多尺度分析与脉冲耦合神经网络相结合的医学图像融合算法研究
发布时间：2021-07-21 16:00
随着科学技术的进步,图像科技取得了很大进展。但是单传感器所采集的影像特性单一,对于提取、分析图像中的内容,以及图像的后续处理造成很大局限性。由此,图像融合应运而生。图像融合是将不同传感器或不同特性的图像,运用一定方法组合成一张图像的技术。自出现以来,一直受到越来越广泛的关注并在生产、生活中发挥着越来越重要的作用,特别是医学图像融合在临床医疗事业中的运用,取得了巨大成功。医学图像融合是根据图像的特性将不同模态的医学影像如核磁共振成像与正电子发射计算机断层成像（MRI-PET）、核磁共振成像与单光子发射计算机断层成像（MRI-SPECT）、核磁共振成像与计算机断层扫描成像（MRI-CT）等,采用合适的方法整合到一张图像当中的过程。医学图像融合是图像融合的重要分支,其在提高临床诊断率、准确进行疾病治疗等方面发挥着重要作用。本篇论文的主要工作如下:1)本文详细介绍了当前几种主要的多尺度分析方法,介绍了脉冲耦合神经网络（PCNN）的基本原理,总结了当前几种主要的图像融合评价方法,并对常用的融合规则进行了介绍;2)在传统空间频率的基础上,针对MRI-SPECT、MRI-PET融合,提出一种基于伪空...
【文章来源】：云南大学云南省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
一IDWT的分解结构
首先对源始图像进行离散余弦ＤＣＴ变换，然后系数组化为ＤＣ１、ＤＣ２、ＤＣ３、??Ｃ４，接着对ＤＣ２、ＤＣ３、ＤＣ４分别进行离散余弦逆运算得到方垂直、对角、水平??向性细节信息，在Ｃ１上依次进行上述过程可以得到第二层分解结果。??１．３?曲波变换?Ｃｕｒｖｅｌｅｔ??Ｃｕｒｖｅｌｅｔ变换是一些列子带滤波器［４Ｓ］和脊波变换［４９］［５Ｑ］的基础上建立而来。相??于传统的小波变换方法，Ｃｕｒｖｅｌｅｔ含有处理方向信息的方向参数，具有优良的方??各异性，对表示图像的边缘信息、处理曲线的奇点等更加有效，另外，其可以使??更少的系数准确重构出源图像［５１］。??Ｃｕｒｖｅｌｅｔ变换一般过程如下：??子带分解。设二维目标函数为／通过定义的子带滤波器组ｇ，（Ａｓ，ｓ２０）将／进??分解，??－＞ＦＡＡ．．．（２－８）??
ｇＱ＝｛ＴＱＹ＼ｗＱ＼ｆ）?（２－１２）??脊波分析。最后局部窗内的系数进行正交脊波分析，设正交基的基本元素为??巧，则分析结果可表示为，??ａｕ＝｛ｓｅ，Ｐ；．）?（２－１３）??Ｃｕｒｖｅｌｅｔ逆变换即为公式（２－８）至（２－１３）的逆运算，先后顺序为脊波分析、??重正则化、平滑分割和子带重构，??Ｓｑ??义??ｈｇ＝（Ｔｅ）ｇ〇，??＇ｆ?ａ?（２－１４）??Ｑ＾ＱＳ??ｆ?＝?Ｐ〇（Ｐ〇ｆ）?＋?Ｙ＾（Ａｓｆ）??、?５＞０??其中，ｒｅ为正则化后的结果。详细Ｃｕｒｖｅｌｅｔ变换过程可参见文献［５４］。??Ｃｕｒｖｅｌｅｔ分解变换结构如图２－３所示。??
