论文部分内容阅读
医学图像融合是对多幅不同模态的医学图像进行信息综合,合成一幅包含所有源图像重要信息的融合图像的过程,能够获得比单一模态医学图像更全面的诊断结论。为了能够对图像中每一不同分辨率上的信息进行细致的分析,多分辨率分析方法已成为图像处理领域中公认的一类性能理想的融合方法。尤其是具有平移不变性的非下采样轮廓波变换(NSCT)和非下采样剪切波变换(NSST)两种理论,具有优良的“细节”捕捉能力。本论文将重点研究基于NSCT和NSST的医学图像融合方法,主要研究内容概括如下:首先研究了几种典型的基于多分辨率分析的图像融合方法,包括金字塔变换、小波变换和轮廓波(Contourlet)变换的方法。基于金字塔变换的方法虽然实现方案简单,但结果易出现方块状的痕迹。小波变换具有良好的时频局部分析能力,但是在处理二维图像信号时会有很大的局限性。Contourlet变换的方法具有较高的方向敏感性和较好的非线性逼近性能,后续的研究正是在Contourlet基础之上展开的。接着提出了一种基于非下采样轮廓波变换(NSCT)与改进的脉冲神经网络(PCNN)的图像融合算法。NSCT不仅继承了小波变换的多尺度和良好的时频特性,还具有平移不变性。由于传统的PCNN模型的待定参数较多,计算复杂度略大,本文利用单位链接PCNN模型对原有模型进行简化,并将动态阈值替换成了随迭代次数单调递减的线性函数,将链接强度参数设置为像素点的区域清晰度,设计出了基于NSCT域与改进型PCNN的图像融合方法,通过仿真实例验证了该方法的有效性。最后针对灰度与彩色医学图像融合的问题,提出了基于NSST与非负矩阵分解(NMF)模型的图像融合方法。NSST工具在分解图像时具有更灵活的结构,尤其对彩色图像有更理想的处理性能。在低频、高频子带融合规则上分别有改进之处:第一,发现奇异值分解(SVD)的数学结构与NMF模型十分相似,因此用SVD的方式去构造非负矩阵,能得到较理想的初始值;第二,将视觉敏感度系数和能量匹配度的优势综合互补,能有效地区分背景信息和目标区域。最后以MRI-SPECT图像和MRI-PET图像作为实验对象,所提出的算法能保留较多的彩色信息分量并符合人眼视觉对图像内容的理解与感知。