基于非下采样Shearlet变换的CNN图像融合算法

摘要：

本文以人体脑部组织同一视角下的CT图像和MR图像为融合研究对象,以多尺度几何分析和融合规则两方面为出发点,提出了一种基于非下采样Shearlet变换(Non-Subsampled Shearlet Transform,NSST)的低频域区域能量取大和高频域卷积神经网络(Convolutional Neural Network,CNN)的医学图像融合算法.首先,用NSST对配准好的CT和MR图像进行分解,得到图像的低频分量和高频分量.其次,对描述近似信息的低频分量采用区域能量取大的融合规则,对描述细节信息的高频分量采用CNN的融合规则.最后,用NSST逆变换得到融合图像.仿真结果表明,本文算法有效的综合了CT图像和MR图像中的信息,融合图像更加全面的携带了源图像中的有效特征信息,在主观视觉效果和客观评价指标上均优于其他几种对比融合算法.

关键词：多尺度、非下采样、低频分量、高频分量、区域能量、卷积神经网络

所属期刊栏目：43

分类号：TP302(计算技术、计算机技术)

资助基金：贵州师范大学研究生创新基金资助YC[2017]042;贵州省科学技术基金黔科合J字[2010]2145号

在线出版日期：2019-07-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：37-41,73