【参考文献】：
期刊论文
[1]基于两种不同高频融合规则的医学图像融合[J]. 孟令玉,聂仁灿,何敏,周冬明. 计算机工程与设计. 2019(02)
[2]基于一种新分解框架结合局部拉普拉斯滤波的医学图像融合[J]. 孟令玉,聂仁灿,周冬明,贺康建,何敏. 计算机应用. 2018(S2)
[3]基于非下采样剪切波变换域的图像增强方法[J]. 蒋燕,范恩. 控制工程. 2018(11)
[4]基于萤火虫优化的自适应PCNN遥感图像融合[J]. 赵春晖,张宏宇,闫奕名,宿南. 哈尔滨工程大学学报. 2019(03)
[5]基于稀疏表示的医学图像融合[J]. 邱红梅,李华锋,余正涛. 传感器与微系统. 2017(10)
[6]基于人眼视觉特性与自适应PCNN的医学图像融合算法[J]. 戴文战,潘树伟,李俊峰. 光电子·激光. 2017(07)
[7]核范数和谱范数下广义Sylvester方程最小二乘问题的有效算法[J]. 李姣芬,宋丹丹,李涛,黎稳. 计算数学. 2017(02)
[8]基于SCM模型的自适应医学图像融合方法[J]. 牛玲,王雪华. 西南师范大学学报(自然科学版). 2017(02)
[9]基于离散余弦变换的非局部均值图像去噪算法[J]. 沈萍萍,余勤. 计算机工程与设计. 2017(01)
[10]基于人眼视觉特性的NSCT医学图像自适应融合[J]. 戴文战,姜晓丽,李俊峰. 电子学报. 2016(08)
博士论文
[1]基于多尺度分解的多源图像融合算法研究[D]. 李勇.吉林大学 2010
硕士论文
[1]基于引导滤波的NSCT域图像融合方法研究[D]. 姚吉.南昌航空大学 2018
[2]方向滤波器组的构造及其在图像融合中的应用[D]. 董迪.湖北大学 2017
[3]基于稀疏表示的医学图像融合算法研究[D]. 殷鑫华.浙江理工大学 2017
[4]基于自适应云模型的多模态医学图像融合方法研究[D]. 赵佳.重庆邮电大学 2016
[5]基于离散小波变换的多模态医学图像融合算法研究[D]. 徐磊.南京医科大学 2016
[6]基于PCNN的图像融合方法的研究[D]. 于海慧.华北电力大学 2015
[7]基于小波变换的图像融合算法的研究[D]. 杨娇.中国地质大学（北京） 2014
[8]基于稀疏表示与字典学习的图像融合方法研究[D]. 姜东.西安电子科技大学 2013
[9]子带滤波器组的设计与应用研究[D]. 李阜东.西安电子科技大学 2003
本文编号：3295334
【文章来源】：云南大学云南省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
一IDWT的分解结构
首先对源始图像进行离散余弦ＤＣＴ变换，然后系数组化为ＤＣ１、ＤＣ２、ＤＣ３、??Ｃ４，接着对ＤＣ２、ＤＣ３、ＤＣ４分别进行离散余弦逆运算得到方垂直、对角、水平??向性细节信息，在Ｃ１上依次进行上述过程可以得到第二层分解结果。??１．３?曲波变换?Ｃｕｒｖｅｌｅｔ??Ｃｕｒｖｅｌｅｔ变换是一些列子带滤波器［４Ｓ］和脊波变换［４９］［５Ｑ］的基础上建立而来。相??于传统的小波变换方法，Ｃｕｒｖｅｌｅｔ含有处理方向信息的方向参数，具有优良的方??各异性，对表示图像的边缘信息、处理曲线的奇点等更加有效，另外，其可以使??更少的系数准确重构出源图像［５１］。??Ｃｕｒｖｅｌｅｔ变换一般过程如下：??子带分解。设二维目标函数为／通过定义的子带滤波器组ｇ，（Ａｓ，ｓ２０）将／进??分解，??－＞ＦＡＡ．．．（２－８）??
