基于非下采样剪切波变换和特征合成的医学图像融合算法

针对融合后的医学图像时常存在细节纹理不够清晰的问题,本文提出一种新的基于非下采样剪切波变换(Non-Subsampled Shearlet Transform, NSST)的医学图像融合算法,对多模态医学影像进行融合,增强细节结构提取的能力,提高图像融合质量,为医疗诊断提供依据.首先,将已配准的源图像进行NSST分解,得到低频子带和一系列高频子带;其次,对于低频子带系数,提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略,有利于完整保存基础信息,对于高频子带系数,利用改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)的方法进行融合;接着,将融合过后的低、高频子带进行NSST的逆过程变换,从而得到融合之后的图像;最后,在灰度和彩色医学多模态图像上进行大量的实验,并选择信息熵(IE),空间频率(SF),标准差(SD)和平均梯度(AG)对融合后的图像进行质量评价.仿真结果表明,本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比,信息熵,标准差,空间频率和平均梯度的平均值分别提高了2.99%, 4.06%, 1.78%和1.37%,融合后的图像包含更丰富的细节纹理信息,视觉效果更好.

深空组阵算法合成性能对比分析研究

特征值（Eigen）算法和Sumple算法是2种可应用于深空天线组阵的信号合成算法。首先讨论了深空组阵合成的原理和算法评价准则;然后分析了基于Eigen的快速迭代算法PMFM（proposed matrix free method）,并基于PMFM提出一种快速迭代方法——C-PMFM算法,利用C-PMFM单次迭代原理,探讨了Sumple算法与Eigen算法的关系;最后详细仿真并比较了2种算法的合成性能。仿真结果表明：Sumple算法具有极快的收敛速度,适用于长积分时间条件下的组阵合成;C-PMFM 5次迭代算法虽所需的计算量更大,但具有比Sumple算法更优越的低信噪比合成性能。