醫(yī)學(xué)影像作為醫(yī)學(xué)診斷的重要判斷依據(jù),保證圖像信息的豐富度和清晰度至關(guān)重要。但單模態(tài)的醫(yī)學(xué)影像表現(xiàn)內(nèi)容單一,而融合圖像包含多模態(tài)的圖像信息,在臨床實(shí)際操作中具有可行性,為醫(yī)學(xué)診斷提供了更加可靠的依據(jù)。隨著醫(yī)學(xué)診斷要求的提高,醫(yī)學(xué)圖像融合效果符合人類視覺感知、減少先驗(yàn)知識(shí)對(duì)融合效果的影響和增強(qiáng)細(xì)節(jié)表現(xiàn)力是需要努力的方向。針對(duì)傳統(tǒng)醫(yī)學(xué)圖像融合中圖像存在偽影,且需要依靠先驗(yàn)知識(shí)手動(dòng)設(shè)置融合規(guī)則和參數(shù),導(dǎo)致融合效果存在不確定性、細(xì)節(jié)表現(xiàn)力不足的問題,本文從以下幾方面進(jìn)行了研究和改進(jìn):(1)提出基于拉普拉斯金字塔和卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像融合方法,首先,將源圖像分別輸入?yún)^(qū)域拉普拉斯金字塔進(jìn)行分解;然后,對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),將基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的評(píng)價(jià)指標(biāo)替換為基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化,通過步長(zhǎng)為2的標(biāo)準(zhǔn)卷積層進(jìn)行降維,采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)通過不斷迭代,生成最優(yōu)權(quán)重圖指導(dǎo)融合過程,通過實(shí)驗(yàn)確定最佳迭代次數(shù);最后通過區(qū)域拉普拉斯金字塔的逆過程生成融合圖像。通過仿真實(shí)驗(yàn)驗(yàn)證,該算法不僅在參數(shù)自適應(yīng)方面取得良好的改進(jìn),并且在主觀視覺和客觀評(píng)價(jià)指標(biāo)上都取得了良好的融合效果,在實(shí)際的應(yīng)用中具有可行性。(2)提出基...

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1三個(gè)不同層次上的多源圖像融合FIG.1-1Schematicdiagramofmulti-sourceimagefusionatthreedifferentlevels

中北大學(xué)學(xué)位論文2信道圖像信息的高質(zhì)量圖像。在不同的角度、層次或不同的類型傳感器對(duì)于同一目標(biāo)的不同圖像信息進(jìn)行提取并進(jìn)行融合，同時(shí)將圖像中的低透明度信息通過圖像去噪、增強(qiáng)等圖像處理技術(shù)進(jìn)行處理，從而使圖像的精準(zhǔn)度、還原度和使用可靠性得到明顯的改善，對(duì)目標(biāo)圖像生成具有更加清晰度、表....

圖1-2神經(jīng)元模型

中北大學(xué)學(xué)位論文4信號(hào)的一個(gè)輸出信號(hào)。圖1-2神經(jīng)元模型FIG.1-2Neuronmodel雖然神經(jīng)元作為獨(dú)立元件其結(jié)構(gòu)簡(jiǎn)單、功能單一，但大量神經(jīng)元共同組成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、系統(tǒng)行為豐富。神經(jīng)網(wǎng)絡(luò)成為熱門突出優(yōu)勢(shì)在于其拓?fù)浣Y(jié)構(gòu)、學(xué)習(xí)能力和超大規(guī)模集成電路，打破了原有模型“神經(jīng)元....

圖1-3論文組織結(jié)構(gòu)

中北大學(xué)學(xué)位論文6圖1-3論文組織結(jié)構(gòu)FIG.1-3Organizationalstructure第一章：緒論。介紹本論文的研究方向的背景及意義，查閱國內(nèi)外有關(guān)文獻(xiàn)和會(huì)議資料，具體探究圖像融合和神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀，并確定本論文的具體研究?jī)?nèi)容和組織結(jié)構(gòu)。第二章：圖像融合基本理論。闡....

圖2-1GAN的基本框架

中北大學(xué)學(xué)位論文15圖2-1GAN的基本框架FIG.2-1ThebasicframeworkofGANGAN是同時(shí)訓(xùn)練兩個(gè)模型，一個(gè)用來捕獲數(shù)據(jù)分布的生成器模型（Generative，G）和一個(gè)用來估計(jì)樣本的判別模型（Discriminative，D）。G和D在對(duì)抗的框架下進(jìn)行學(xué)....

本文編號(hào)：3986659