基于复Shearlet变换耦合改进引导滤波的图像融合算法

为了提升图像融合性能,更好保留源图像信息和提高图像的空间连续性,抑制伪Gibbs效应,通过结合复Shearlet变换(CST)与引导滤波器(GF)的优点,定义了一种新的图像融合方案。首先,通过双树复小波变换(DTCWT)与Shearlet变换,构建了具有平移不变性的CST,利用CST对图像分解,输出低频、高频系数;对于低频系数,利用双尺度引导滤波融合,根据邻域像素之间的强相关性来进行权重优化,提高图像的空间连续性;而对于高频系数,利用改进的Laplacian能量和与引导滤波进行融合;最后,通过逆CST技术来获取融合图像。实验表明,与当前常用图像融合算法比较,对于LIVE数据集中任意尺寸为256×256像素的2幅多聚焦灰度图像(同一场景的左、右聚焦各一幅)而言,当Shearlet变换层数为4时,所提算法具有更好的融合视觉效果与客观评价,可较好地保留源图像的信息,且提高了融合图像的空间连续性,其融合图像的熵值、互信息以及边缘强度值更大,分别为5.97、5.88与0.72。

基于复剪切波变换与VGG19模型的医学图像融合方法

针对传统医学图像融合方法存在的细节信息不够清晰、边缘信息易丢失和图像失真等缺点,以及深度学习网络缺乏足够的训练数据集等问题,提出了一种基于复剪切波变换和预训练网络模型VGG19的多模态医学图像融合方法。首先,利用复剪切波变换提取医学图像边缘和纹理信息,并得到多尺度、多方向的子带系数。然后,使用加权局部能量和修正的拉普拉斯算子对低频子带系数进行融合;引入预训练的VGG19提取多层特征图,结合加权评估规则来获取高频子带的融合结果。最后,对融合的高频和低频子带,施加复剪切波逆变换重构融合图像。实验表明,该方法得到的融合图像,不仅可以清晰地显示图像的细节信息和边缘信息,而且能够有效抑制伪影和失真现象的产生,在主观视觉比较和6种客观评价指标下能够达到更佳融合效果。

复剪切波变换域各向异性滤波DTI去噪

扩散张量成像(Diffusion tensor image,DTI)是测量大脑轴突纤维束完整性的一种新的磁共振成像方法,在揭示与衰老相关的神经退行性疾病的大脑变化方面起着重要作用,其不仅提供了常规核磁共振技术无法获得的图像对比度,而且实现了人体大脑白质中独特信息的获取和神经元路径的3D可视化.然而在DTI成像过程中,由于受到外界噪声的污染,使得获取的图像产生伪像并且造成图像边缘模糊不清,给医学图像的后期处理带来了很大的局限性和挑战.为了减少噪声对DTI图像的影响,并且实现对DTI图像的边缘结构信息进行有效地保留,本文结合多尺度几何变换中的复剪切波变换,利用基于结构张量的各向异性滤波与黎曼框架,提出了一种新的DTI图像去噪算法.为了验证本文所提算法在DTI图像去噪方面的有效性,对模拟和真实DTI数据进行去噪实验,实验结果表明本文所提算法不仅有效地消除了DTI图像中的噪声,还可以更好地保留张量结构.

基于CST域相位与幅值信息的医学图像融合方法

为了克服传统医学图像融合方法不能高效表示待融合图像中医学特征信息的问题,提出一种基于复数剪切波变换域幅值和相位统计信息的医学图像融合方法.首先利用复剪切波变换得到待融合医学图像的低频子带和高频子带,揭示各个高频子带系数相位呈现双峰分布的特点,提出基于两状态Von-Mises分布的相位统计模型;然后将经典的图像结构相似性(structural similarity of image,SSIM)推广至复数剪切波域,给出了结合幅值和相位的SSIM新表达形式,并基于此新表达式和相位统计模型提出全局-局部的融合规则;最后通过逆变换重建得到融合结果.对实验结果进行主观视觉比较和客观量化分析表明,该方法能够得到更好的融合结果.

基于复Shearlet域高斯混合模型的SAR图像去噪

结合双树复小波的平移不变性、多分辨率性和剪切波变换的灵活可选的多方向性,提出一种新的图像表达方法——复Shearlet变换。针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像的相干噪声特点,建立了复Shearlet系数域的高斯混合模型(Gaussian Mixture Model,GSM),在此基础上应用贝叶斯最小二乘法进行系数估计,最后进行复Shearlet反变换得到去噪以后的SAR图像。仿真结果和分析表明:本文提出的算法相比其他变换域去噪算法,不仅去噪后的图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR)有所提高,而且去噪后的图像更平滑,且与Shearlet域高斯混合模型相比,本文算法速度快了两倍多。