首页|基于NSST域混合滤波与改进边缘检测PCNN的医学图像融合

基于NSST域混合滤波与改进边缘检测PCNN的医学图像融合

扫码查看
原文链接
  • 万方数据
  • 维普
针对传统医学图像融合中存在细节模糊、能量保存不完整、运行时间长等问题,提出一种基于非下采样剪切波(non-subsampled shearlet transform,NSST)域混合滤波与改进边缘检测脉冲耦合神经网络(pulse coupled neural network,PCNN)的医学图像融合方法.首先,利用YUV模型进行颜色空间转换分离出亮度通道Y,接着利用混合滤波分别对源核磁共振(magnetic resonance im-aging,MRI)图像和亮度通道的灰度图像进行不同程度的增强.其次,采用NSST对增强后的MRI和亮度通道的灰度图像进行分解,得到高低频子带.低频子带使用修正的拉普拉斯能量和(weighted sum of eight-neighborhood-based modified Laplacian,WSEML)与局部区域能量加权和(weight local energy,WLE)的融合策略,高频子带采用改进边缘检测PCNN的融合策略.最后,经NSST逆变换得到融合图像.通过与其他6种融合方法对比,本文方法可以有效提高图像融合过程中的细节提取和能量保存,且整体算法运行效率高、可视性好.
Medical image fusion based on hybrid filtering and improved edge detection PCNN in NSST domain

image fusionYUV modelcompound filternon-subsampled shearlet transform(NSST)improved edge detection pulse coupled neural network(PCNN)

邸敬、任莉、刘冀钊、廉敬、郭文庆

展开 >

兰州交通大学电子与信息工程学院,甘肃兰州 730070

兰州大学信息科学与工程学院,甘肃兰州 730000

图像融合 YUV模型 混合滤波 非下采样剪切波(NSST) 改进边缘检测脉冲耦合神经网络(PCNN)

甘肃省科技计划国家自然科学基金国家自然科学基金甘肃省杰出青年基金

22JR5RA360620610236194110921JR7RA345

2023

10.16136/j.joel.2023.09.0540

光电子·激光
天津理工大学 中国光学学会

光电子·激光

CSCD北大核心
影响因子：1.437
ISSN：1005-0086
年,卷(期)：2023.34(9)
  • 5