CN109559292A - 基于卷积稀疏表示的多模态图像融合方法 - Google Patents
基于卷积稀疏表示的多模态图像融合方法 Download PDFInfo
- Publication number
- CN109559292A CN109559292A CN201811400769.7A CN201811400769A CN109559292A CN 109559292 A CN109559292 A CN 109559292A CN 201811400769 A CN201811400769 A CN 201811400769A CN 109559292 A CN109559292 A CN 109559292A
- Authority
- CN
- China
- Prior art keywords
- formula
- low frequency
- frequency component
- image
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 238000002156 mixing Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 26
- 230000004927 fusion Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于卷积稀疏表示的多模态图像融合方法,首先,利用稀疏优化函数将源图像进行两尺度分解得到高频分量和低频分量;然后,将两尺度分解得到的高频和低频分量,根据多模态图像特点采用不同的融合策略,高频分量利用卷积稀疏表示对稀疏系数取最小值的融合策略,低频分量利用取平均的融合策略得到融合后图像的低频分量;最后将得到的融合后图像的高频分量和低频分量相加得到融合图像。相对其他三种融合方法,不论在主观视觉和客观评价指标上还是在计算效率上,本发明方法可以更好保留源图像的细节等纹理信息。
Description
技术领域
本发明涉及一种基于卷积稀疏表示的多模态图像融合方法,可以应用于各种民用的医学图像处理系统。
背景技术
随着计算机技术的高速发展和信息时代的到来,多样化的医学成像设备层出不穷,其应用贯穿于整个临床工作,为医学诊断和治疗提供多种模态医学图像,从解剖上和功能上多样化地描述人体形态信息或代谢信息。然而,受成像原理的限制,单一模态的图像都有各自的优缺点,很难全面地表达所有实用的信息,造成了诊断的局限性。若考虑对多幅非同源医学图像进行融合,整合和突出各自的互补信息,或能达到增强图像质量,减小冗余,为病灶的精准定位提供可靠的诊断治疗依据。因此多模态图像融合技术的研究有着深远的意义。近年,针对多模态图像融合技术,已有大量的图像融合算法被相继提出,并且迅速应用于多模态图像处理的各个方面,取得很好的效果。许多学者们已经提出多种方法进行解决。在多模态图像融合研究中,文献1“Burt P J,Adelson E H.The Laplacian Pyramid asa Compact Image Code[J].Readings in Computer Vision,1983,31(4):532-540.”和文献2“Li H,Manjunath B S,Mitra S K.Multisensor Image Fusion Using the WaveletTransform[C]Image Processing,1995,57(3):235-245.”提出了基于交叉双边滤波器、广义随机游动和马尔可夫随机场的多模态图像融合优化方法,虽然这些方法利用加权平均融合源图像来估计空域平滑和边缘对齐的权值,但是对于这种权值构造和全局优化方法可能会导致对比度降低、计算效率低下和权值的过平滑。此后为了减少建模负担和计算成本,学者们提出基于稀疏表示图像融合的方法,文献3“hang Q,Guo B L.Multifocus imagefusion using the nonsubsampled contourlet transform[J].Signal Processing,2009,89(7):1334-1346.”然而上述基于稀疏表示的算法一直是基于局部图像块的而不是基于整个图像块的,上述方法出现问题:图像细节保持能力有限,配准失调有很高的敏感性。
发明内容
要解决的技术问题
针对多模态图像融合后图像细节保持能力有限,配准失调有很高的敏感性等问题,本发明提出一种基于卷积稀疏表示的多模态图像融合方法。
技术方案
一种基于卷积稀疏表示的多模态图像融合方法,其特征在于步骤如下:
步骤1:多模态图像稀疏优化函数两尺度图像分解
首先将源图像In利用稀疏优化函数分解为一个低频分量和一个高频分量低频分量表示图像光谱信息,高频分量表示图像细节信息;低频部分利用优化数学表达式求解:
式中:表示源图像低频分量傅立叶变化,*表示卷积,η表示正则化参数,设置η为5,GX和GY分别表示沿图像行和列的梯度滤波器;通过求解可得:
这样,通过求解逆傅立叶变化可以分别得到稀疏优化两尺度分解的低频分量和高频分量
