醫(yī)學(xué)圖像融合是將人體同一部位的兩種或多種不同成像原理的醫(yī)學(xué)圖像,用融合技術(shù)變成一幅具有綜合信息的圖像,以實(shí)現(xiàn)對人體更全面、準(zhǔn)確、詳細(xì)的描述,這對臨床醫(yī)學(xué)診斷治療有重要的意義與價值。近年來,醫(yī)學(xué)圖像融合逐漸成為研究熱點(diǎn),本文針對小波變換容易造成細(xì)節(jié)信息丟失、且圖像融合時信息會相互干擾從而導(dǎo)致綜合性能不佳的問題,圍繞多尺度框架下的醫(yī)學(xué)圖像融合算法展開研究。主要研究內(nèi)容如下:（1）針對小波變換造成細(xì)節(jié)信息丟失、圖像融合時信息相互干擾導(dǎo)致的綜合性能不佳的問題,本文提出一種基于快速有限剪切波變換（Fast Finite Shearlet Transform,FFST）與改進(jìn)脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled Neural Network,PCNN）的醫(yī)學(xué)圖像融合算法。使用FFST對源圖像進(jìn)行分解得到低頻和高頻系數(shù),為了克服FFST低頻系數(shù)不夠稀疏的缺點(diǎn),使用稀疏表示融合方法對低頻系數(shù)進(jìn)行融合,并且不會干擾高頻信息的細(xì)節(jié),高頻系數(shù)則使用改進(jìn)的PCNN來融合,用FFST逆變換來獲得融合后的圖像。多組不同類型醫(yī)學(xué)圖像的實(shí)驗(yàn)分析表明本文提出的融合算法具有較好的性能,融合結(jié)果較好地保持了源圖像信... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于空間域的圖像融合算法研究現(xiàn)狀
        1.2.2 基于變換域的圖像融合算法研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容及結(jié)構(gòu)安排
        1.3.1 主要研究內(nèi)容
        1.3.2 結(jié)構(gòu)安排
第二章 醫(yī)學(xué)圖像融合基本理論
    2.1 快速有限剪切波變換(FFST)基本理論
        2.1.1 剪切波變換
        2.1.2 FFST
    2.2 稀疏表示基本理論
        2.2.1 稀疏表示模型
        2.2.2 系數(shù)求解算法
        2.2.3 字典學(xué)習(xí)算法
    2.3 脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)基本理論
        2.3.1 PCNN的模型
        2.3.2 PCNN的簡化模型
        2.3.3 PCNN的原理
    2.4 本章小結(jié)
第三章 基于FFST與改進(jìn)PCNN的醫(yī)學(xué)圖像融合算法
    3.1 引言
    3.2 基于FFST與改進(jìn)PCNN的醫(yī)學(xué)圖像融合算法
        3.2.1 算法框架
        3.2.2 低頻子帶系數(shù)融合規(guī)則
        3.2.3 高頻子帶系數(shù)融合規(guī)則
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 客觀評價指標(biāo)的選定
        3.3.2 灰度圖像融合結(jié)果與分析
        3.3.3 彩色圖像融合結(jié)果與分析
    3.4 本章小結(jié)
第四章 基于FFST與卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像融合算法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積神經(jīng)網(wǎng)絡(luò)模型
        4.1.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    4.2 基于FFST與卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像融合算法
        4.2.1 算法框架
        4.2.2 低頻子帶系數(shù)二尺度分解
        4.2.3 高頻子帶系數(shù)融合規(guī)則
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 灰度圖像融合結(jié)果與分析
        4.3.2 彩色圖像融合結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]基于快速有限剪切波變換與引導(dǎo)濾波的多聚焦圖像融合算法[J]. 朱達(dá)榮,許露,汪方斌,劉濤,儲朱濤.  激光與光電子學(xué)進(jìn)展. 2018(01)
[2]結(jié)合稀疏表示與神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像融合[J]. 陳軼鳴,夏景明,陳軼才,周剛.  河南科技大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[3]結(jié)構(gòu)稀疏模型[J]. 劉建偉,崔立鵬,羅雄麟.  計算機(jī)學(xué)報. 2017(06)
[4]基于FFST和方向特性對比度的圖像融合算法[J]. 陳清江,魏冰蔗,柴昱洲,張彥博.  激光與紅外. 2016(07)
[5]聯(lián)合稀疏表示的醫(yī)學(xué)圖像融合及同步去噪[J]. 宗靜靜,邱天爽,郭冬梅.  中國生物醫(yī)學(xué)工程學(xué)報. 2016(02)
[6]基于遺傳算法優(yōu)化的稀疏表示圖像融合算法[J]. 趙學(xué)軍,李育珍,雷書彧.  北京郵電大學(xué)學(xué)報. 2016(02)
[7]基于提升小波變換的醫(yī)學(xué)圖像融合[J]. 李俊峰,姜曉麗,戴文戰(zhàn).  中國圖象圖形學(xué)報. 2014(11)
[8]NSCT域內(nèi)基于改進(jìn)PCNN和區(qū)域能量的多光譜和全色圖像融合方法[J]. 李新娥,任建岳,呂增明,沙巍,張立國,何斌.  紅外與激光工程. 2013(11)
[9]基于區(qū)域的非下采樣形態(tài)小波醫(yī)學(xué)圖像融合算法[J]. 曹義親,雷章明,黃曉生.  計算機(jī)應(yīng)用研究. 2012(06)
[10]用于壓縮感知信號重建的正則化自適應(yīng)匹配追蹤算法[J]. 劉亞新,趙瑞珍,胡紹海,姜春暉.  電子與信息學(xué)報. 2010(11)

碩士論文
[1]基于平移不變剪切波變換與深度卷積神經(jīng)網(wǎng)絡(luò)的圖像融合方法[D]. 楊利素.山東理工大學(xué) 2019
[2]基于稀疏表示圖像融合算法的研究及應(yīng)用[D]. 陳軼鳴.南京信息工程大學(xué) 2018
[3]基于非下采樣剪切波變換的圖像融合方法研究與應(yīng)用[D]. 孫裕超.北京交通大學(xué) 2016



本文編號：3169534