ｇＱ＝｛ＴＱＹ＼ｗＱ＼ｆ）?（２－１２）??脊波分析。最后局部窗内的系数进行正交脊波分析，设正交基的基本元素为??巧，则分析结果可表示为，??ａｕ＝｛ｓｅ，Ｐ；．）?（２－１３）??Ｃｕｒｖｅｌｅｔ逆变换即为公式（２－８）至（２－１３）的逆运算，先后顺序为脊波分析、??重正则化、平滑分割和子带重构，??Ｓｑ??义??ｈｇ＝（Ｔｅ）ｇ〇，??＇ｆ?ａ?（２－１４）??Ｑ＾ＱＳ??ｆ?＝?Ｐ〇（Ｐ〇ｆ）?＋?Ｙ＾（Ａｓｆ）??、?５＞０??其中，ｒｅ为正则化后的结果。详细Ｃｕｒｖｅｌｅｔ变换过程可参见文献［５４］。??Ｃｕｒｖｅｌｅｔ分解变换结构如图２－３所示。??
【参考文献】：
期刊论文
[1]基于两种不同高频融合规则的医学图像融合[J]. 孟令玉,聂仁灿,何敏,周冬明. 计算机工程与设计. 2019(02)
[2]基于一种新分解框架结合局部拉普拉斯滤波的医学图像融合[J]. 孟令玉,聂仁灿,周冬明,贺康建,何敏. 计算机应用. 2018(S2)
[3]基于非下采样剪切波变换域的图像增强方法[J]. 蒋燕,范恩. 控制工程. 2018(11)
[4]基于萤火虫优化的自适应PCNN遥感图像融合[J]. 赵春晖,张宏宇,闫奕名,宿南. 哈尔滨工程大学学报. 2019(03)
[5]基于稀疏表示的医学图像融合[J]. 邱红梅,李华锋,余正涛. 传感器与微系统. 2017(10)
[6]基于人眼视觉特性与自适应PCNN的医学图像融合算法[J]. 戴文战,潘树伟,李俊峰. 光电子·激光. 2017(07)
[7]核范数和谱范数下广义Sylvester方程最小二乘问题的有效算法[J]. 李姣芬,宋丹丹,李涛,黎稳. 计算数学. 2017(02)
[8]基于SCM模型的自适应医学图像融合方法[J]. 牛玲,王雪华. 西南师范大学学报(自然科学版). 2017(02)
[9]基于离散余弦变换的非局部均值图像去噪算法[J]. 沈萍萍,余勤. 计算机工程与设计. 2017(01)
[10]基于人眼视觉特性的NSCT医学图像自适应融合[J]. 戴文战,姜晓丽,李俊峰. 电子学报. 2016(08)
博士论文
[1]基于多尺度分解的多源图像融合算法研究[D]. 李勇.吉林大学 2010
硕士论文
[1]基于引导滤波的NSCT域图像融合方法研究[D]. 姚吉.南昌航空大学 2018
[2]方向滤波器组的构造及其在图像融合中的应用[D]. 董迪.湖北大学 2017
[3]基于稀疏表示的医学图像融合算法研究[D]. 殷鑫华.浙江理工大学 2017
[4]基于自适应云模型的多模态医学图像融合方法研究[D]. 赵佳.重庆邮电大学 2016
[5]基于离散小波变换的多模态医学图像融合算法研究[D]. 徐磊.南京医科大学 2016
[6]基于PCNN的图像融合方法的研究[D]. 于海慧.华北电力大学 2015
[7]基于小波变换的图像融合算法的研究[D]. 杨娇.中国地质大学（北京） 2014
[8]基于稀疏表示与字典学习的图像融合方法研究[D]. 姜东.西安电子科技大学 2013
[9]子带滤波器组的设计与应用研究[D]. 李阜东.西安电子科技大学 2003
本文编号：3295334
本文链接：https://www.wllwen.com/linchuangyixuelunwen/3295334.html
最近更新
教材专著
