基于导向滤波器的医学图像融合方法

针对医学图像融合过程中易产生人造纹理的问题,本文将引导滤波器应用到医学图像融合中,有效提高融合图像的空间连续性,减少人造纹理的产生。首先利用导向滤波器的细节增强特性获得图像的细节层信息,主要通过导向滤波器对原图像进行滤波处理得到其基础层图像信息,再与原图像作差运算即可得细节层图像信息;然后采用基于含可变参数p的邻域统计特性融合规则得到图像融合权值系数,该融合规则在原有的邻域统计特性中加入可变参数p,可以有效增强融合图像的细节信息;最后将原图像按照所得的图像融合权值系数进行融合,得到最终的融合图像。实验仿真结果对比分析表明,随着可变参数p的变化,融合效果也有明显的提高,当p>10后,融合效果基本趋于平稳。该融合方法可以有效地实现医学图像融合,与其他融合方法相比,具有一定的优越性。

概率神经网络多模型卡尔曼滤波定位导航算法

交互式多模型扩展卡尔曼滤波(IMM-EKF)算法是解决机动载体运动模型不确定的定位问题的次优算法,在载体做模型确定的运动时该方法仍得到次优解且浪费运算资源。针对IMM-EKF算法的此类缺陷,采用离线训练的概率神经网络模型,实时判断当前运动模型分类,在运动模型确定的状态下选择对应的单一模型进行运算,而在运动模型不确定的状态下选择IMM-EKF算法,既保证定位精度,又减少了不必要的运算量。仿真对比实验验证了相比于IMM-EKF算法,新算法在精度方面的优势。