步骤2:对于图像的高频部分其稀疏系数为cn,m,m∈{1,2,...,M},cn,m通过求解如下卷积稀疏表示获得:
式中:Dm,Gl表示线性算子,表示一组M个字典滤波器集,{cn,m}是一组稀疏系数集,{αm}和{βm}分别表示一组l1和l2范数的系数权重,是输入源图像的细节层,λ和μ是正则化参数;式中矩阵
那么式(3)的傅里叶变换表达式如下:
式中:D=(D0 D1···),β0和β1表示l2范数的系数权重,α0和α1表示l1范数的系数权重,分别为块矩阵;
引入一个辅助变量y0,y1,y2,将式(4)变换为:
利用对偶变量,引入拉格朗日乘子u0,u1和u2则通过迭代将式(5)的约束优化问题变为非约束优化问题形式:
u0 (j+1)=u0 (j)+C(j+1)-y0 (j+1) (8)
u1 (j+1)=u1 (j)+C(j+1)-y1 (j+1) (9)
u2 (j+1)=u2 (j)+C(j+1)-y2 (j+1) (10)
式(7)通过下式给出:
Sγ(u)=sign(u)⊙max(0,|u|-γ) (12)
由于式(6)的计算效率低下,在DFT域中用 和分别表示Dm、Cm、Γ0、Γ1、y0、y1、y2、u0、u1、u2和ID;在DFT域中通过卷积定理,式(6)可变换为:
式中:
通过对式(13)进行二次优化的求解,对求偏导数并令其为0,可解得:
式中:矩阵为由M个N×N对角矩阵组成,M为滤波器的维数,N为源图像的维数,为一个MN×MN维的对称矩阵,和分别为对角矩阵;考虑到计算效率以及和ρI分别为对角矩阵,利用谢尔曼-莫里森公式对于式(14)求解,则式(14)利用谢尔曼-莫里森公式可求得:
然后对进行逆傅里叶变换,求得cn,m;
假如cn,1:M(x,y)表示cn,m在空间域中位置(x,y)处的内容,cn,1:M(x,y)是一个M维向量;根据基于稀疏表示的融合方法,利用cn,1:M(x,y)的l1范数作为源图像的活动水平度量;则活动水平图An(x,y)通过如下表达式获得:
An(x,y)=||cn,1:M(x,y)||1 (16)
对An(x,y)利用基于窗口的平均策略以获得最终的活动水平图,可得:
式中:r决定窗口的大小,融合后的系数图为:
最后,融合图像的高频分量通过如下得到:
步骤3:多模态图像低频分量通过如下得到:
步骤4:将得到的融合后的高频分量和低频分量进行重构得到融合后的图像,则
有益效果
本发明提出一种卷积稀疏化表示的多模态图像融合算法,解决传统多模态融合算法在各自存在的缺陷。根据多模态图像融合的实验结果证明基于卷积稀疏化表示的多模态算法优于传统多模态图像融合算法的优点。
附图说明
图1本发明方法的基本流程图
图2多模态医学图像:(1)第一组源图像;(2)第二组源图像;(3)第三组源图像;(4)第四组源图像
图3第一组多模态源图像融合结果:(1)源图像1;(2)源图像2;(3)文献1;(4)文献2;(5)文献3;(6)本发明方法
图4第二组多模态源图像融合结果:(1)源图像1;(2)源图像2;(3)文献1;(4)文献2;(5)文献3;(6)本发明方法
图5第三组多模态源图像融合结果:(1)源图像1;(2)源图像2;(3)文献1;(4)文献2;(5)文献3;(6)本发明方法
图6第四组多模态源图像融合结果:(1)源图像1;(2)源图像2;(3)文献1;(4)文献2;(5)文献3;(6)本发明方法
具体实施方式
现结合实施例、附图对本发明作进一步描述:
用于实施的硬件环境是:实验环境为CPU Intel Core i5-5200U@2.20GHz,内存为4GB,采用MATLAB R2014a编程。本发明采用多模态图像进行融合处理。
本发明方法的基本流程如图1所示,实验源图像数据如图2所示,具体实施如下:
步骤一:多模态图像稀疏优化函数两尺度图像分解
首先将源图像In利用稀疏优化函数分解为一个低频分量和一个高频分量分解的图像的低频部分主要表征图像光谱信息;图像的高频部分主要表示图像细节信息。其中低频部分利用优化数学表达式求解:
式中:表示源图像低频分量傅立叶变化,*表示卷积,η表示正则化参数,设置η为5,GX和GY分别表示沿图像行和列的梯度滤波器。通过求解可得:
这样,通过求解逆傅立叶变化可以得到稀疏优化两尺度分解的低频分量高频分量可通过源图像In减去低频分量获得。
步骤二:多模态图像的高频分量
多模态图像的高频分量反映图像边缘、纹理等细节信息。对于图像的高频部分其稀疏系数为cn,m,m∈{1,2,...,M},cn,m可以通过求解如下卷积稀疏表示获得:
式中:Dm,Gl表示线性算子,表示一组M个字典滤波器集,{cn,m}是一组稀疏系数集,{αm}和{βm}分别表示一组l1和l2范数的系数权重,是输入源图像的细节层,λ和μ是正则化参数。式中矩阵
式中:Gl表示线性算子,β0和β1表示l2范数的系数权重,那么式(3)的傅里叶变换表达式如下:
式中:D=(D0 D1···),α0和α1表示l1范数的系数权重,分别为块矩阵。引入一个辅助变量y0,y1,y2,将式(4)变换为:
利用对偶变量,引入拉格朗日乘子u0,u1和u2则通过迭代将式(5)的约束优化问题变为非约束优化问题形式:
u0 (j+1)=u0 (j)+C(j+1)-y0 (j+1) (8)
