参数自适应脉冲耦合神经网络的医学图像融合算法
针对当前大多数传统的多模态医学图像融合技术不能同时实现能量保存和细节提取而导致信息不足和细节模糊等问题,提出一种基于参数自适应脉冲耦合神经网络(pulse coupled neuralnetwork,PCNN)的医学图像融合算法.首先,从标准库里取出经过配准的四种不同类型的源图像进行非下采样剪切波(non-subsampled shearlet transform,NSST)分解,得到多尺度多方向的低频子带系数和一系列高频子带系数;接着,采用参数自适应PCNN对高频子带进行融合,增强后的高频子带绝对值作为反馈输入自适应调节所有的PCNN参数.低频子带采用改进的平均梯度与空间频率相结合的策略进行图像融合,可以同时做到能量保存与细节提取;最后,经NSST逆变换得到融合后的医学图像.分别对灰度—灰度图像和灰度—彩色图像进行大量的算法融合实验,选取五种具有代表性的医学图像融合算法与之相比,并选择信息熵(IE)、标准差(SD)、边缘强度(ES)、平均梯度(AVG)、融合因子(FF)、结构相似度(SSIM)和清晰度(MG)七种指标对融合后的图像进行质量评价.仿真结果显示,与其它几种算法相比,该融合算法得到的信息熵、标准差、边缘强度、平均梯度、融合因子、结构相似度和清晰度的平均值分别提高了10.48％、2.86％、3.48％、4.92％、4.17％、4.19％和5.12％.融合所得的图像在视觉效果上也有较大优势.实验结果表明,与其他几种算法相比,本文算法在主观视觉以及客观数据上均优于其他算法,具有广阔的应用前景.
图像处理、医学图像融合、NSST、参数自适应、PCNN、改进的平均梯度与空间频率
30
TP391.4.1(计算技术、计算机技术)
国家自然科学基金;浙江省公益性技术应用研究计划;浙江省公益性技术应用研究计划;金华市科学技术研究计划重点项目
2020-04-15（万方平台首次上网日期，不代表论文的发表时间）
共12页
1172-1183
