基于多分辨率分析的醫(yī)學(xué)圖像融合技術(shù)研究

《基于多分辨率分析的醫(yī)學(xué)圖像融合技術(shù)研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號：密級：UDC：編號：工學(xué)碩士學(xué)位論文基于多分辨率分析的醫(yī)學(xué)圖像融合技術(shù)研究碩士研究生：田宇指導(dǎo)教師：李一兵教授學(xué)科、專業(yè)：信息與通信工程論文主審人：葉方副教授哈爾濱工程大學(xué)2018年3月分類號：密級：UDC：編號：工學(xué)碩士學(xué)位論文基于多分辨率分析的醫(yī)學(xué)圖像融合技術(shù)研究碩士研究生：田宇指導(dǎo)教師：李一兵教授學(xué)位級別：工學(xué)碩士學(xué)科、專業(yè)：信息與通信工程所在單位：信息與通信工程學(xué)院論文提交日期：2018年01月論文答辯日期：2018年03月學(xué)位授予單位：哈爾濱工程大學(xué)ClassifiedIndex:U.D.C:ADissertationfortheDegr

2、eeofM.EngResearchonTechniquesofMedicalImageFusionBasedonMultiresolutionAnalysisCandidate:TianYuSupervisor:Prof.LiYibingAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:InformationandCommunicationEngineeringDateofSubmission:January,2018DateofOralExamination:March,2018Universit

3、y:HarbinEngineeringUniversity哈爾濱工程大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：本論文的所有工作，是在導(dǎo)師的指導(dǎo)下，由作者本人獨(dú)立完成的。有關(guān)觀點(diǎn)、方法、數(shù)據(jù)和文獻(xiàn)的引用已在文中指出，并與參考文獻(xiàn)相對應(yīng)。除文中已注明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)公開發(fā)表的作品成果。對本文的研究做出重要貢獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。本人完全意識到本聲明的法律結(jié)果由本人承擔(dān)。作者(簽字)：日期：年月日哈爾濱工程大學(xué)學(xué)位論文授權(quán)使用聲明本人完全了解學(xué)校保護(hù)知識產(chǎn)權(quán)的有關(guān)規(guī)定，即研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)屬于哈

4、爾濱工程大學(xué)。哈爾濱工程大學(xué)有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件。本人允許哈爾濱工程大學(xué)將論文的部分或全部內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文，可以公布論文的全部內(nèi)容。同時本人保證畢業(yè)后結(jié)合學(xué)位論文研究課題再撰寫的論文一律注明作者第一署名單位為哈爾濱工程大學(xué)。涉密學(xué)位論文待解密后適用本聲明。本論文(□在授予學(xué)位后即可□在授予學(xué)位12個月后□解密后)由哈爾濱工程大學(xué)送交有關(guān)部門進(jìn)行保存、匯編等。作者(簽字)：導(dǎo)師(簽字)：日期：年月日年月日基于多分辨率分析的醫(yī)學(xué)圖像融合技術(shù)研究摘要醫(yī)學(xué)圖像融合是對多幅不同

5、模態(tài)的醫(yī)學(xué)圖像進(jìn)行信息綜合，合成一幅包含所有源圖像重要信息的融合圖像的過程，能夠獲得比單一模態(tài)醫(yī)學(xué)圖像更全面的診斷結(jié)論。為了能夠?qū)D像中每一不同分辨率上的信息進(jìn)行細(xì)致的分析，多分辨率分析方法已成為圖像處理領(lǐng)域中公認(rèn)的一類性能理想的融合方法。尤其是具有平移不變性的非下采樣輪廓波變換（NSCT）和非下采樣剪切波變換（NSST）兩種理論，具有優(yōu)良的“細(xì)節(jié)”捕捉能力。本論文將重點(diǎn)研究基于NSCT和NSST的醫(yī)學(xué)圖像融合方法，主要研究內(nèi)容概括如下：首先研究了幾種典型的基于多分辨率分析的圖像融合方法，包括金字塔變換、小波變換和輪廓波（Contourlet）變換的方法。

6、基于金字塔變換的方法雖然實(shí)現(xiàn)方案簡單，但結(jié)果易出現(xiàn)方塊狀的痕跡。小波變換具有良好的時頻局部分析能力，但是在處理二維圖像信號時會有很大的局限性。Contourlet變換的方法具有較高的方向敏感性和較好的非線性逼近性能，后續(xù)的研究正是在Contourlet基礎(chǔ)之上展開的。接著提出了一種基于非下采樣輪廓波變換（NSCT）與改進(jìn)的脈沖神經(jīng)網(wǎng)絡(luò)（PCNN）的圖像融合算法。NSCT不僅繼承了小波變換的多尺度和良好的時頻特性，還具有平移不變性。由于傳統(tǒng)的PCNN模型的待定參數(shù)較多，計算復(fù)雜度略大，本文利用單位鏈接PCNN模型對原有模型進(jìn)行簡化，并將動態(tài)閾值替換成了隨迭代

7、次數(shù)單調(diào)遞減的線性函數(shù)，將鏈接強(qiáng)度參數(shù)設(shè)置為像素點(diǎn)的區(qū)域清晰度，設(shè)計出了基于NSCT域與改進(jìn)型PCNN的圖像融合方法，通過仿真實(shí)例驗證了該方法的有效性。最后針對灰度與彩色醫(yī)學(xué)圖像融合的問題，提出了基于NSST與非負(fù)矩陣分解（NMF）模型的圖像融合方法。NSST工具在分解圖像時具有更靈活的結(jié)構(gòu)，尤其對彩色圖像有更理想的處理性能。在低頻、高頻子帶融合規(guī)則上分別有改進(jìn)之處：第一，發(fā)現(xiàn)奇異值分解（SVD）的數(shù)學(xué)結(jié)構(gòu)與NMF模型十分相似，因此用SVD的方式去構(gòu)造非負(fù)矩陣，能得到較理想的初始值；第二，將視覺敏感度系數(shù)和能量匹配度的優(yōu)勢綜合互補(bǔ)，能有效地區(qū)分背景信息和目

8、標(biāo)區(qū)域。最后以MRI-SPECT圖像和MRI-PET圖像作為實(shí)驗對