u1 (j+1)=u1 (j)+C(j+1)-y1 (j+1) (9)
u2 (j+1)=u2 (j)+C(j+1)-y2 (j+1) (10)
式(7)通过下式给出:
Sγ(u)=sign(u)⊙max(0,|u|-γ) (12)
由于式(6)的计算效率低下,在DFT域中用 和分别表示Dm、Cm、Γ0、Γ1、y0、y1、y2、u0、u1、u2和ID。在DFT域中通过卷积定理,式(6)可变换为:
式中:
通过对式(13)进行二次优化的求解,对求偏导数并令其为0,可解得:
式中:矩阵为由M个N×N对角矩阵组成,M为滤波器的维数,N为源图像的维数,为一个MN×MN维的对称矩阵,和分别为对角矩阵。考虑到计算效率以及和ρI分别为对角矩阵,利用谢尔曼-莫里森公式对于式(14)求解,则式(14)利用谢尔曼-莫里森公式可求得:
然后对进行逆傅里叶变换,求得cn,m。
假如cn,1:M(x,y)表示cn,m在空间域中位置(x,y)处的内容,cn,1:M(x,y)是一个M维向量。根据基于稀疏表示的融合方法,利用cn,1:M(x,y)的l1范数作为源图像的活动水平度量。则活动水平图An(x,y)通过如下表达式获得:
An(x,y)=||cn,1:M(x,y)||1 (16)
对An(x,y)利用基于窗口的平均策略以获得最终的活动水平图,可得:
式中:r决定窗口的大小,在多模态图像融合中,由于源图像的小尺度细节往往存在,本发明采用“较小的r”融合策略完成多模态图像高频分量融合,融合后的系数图为:
最后,融合图像的高频分量通过如下得到:
步骤三:多模态图像的低频分量
根据多模态图像特点,本发明采用“平均的融合策略”完成多模态低频分量融合,保留源图像的纹理等细节信息,满足人眼视觉特性,多模态图像低频分量通过如下得到:
步骤四:对两尺度图像的高频和低频分量进行重构,得到多模态融合图像
将得到的融合后的高频分量和低频分量进行重构得到融合后的图像,则
下面结合图1~图6、表1对本发明的效果做进一步描述。
图2是四组多模态源图像。
1.实验条件
实验环境为CPU Intel Core i5-5200U@2.20GHz,内存为4GB,采用MATLAB R2014a编程。本发明采用多模态图像集(256×256)如图2所示。
2.实验内容
图3-图6是多模态图像和融合后图像的对比图。
将四组CT/MRI多模态医学源图像分别经过基于文献1、文献2、文献3及本发明方法进行融合处理,分别对各算法的融合图像进行实验分析。图3-图6为四组CT/MRI多模态医学源图像及其不同算法融合结果图。
从主观视觉上分析,对于融合图像,文献1方法虽然和别的方法相比,在亮度和对比度上优于别的方法,但是局部细节信息丢失严重,(如图3(3)~图6(3));文献2方法出现严重的失真和细节信息丢失现象,(如图3(4)~图6(4));文献3方法所得的融合图像不仅丢失大量的图像细节信息,而且还出现严重的伪影现象,(如图3(5)~图6(5));通过以上几种融合算法的效果对比,本发明方法融合图像主观效果优于其他算法,所得的融合图像不仅可以保留源图像的大量细节信息,又不会产生可见的伪影和亮度失真。
从客观定量分析,采用图像互信息MI、信息结构相似度QY、峰值信噪比PSNR和边缘保持度QAB/F等客观评价指标,对以上几种融合方法效果进行定量评价。对于四组医学图像,本发明融合的方法与其他算法的定量评价比较见表1。从表1可以看到在第一组、第三组和第四组中本发明融合方法的MI、QAB/F、QY和SD都是最大;在第二组中本发明融合方法的QAB/F、SD和MI,只有文献3的QY值最大,但QY值只是略微相差一点。
表1多模态医学图像不同融合方法的客观评价指标
总之,在这四组客观数据比较中,本发明方法的指标基本上都优于文献的方法,综合主观视觉和客观定量评价指标,本发明方法更优于其它算法,可以更有效地从多模态源图像中提取出细节信息,并凸显出显著性特征。
Claims (1)
1.一种基于卷积稀疏表示的多模态图像融合方法,其特征在于步骤如下:
步骤1:多模态图像稀疏优化函数两尺度图像分解
首先将源图像In利用稀疏优化函数分解为一个低频分量和一个高频分量低频分量表示图像光谱信息,高频分量表示图像细节信息;低频部分利用优化数学表达式求解:
式中:表示源图像低频分量傅立叶变化,*表示卷积,η表示正则化参数,设置η为5,GX和GY分别表示沿图像行和列的梯度滤波器;通过求解可得:
这样,通过求解逆傅立叶变化可以分别得到稀疏优化两尺度分解的低频分量和高频分量
步骤2:对于图像的高频部分其稀疏系数为cn,m,m∈{1,2,...,M},cn,m通过求解如下卷积稀疏表示获得:
式中:Dm,Gl表示线性算子,表示一组M个字典滤波器集,{cn,m}是一组稀疏系数集,{αm}和{βm}分别表示一组l1和l2范数的系数权重,是输入源图像的细节层,λ和μ是正则化参数;式中矩阵
那么式(3)的傅里叶变换表达式如下:
式中:D=(D0 D1…),β0和β1表示l2范数的系数权重,α0和α1表示l1范数的系数权重,分别为块矩阵;
引入一个辅助变量y0,y1,y2,将式(4)变换为:
