基于压缩感知和NSCT-PCNN的PET/CT医学图像融合算法

发布时间：2024-07-06 06:36

　　针对非下采样Contourlet变换(NSCT)后计算复杂度高以及医学融合图像质量差等问题,提出一种基于压缩感知和脉冲耦合神经网(PCNN)的图像融合方法。首先将源图像进行NSCT单层分解;其次,对计算量较大的高频子带采用高斯随机测量矩阵进行压缩测量,融合规则选用绝对值取大的方法,对融合后的高频图像采用正交匹配追踪算法(OMP)进行重构;然后对低频子带采用基于PCNN的融合规则,将低频子带系数作为信号激励PCNN网络,根据低频图像的特性选择较大点火次数的系数作为低频子带融合系数;最后对高频融合图像和低频融合图像通过NSCT逆变换,得到最终的融合图像。实验结果表明:该算法无论从人眼视觉效果还是客观评价指标上均优于其他算法,且具有较强的鲁棒性。

【文章页数】：8 页

【部分图文】：

图1NSCT变换的实现过程

是NSCT变换层级k=1的分解过程。随着层级的增加，低频子带会在NSP上进行迭代操作，若图像经过层级为k的NSCT变换后将得到1个低频图像和∑kk=12ik个高频图像，其中ik表示i在k级分解上的方向数。而NSCT逆变换是将分解滤波器进行恢复重建从而得到融合后的图像。图1为NSC....

图2基于压缩感知的图像重构框架

图3PCNN简化模型结构

后将信号投影到测量值构成的正交空间上，最后得到信号在这一正交空间上的投影分量与残差。图2基于压缩感知的图像重构框架3脉冲耦合神经网络(PCNN)PCNN自20世纪90年代由Eckhom提出以来，受到了人们广泛的研究和应用。它是由多个神经元互联而成的反馈性神经网络，具有全局的耦合性....

图4本文融合算法流程

ij(n)(7)Ykij(n)=1，Ukij(n)＞θkij(n)0，Ukij(n)≤θkij(n{)(8)式中:k为图像的分解层数;n为迭代次数;Skij为神经元的外部输入;Fkij，Lkij分别为神经元的反馈输入和连接输入;β为连接强度;W为连接权重;Ukij，Ykij分别为....

本文编号：4002204