基于形态学图像增强和PCNN的脑部CT与MRI图像融合
图像在融合过程中容易引入伪吉布斯现象,在图像的边缘细节处容易产生"伪影"和振铃现象.针对以上问题,提出了一种基于形态学图像增强和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的脑部CT与MRI图像融合方法.首先基于形态学对源图像进行开运算和闭运算增强处理,再将增强处理过的图像作为PCNN接收域的输入激励,输入PCNN融合模型内,对模型输出的权重图进行判定,形成一幅清晰并且易于处理的图像.实验结果表明,所提方法在保持边缘清晰化、保留有效信息、平衡冗余现象方面都优于其他方法,经过形态学图像增强和PCNN融合后的图像相较于未经增强处理的PCNN方法所得图像的平均梯度提高了24.59%左右,空间频率提高了42.56%左右;相较于基于拉普拉斯的图像融合方法,图像的标准差提高了16.67%左右.
形态学图像增强、脉冲耦合神经网络模型、融合权重、链接强度、医学图像融合
47
TP391(计算技术、计算机技术)
陕西省自然科学基础研究计划资助项目2018JM1054
2020-10-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
194-199