利用对偶变量,引入拉格朗日乘子u0,u1和u2则通过迭代将式(5)的约束优化问题变为非约束优化问题形式:
u0 (j+1)=u0 (j)+C(j+1)-y0 (j+1) (8)
u1 (j+1)=u1 (j)+C(j+1)-y1 (j+1) (9)
u2 (j+1)=u2 (j)+C(j+1)-y2 (j+1)(10)
式(7)通过下式给出:
Sγ(u)=sign(u)⊙max(0,|u|-γ) (12)
由于式(6)的计算效率低下,在DFT域中用 和分别表示Dm、Cm、Γ0、Γ1、y0、y1、y2、u0、u1、u2和ID;在DFT域中通过卷积定理,式(6)可变换为:
式中:
通过对式(13)进行二次优化的求解,对求偏导数并令其为0,可解得:
式中:矩阵为由M个N×N对角矩阵组成,M为滤波器的维数,N为源图像的维数,为一个MN×MN维的对称矩阵,和分别为对角矩阵;考虑到计算效率以及和ρI分别为对角矩阵,利用谢尔曼-莫里森公式对于式(14)求解,则式(14)利用谢尔曼-莫里森公式可求得:
然后对进行逆傅里叶变换,求得cn,m;
假如cn,1:M(x,y)表示cn,m在空间域中位置(x,y)处的内容,cn,1:M(x,y)是一个M维向量;根据基于稀疏表示的融合方法,利用cn,1:M(x,y)的l1范数作为源图像的活动水平度量;则活动水平图An(x,y)通过如下表达式获得:
An(x,y)=||cn,1:M(x,y)||1 (16)
对An(x,y)利用基于窗口的平均策略以获得最终的活动水平图,可得:
式中:r决定窗口的大小,融合后的系数图为:
最后,融合图像的高频分量通过如下得到:
步骤3:多模态图像低频分量通过如下得到:
步骤4:将得到的融合后的高频分量和低频分量进行重构得到融合后的图像,则
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811400769.7A CN109559292A (zh) | 2018-11-22 | 2018-11-22 | 基于卷积稀疏表示的多模态图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811400769.7A CN109559292A (zh) | 2018-11-22 | 2018-11-22 | 基于卷积稀疏表示的多模态图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109559292A true CN109559292A (zh) | 2019-04-02 |
Family
ID=65866996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811400769.7A Pending CN109559292A (zh) | 2018-11-22 | 2018-11-22 | 基于卷积稀疏表示的多模态图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559292A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429392A (zh) * | 2020-04-13 | 2020-07-17 | 四川警察学院 | 基于多尺度变换和卷积稀疏表示的多聚焦图像融合方法 |
CN111429393A (zh) * | 2020-04-15 | 2020-07-17 | 四川警察学院 | 基于卷积弹性网络的多聚焦图像融合方法 |
CN111476748A (zh) * | 2020-04-01 | 2020-07-31 | 广东工业大学 | 一种基于mcp约束卷积稀疏表示的mr图像融合方法 |
CN111680752A (zh) * | 2020-06-09 | 2020-09-18 | 重庆工商大学 | 基于Framelet框架的红外与可见光图像融合方法 |
CN111899208A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积分析算子的多模态图像融合方法 |
CN111899206A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积字典学习的医学脑部图像融合方法 |
CN111899209A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积匹配追踪字典学习的可见光红外图像融合方法 |
CN111899207A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于局部处理卷积字典学习的可见光与红外图像融合方法 |
CN112001870A (zh) * | 2020-08-11 | 2020-11-27 | 四川警察学院 | 基于卷积字典学习的可见光与红外图像融合方法 |
CN112148059A (zh) * | 2020-10-12 | 2020-12-29 | 四川科陆新能电气有限公司 | 一种用于光伏发电站的mppt最大功率跟踪方法 |
