感图像融合

介绍了DTCWT(双树复小波变换)的基本原理,与传统小波变换相比,DTCWT具有良好的平移不变性和方向选择性,能够提高小波分解和重构的精度,更好地保持边缘、纹理等细节.在传统小波图像融合的基础上,提出了三种基于DTCWT的遥感图像融合算法:基于IHS变换和DTCWT融合法、模值加权融合法和模值局部方差融合法.对"北京一号"小卫星数据进行融合实验,结果表明,三种融合算法不仅有效地增强了融合图像的空间细节表现能力,而且很好地保留了多光谱图像的光谱信息.     

基于双正交小波变换的CT/PET医学图像融合

医学图像融合能将不同设备图像的诊断信息综合起来,充分利用各成像设备的优点。不仅可以提高疾病的确诊率,而且可以提高病灶的定位精度,在诊断上具有重要的应用价值。小波变换是图像融合中一种有效的方法。为了避免正交小波产生的相位失真,采用双正交小波对CT-PET图像进行多分辨率分解与重构,并提出一种新的融合算法。实验表明,该方法能有效地将解剖信息和功能信息集成在一起,完好地保留了各图像的信息。     

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。