摘要中提出了一种结合稀疏表示与脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)的医学图像融合算法。该方法主要用于解决非下采样轮廓波变换(NSCT)分解得到的低频子带系数不具备稀疏性的问题,从而提高医学图像融合的质量,保留更多的图像细节信息。
源图像通过NSCT被分解为低频和高频子带系数。接着,利用K奇异值分解(K-Singular Value Decomposition, K-SVD)训练低频子带系数以获取过完备字典D。然后,通过正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法对低频子带系数进行稀疏编码,实现低频子带系数的融合。对于高频子带,利用PCNN根据点火次数选择融合系数。将融合的低频和高频子带系数通过NSCT逆变换重构出融合的医学图像。
实验结果显示,该算法在边缘信息传递因子QAB/F指标上,对于灰度和彩色图像融合分别提升了约34%和10%,并且综合性能优于现有的融合算法。
关键词涉及的技术包括非下采样轮廓波变换(NSCT)、K奇异值分解(K-SVD)、正交匹配追踪(OMP)、稀疏表示和脉冲耦合神经网络(PCNN)。这些技术在医学图像处理领域具有重要意义。
NSCT是一种多分辨率分析工具,可以有效地分析图像的频率特性,特别是在医学图像融合中,能提供更好的图像细节保持能力。K-SVD是字典学习方法,用于创建一个能够有效表示数据的字典,使得数据在该字典上的表示更加稀疏。OMP是一种稀疏表示恢复算法,它在寻找最优稀疏表示时,通过迭代找到与观测数据最匹配的原子集合。
PCNN是一种模拟神经元活动的模型,能够处理图像的局部特征,特别是在边缘检测和图像分割中表现突出。在图像融合中,PCNN可以根据像素强度和邻域关系产生点火信号,帮助选择合适的融合策略。
结合以上技术,提出的医学图像融合算法能够更好地提取和融合不同模态医学图像的信息,提高临床辅助诊断的准确性和效率。通过稀疏表示和神经网络的结合,不仅能够保留图像的细节,还能利用神经网络的学习能力优化融合过程,从而获得更高质量的融合图像。这种融合方法对于处理CT、MRI、PET等不同成像技术的医学图像有着广泛的应用前景。