CN113592758A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学技术大学 | 一种基于局部对比度预处理的图像融合方法 |
CN114581354A (zh) * | 2022-03-31 | 2022-06-03 | 昆明理工大学 | 一种采用特征相似性分析和多卷积稀疏表示的矿山掘进巷道顶板变形图像融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182954A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学技术大学 | 一种实时的多模态医学图像融合方法 |
CN108399611A (zh) * | 2018-01-31 | 2018-08-14 | 西北工业大学 | 基于梯度正则化的多聚焦图像融合方法 |
CN108830818A (zh) * | 2018-05-07 | 2018-11-16 | 西北工业大学 | 一种快速多聚焦图像融合方法 |
-
2018
- 2018-11-22 CN CN201811400769.7A patent/CN109559292A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182954A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学技术大学 | 一种实时的多模态医学图像融合方法 |
CN108399611A (zh) * | 2018-01-31 | 2018-08-14 | 西北工业大学 | 基于梯度正则化的多聚焦图像融合方法 |
CN108830818A (zh) * | 2018-05-07 | 2018-11-16 | 西北工业大学 | 一种快速多聚焦图像融合方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476748A (zh) * | 2020-04-01 | 2020-07-31 | 广东工业大学 | 一种基于mcp约束卷积稀疏表示的mr图像融合方法 |
CN111476748B (zh) * | 2020-04-01 | 2022-03-25 | 广东工业大学 | 一种基于mcp约束卷积稀疏表示的mr图像融合方法 |
CN111429392A (zh) * | 2020-04-13 | 2020-07-17 | 四川警察学院 | 基于多尺度变换和卷积稀疏表示的多聚焦图像融合方法 |
CN111429393A (zh) * | 2020-04-15 | 2020-07-17 | 四川警察学院 | 基于卷积弹性网络的多聚焦图像融合方法 |
CN111680752A (zh) * | 2020-06-09 | 2020-09-18 | 重庆工商大学 | 基于Framelet框架的红外与可见光图像融合方法 |
CN111680752B (zh) * | 2020-06-09 | 2022-07-22 | 重庆工商大学 | 基于Framelet框架的红外与可见光图像融合方法 |
CN112001870A (zh) * | 2020-08-11 | 2020-11-27 | 四川警察学院 | 基于卷积字典学习的可见光与红外图像融合方法 |
CN111899207A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于局部处理卷积字典学习的可见光与红外图像融合方法 |
CN111899209A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积匹配追踪字典学习的可见光红外图像融合方法 |
CN111899206A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积字典学习的医学脑部图像融合方法 |
CN111899208A (zh) * | 2020-08-11 | 2020-11-06 | 四川警察学院 | 基于卷积分析算子的多模态图像融合方法 |
CN111899209B (zh) * | 2020-08-11 | 2023-09-26 | 四川警察学院 | 基于卷积匹配追踪字典学习的可见光红外图像融合方法 |
CN112148059A (zh) * | 2020-10-12 | 2020-12-29 | 四川科陆新能电气有限公司 | 一种用于光伏发电站的mppt最大功率跟踪方法 |
CN113592758A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学技术大学 | 一种基于局部对比度预处理的图像融合方法 |
CN113592758B (zh) * | 2021-08-02 | 2023-08-29 | 中国科学技术大学 | 一种基于局部对比度预处理的图像融合方法 |
