基于NSCT与DWT的PCNN医学图像融合.docx

基于NSCT与DWT的PCNN医学图像融合
基于NSCT与DWT的PCNN医学图像融合
摘要：医学图像在疾病诊断和治疗中起着重要的作用。然而，由于医学图像的复杂性和多样性，单一的图像可能无法提供足够的信息。因此，医学图像融合技术成为了研究的热点之一。本文提出了一种基于NSCT（Non-subsampledContourletTransform）与DWT（DiscreteWaveletTransform）的PCNN（PulseCoupledNeuralNetwork）医学图像融合方法，该方法可以融合不同分辨率和模态的医学图像，提供更全面的信息，并提高图像质量。实验结果表明，所提出的方法在医学图像融合中具有较好的效果。
1.引言
医学图像融合是指将多幅医学图像中的有用信息融合在一起，生成一幅综合的图像。这种融合可以提供更全面的信息，有助于医生准确诊断和治疗疾病。目前，医学图像融合主要有基于变换的融合方法和基于模型的融合方法。其中，基于变换的融合方法通过对原始图像进行变换，然后对变换后的系数进行融合。基于模型的融合方法则是利用数学模型来描述不同图像间的关系，再根据模型来进行融合。
2.相关工作
在医学图像融合中，变换方法广泛应用于多模态和多分辨率图像的融合。其中，小波变换是最常用的变换之一。小波变换通过对图像进行分解和重构，提取出图像的不同频率和方向上的特征信息。然而，小波变换存在信息损失和边缘模糊的问题。
为了解决小波变换的问题，NSCT被引入到医学图像融合中。NSCT是一种多尺度、多方向的变换方法，可以更好地保留图像的边缘和细节信息。在NSCT中，图像先经过二维Contourlet变换，再经过非下采样的子带变换。通过对Contourlet和子带变换系数进行融合，可以得到更好的融合结果。
另一方面，PCNN是一种生物启发式的图像处理方法，模拟了神经元之间的脉冲耦合现象。PCNN可以提取出图像的纹理和边缘信息，并与变换方法相结合，可以达到更好的融合效果。
3.方法
本文提出了一种基于NSCT和DWT的PCNN医学图像融合方法。首先，将待融合的医学图像分别进行NSCT和DWT变换，得到它们的变换系数。然后，利用PCNN模型对分别进行NSCT和DWT变换后的图像进行分割，得到它们的二值化图像。接下来，将两个二值化图像进行逻辑AND操作，得到一个融合的二值化图像。最后，利用反变换将二值化图像重构成灰度图像，并与原始图像进行融合。
4.实验结果
为了验证所提出方法的有效性，本文选取了一组不同分辨率和模态的医学图像进行实验。实验结果表明，所提出的方法在保留图像细节和边缘信息的同时，能够有效地融合多模态和多分辨率的医学图像。与传统的融合方法相比，所提出方法具有更好的图像质量和融合效果。
5.结论
本文提出了一种基于NSCT和DWT的PCNN医学图像融合方法。该方法通过利用NSCT和DWT的优点，结合PCNN的边缘和纹理提取能力，能够有效地融合多模态和多分辨率的医学图像，提供更全面的信息，并提高图像质量。实验结果表明，所提出的方法在医学图像融合中具有较好的效果。未来的研究方向可以是进一步优化算法，提高融合效果，并将方法应用于实际的医学图像处理中。
参考文献：
[1]Zhou,H.,&Zhang,B.(2017).MedicalimagefusionbasedonNSCTandPCNN.3DResearch,8(1),1-10.
[2]Li,X.,&Chen,Y.(2018).MedicalimagefusionbasedonNSCTandDWT.JournalofMedicalImagingandHealthInformatics,8(5),967-972.
[3]Zhang,J.,Liu,Y.,&Zhang,Y.(2019).Areviewofmedicalimagefusionmethodsbasedonwavelettransform.JournalofHealthcareEngineering,2019.