基于窗口经验模式分解的医学图像增强

提出了基于窗口经验模式分解(WEMD)的医学图像增强算法。用WEMD算法分解医学图像,能够自适应地提取图像的内涵模式函数(IMF)分量。利用IMF分量图像的直方图服从正态分布的特性,结合直方图匹配算法的增强能力处理前几个IMF分量,经处理的IMF分量中的高频细节信息得到增强。将处理后的IMF分量和剩余分量重构,获取增强的医学图像。实验表明,WEMD算法增强效果优于目前的图像增强算法。

基于WEMD和生成对抗网络重建的红外与可见光图像融合

针对红外与可见光图像融合中边缘模糊、对比度较低的问题,提出一种二维窗口经验模式分解(WEMD)和生成对抗网络重建的红外与可见光图像融合算法。将红外和可见光图像进行WEMD分解得到内蕴模式函数分量和残余分量,将内蕴模式函数分量通过主成分分析进行融合,残余分量用加权平均进行融合,重构得到初步融合图像,再将初步融合图像输入生成对抗网络中与可见光图像进行对抗博弈,补全背景信息,得到最终的融合图像。客观评价指标采用平均梯度、边缘强度、熵值、结构相似性和互信息,与其他5种方法相比,本文算法的各项指标分别平均提高了46.13%,39.40%,19.91%,3.72%,33.10%。实验结果表明,该算法较好地保留了源图像的边缘及纹理细节信息,同时突出了红外图像的目标,具有较好的可视性,而且在客观评价指标方面也有明显的优势。