醫(yī)學圖像融合方法的應用研究.pdf

1、醫(yī)學圖像融合是一門集信號處理、人工智能技術等多種現(xiàn)代科學技術的學科,本文主要是圍繞多模態(tài)醫(yī)學圖像融合的應用研究而展開的。醫(yī)學圖像融合包括很多種方法,沒有哪一種方法是最好的并且適用于所有的融合場所,本文通過對現(xiàn)有的常用的醫(yī)學圖像融合方法研究的基礎上,發(fā)現(xiàn)目前基于小波變換和基于傳統(tǒng)PCNN模型等多種的融合方法都存在著一些不足,于是針對上述這些融合方法的不足提出了以下優(yōu)化及改進的方法,并通過仿真實驗得到了相關結論,從而改善了圖像的融合效果,具

2、體內(nèi)容如下:
　　1.小波變換是信號時頻分析以及處理的有利工具,在實際應用中具有能夠單獨突出問題某些方面的特征的優(yōu)點,因此在諸多領域中得到了越來越廣泛的應用。對于圖像融合的處理過程,如何選取融合規(guī)則也很重要。由于實際的小波分解中低頻和高頻的圖像傳達的信息各有不同,因此采用的融合規(guī)則也不一樣:在低頻小波系數(shù)融合中Tenengrad函數(shù)利用Sobel算子來獲取水平和垂直方向的梯度大小,從而更多的保留了低頻的能量以及源圖像的邊緣信息;在

3、高頻小波系數(shù)融合中采取基于局域方差取大準則的方法,這樣既平均化了圖像各區(qū)域內(nèi)的隨機噪聲,又避免了融合過程中高頻能量的過多損失,從而有效地融合了多張不同源圖像的紋理特征和細節(jié)信息;另外,由于小波變換中各系數(shù)來源的一致性會對圖像的融合效果產(chǎn)生影響,所以需進一步對來自于低頻和高頻的系數(shù)進行一致性檢驗,實驗證明采用經(jīng)過檢驗之后的小波系數(shù)重構的圖像具備更清晰、準確的融合效果。
　　2.脈沖耦合神經(jīng)網(wǎng)絡與傳統(tǒng)的神經(jīng)網(wǎng)絡有著比較大的差別,它衍生

4、于生物學,是根據(jù)動物(諸如貓和猴子等)大腦皮層上的同步脈沖發(fā)放現(xiàn)象而被定義產(chǎn)生的。它在圖像分割、圖像邊緣檢測、圖像細化以及圖像識別等方面有著廣泛的應用,并顯現(xiàn)了其獨特的優(yōu)越性,但同時也存在著計算量大、需要用戶設置網(wǎng)絡結構以及較多參數(shù)等不足之處,針對上述問題,本文通過對雙通道PCNN模型的改進,提出了一種鄰域SEML激勵的自適應雙通道PCNN新方法,即通過提高模型的性能和PCNN進行自動化圖像處理的能力。實驗結果證明該方法得到的融合圖像比