為了進(jìn)一步突出醫(yī)學(xué)融合圖像的細(xì)節(jié)信息,提升清晰度,本文提出NSST域內(nèi)結(jié)合UDWT與PCNN醫(yī)學(xué)圖像融合算法。首先,將兩幅源圖像分別通過NSST進(jìn)行分解,獲得相應(yīng)的低頻和高頻子帶。在低頻融合規(guī)則中,采用UDWT將低頻子帶進(jìn)一步分解為能量子帶與細(xì)節(jié)子帶,進(jìn)一步利用PCNN融合這兩幅源圖像對(duì)應(yīng)的低頻能量子帶;利用區(qū)域能量和融合這兩幅源圖像的低頻細(xì)節(jié)子帶,再應(yīng)用逆UDWT融合低頻細(xì)節(jié)子帶和能量子帶。其次,在高頻融合規(guī)則中,采取UDWT分別將A和B兩幅源圖像對(duì)應(yīng)的高頻子帶進(jìn)一步分解為高頻能量子帶與高頻細(xì)節(jié)子帶,再根據(jù)拉普拉斯能量和與區(qū)域能量和的組合,獲取融合后的高頻子帶。最后,利用逆NSST獲取融合圖像。實(shí)驗(yàn)證明,本文提出的算法與現(xiàn)有主流算法相比,實(shí)驗(yàn)結(jié)果在視覺效果和客觀指標(biāo)方面均具有較大優(yōu)勢(shì)。 

【文章來源】：光電子·激光. 2020,31(11)北大核心CSCD

【文章頁數(shù)】：9 頁

【文章目錄】：
1 引 言
2 基本原理
    2.1 NSST[11]
    2.2 UDWT[13]
    2.3 PCNN[14]
    2.4 PCNN參數(shù)設(shè)置
3 融合規(guī)則
    3.1 低頻融合規(guī)則
    3.2 高頻融合規(guī)則
4 實(shí)驗(yàn)仿真
5 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]參數(shù)自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像融合算法[J]. 李俊峰,朱文維.  光電子·激光. 2019(11)
[2]基于多分辨率Trace變換的紋理圖像分類[J]. 黎明,邢冬冬,汪宇玲.  電子學(xué)報(bào). 2019(04)
[3]卷積稀疏表示和鄰域特征結(jié)合的多聚焦圖像融合[J]. 董安勇,杜慶治,龍華,邵玉斌.  光電子·激光. 2019(04)
[4]基于邊緣和多特征選擇的多聚焦圖像融合[J]. 李美麗,高楠,折延宏,陸愛國(guó).  光電子·激光. 2019(03)
[5]基于NSST與改進(jìn)PCNN的紅外與可見光圖像融合方法[J]. 李敏,苑賢杰,駱志丹,邱曉華.  光電子·激光. 2019(02)
[6]基于非下采樣剪切波變換的醫(yī)學(xué)圖像邊緣融合算法研究[J]. 李曉軍,戴文戰(zhàn),李俊峰.  光電子·激光. 2018(09)
[7]基于NSST和改進(jìn)PCNN的醫(yī)學(xué)圖像融合[J]. 趙丹,戴文戰(zhàn),李俊峰.  光電子·激光. 2018(01)
[8]基于NSCT的多模態(tài)醫(yī)學(xué)圖像融合算法的研究[J]. 徐磊,曹艷.  中國(guó)醫(yī)療設(shè)備. 2017(12)
[9]基于人眼視覺特性與自適應(yīng)PCNN的醫(yī)學(xué)圖像融合算法[J]. 戴文戰(zhàn),潘樹偉,李俊峰.  光電子·激光. 2017(07)
[10]一種自適應(yīng)區(qū)域融合規(guī)則多聚焦圖像融合算法[J]. 程德強(qiáng),陳剛,高凌志,厲航,黃曉麗,滿廣毅.  激光與光電子學(xué)進(jìn)展. 2017(10)



本文編號(hào)：3638269