一种多尺度的灰度不均匀图像分割方法

灰度不均匀是阻碍图像准确分割的一种障碍,在真实图像中灰度不均匀现象经常存在。提出一种多尺度的局部区域型水平集方法,通过设定不同的局部区域,分析各个区域的灰度不均匀和拟合项,然后对其求平均值,再借助水平集方法构建最终的能量泛函。对比实验证明了本文提出方法的有效性,且对于灰度不均匀图像能够得到更准确的分割效果。

参数自适应脉冲耦合神经网络的医学图像融合算法

针对当前大多数传统的多模态医学图像融合技术不能同时实现能量保存和细节提取而导致信息不足和细节模糊等问题,提出一种基于参数自适应脉冲耦合神经网络(pulse coupled neural network,PCNN)的医学图像融合算法。首先,从标准库里取出经过配准的四种不同类型的源图像进行非下采样剪切波(non-subsampled shearlet transform,NSST)分解,得到多尺度多方向的低频子带系数和一系列高频子带系数;接着,采用参数自适应PCNN对高频子带进行融合,增强后的高频子带绝对值作为反馈输入自适应调节所有的PCNN参数。低频子带采用改进的平均梯度与空间频率相结合的策略进行图像融合,可以同时做到能量保存与细节提取;最后,经NSST逆变换得到融合后的医学图像。分别对灰度一灰度图像和灰度一彩色图像进行大量的算法融合实验,选取五种具有代表性的医学图像融合算法与之相比,并选择信息熵(IE)、标准差(SD)、边缘强度(ES)、平均梯度(AVG)、融合因子(FF)、结构相似度(SSIM)和清晰度(MG)七种指标对融合后的图像进行质量评价。仿真结果显示,与其它几种算法相比,该融合算法得到的信息熵、标准差、边缘强度、平均梯度、融合因子、结构相似度和清晰度的平均值分别提高了10.48%、2.86%、3.48%、4.92%、4.17%、4.19%和5.12%。融合所得的图像在视觉效果上也有较大优势。实验结果表明,与其他几种算法相比,本文算法在主观视觉以及客观数据上均优于其他算法,具有广阔的应用前景。

基于区域像素差绝对值总和的NSST-PCNN医学图像融合

在诸多医学图像融合方法中,非下采样剪切波(non-down sampling shear wave transporm,NSST)与脉冲耦合神经网络(pulse coupled neural network,PCNN)具有较大优势。提出一种基于区域像素差绝对值总和的NSST与PCNN的医学图像融合算法。该算法先将两幅源图像采用NSST进行分解获得低频子带系数与高频子带系数;再将两幅源图像的低频子带系数采用基于区域像素差绝对值总和的规则进行融合;高频子带系数采用基于区域像素差绝对值总和对PCNN的参数进行设置,再利用PCNN获取融合图像高频系数;最后,经过逆NSST获得融合图像。大量实验证明,提出的融合算法较目前其他主流算法具有明显的优势,能同时保留源图像能量和细节,具有较高的视觉效果。