排序方式: 共有43条查询结果,搜索用时 15 毫秒
1.
现有基于深度学习的多模态医学图像融合方法存在全局特征表示能力不足的问题。对此,提出一种基于局部全局特征耦合与交叉尺度注意的医学图像融合方法。该方法由编码器、融合规则和解码器三部分组成。编码器中采用并行的卷积神经网络(CNN)和Transformer双分支网络分别提取图像的局部特征与全局表示。在不同尺度下,通过特征耦合模块将CNN分支的局部特征嵌入Transformer分支的全局特征表示中,最大程度地结合互补特征,同时引入交叉尺度注意模块实现对多尺度特征表示的有效利用。编码器提取待融合原始图像的局部、全局以及多尺度特征表示,根据融合规则融合不同源图像的特征表示后再输入到解码器中生成融合图像。实验结果表明,与CBF、PAPCNN、IFCNN、DenseFuse和U2Fusion方法相比,该方法在特征互信息、空间频率、边缘信息传递因子、结构相似度、感知图像融合质量这5个评价指标上分别平均提高6.29%、3.58%、29.01%、5.34%、5.77%,融合图像保留了更清晰的纹理细节和更高的对比度,便于疾病的诊断与治疗。 相似文献
2.
针对青铜器小碎片人工拼接复原耗时费力的问题,提出了一种基于曲率特征的青铜器小碎片虚拟拼接方法.首先分别提取青铜器小碎片的轮廓,并在平滑处理提取结果的基础上计算轮廓的曲率.其次以曲率的局部极大值点作候选角点,再根据支撑域消除圆角点和伪角点.然后计算相邻两角点间的弦长,以弦长作为特征序列进行匹配.最后在平移旋转过程中利用向量模的不变性进行匹配精化处理,得到青铜器小碎片的最终拼接结果.实验结果表明,该方法能够有效地提高拼接效率和匹配效果. 相似文献
3.
针对双色中波红外图像特征空间维数高,不易于对其双波段成像差异进行综合分析的问题,提出了一种基于赋权思想及雷达图的双波段图像差异纹理特征的分析方法。该方法首先构造一个特征选择矩阵,利用其选择出能够满足双波段图像差异分布规律的有效纹理特征;然后利用赋权思想将差异不显著的纹理特征去除;最后采用雷达图对保留下的差异特征进行高维显示,并由雷达图中多边形的形状信息得到维数较少的图形特征。实验数据表明,降维后的特征能够综合反映双波段图像的纹理差异幅度,为后期差异特征驱动的多级融合方法探索奠定了基础。 相似文献
4.
5.
针对基于残差网络和密集网络的图像融合方法存在网络中间层的部分有用信息丢失和融合图像细节不清晰的问题,提出了基于双残差超密集网络(Dual Residual Hyper-Densely Networks,DRHDNs)的多模态医学图像融合方法。DRHDNs分为特征提取和特征融合两部分。特征提取部分通过将超密集连接与残差学习相结合,构造出双残差超密集块,用于提取特征,其中超密集连接不仅发生在同一路径的层之间,还发生在不同路径的层之间,这种连接使特征提取更充分,细节信息更丰富,并且对源图像进行了初步的特征融合。特征融合部分则进行最终的融合。通过实验将其与另外6种图像融合方法对4组脑部图像进行了融合比较,并根据4种评价指标进行了客观比较。结果显示,DRHDNs在保留细节、对比度和清晰度等方面都有很好的表现,其融合图像细节信息丰富并且清晰,便于疾病的诊断。 相似文献
6.
7.
8.
为解决多波段融合图像多在灰度空间不利于人眼观察的问题,提出了基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的多波段融合图像彩色化方法.首先将利用颜色迁移和伪彩色融合制作的部分彩色融合结果添加到网络训练库中;其次将训练图像转换到YUV颜色空间;再其次构建卷积神经网络,在其输入端输入Y通道图像,以UV通道图像为目标训练网络,使其能根据输入自动生成UV通道;最后将灰度融合结果作为Y通道输入到训练好的网络,将输出的UV通道与输入再转换到RGB空间,即可得到彩色化的融合结果.实验结果表明DCNN能对灰度融合结果自动彩色化,方法简单易用,彩色更便于人眼观察. 相似文献
10.
为了综合多个合成规则的优点,取得更好的双色中波红外图像融合效果,提出了基于变换域多合成规则的融合方法.采用支持度变换分别获得两个中波细分波段图像的低频成分图像和支持度图像序列;根据像素值最大法、区域特征最大法、区域特征加权法等合成规则的特点,提出了低频成分图像三个合成规则的组合方法;根据支持度图像的能量最大法、区域特征加权法等合成规则的特点,提出了支持度图像序列两个合成规则的组合方法.与单一合成规则的方法相比,融合后的图像局部标准偏差、局部粗糙度和融合质量参数分别提高了6.77%、4.86%和9.59%,实验结果证明了该融合方法的有效性. 相似文献