CN114581354A (zh) * | 2022-03-31 | 2022-06-03 | 昆明理工大学 | 一种采用特征相似性分析和多卷积稀疏表示的矿山掘进巷道顶板变形图像融合方法 |
CN114581354B (zh) * | 2022-03-31 | 2023-04-18 | 昆明理工大学 | 一种采用特征相似性分析和多卷积稀疏表示的矿山掘进巷道顶板变形图像融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559292A (zh) | 基于卷积稀疏表示的多模态图像融合方法 | |
Su et al. | Lung nodule detection based on faster R-CNN framework | |
Li et al. | Fully convolutional network ensembles for white matter hyperintensities segmentation in MR images | |
Yang et al. | Research on feature extraction of tumor image based on convolutional neural network | |
Du et al. | An overview of multi-modal medical image fusion | |
Xie et al. | A context hierarchical integrated network for medical image segmentation | |
Pachauri et al. | Topology-based kernels with application to inference problems in Alzheimer's disease | |
Wu et al. | Direct reconstruction of ultrasound elastography using an end-to-end deep neural network | |
Anand et al. | An automated deep learning models for classification of skin disease using Dermoscopy images: A comprehensive study | |
CN110522448A (zh) | 一种基于图卷积神经网络的脑网络分类方法 | |
CN108399611A (zh) | 基于梯度正则化的多聚焦图像融合方法 | |
Wong et al. | GCW-UNet segmentation of cardiac magnetic resonance images for evaluation of left atrial enlargement | |
Cheng et al. | Cortical surface registration using unsupervised learning | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
Kamiya | Deep learning technique for musculoskeletal analysis | |
CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
Woo et al. | A spatio-temporal atlas and statistical model of the tongue during speech from cine-MRI | |
Kamiya et al. | Automated recognition of erector spinae muscles and their skeletal attachment region via deep learning in torso CT images | |
Fu et al. | MDRANet: A multiscale dense residual attention network for magnetic resonance and nuclear medicine image fusion | |
Lin et al. | Method for carotid artery 3-D ultrasound image segmentation based on cswin transformer | |
CN109741439A (zh) | 一种二维mri胎儿图像的三维重建方法 | |
Dai et al. | The application of multi-modality medical image fusion based method to cerebral infarction | |
CN111798452A (zh) | 颈动脉手持超声图像分割方法、系统及装置 | |
Ivanovici et al. | Fractal dimension and lacunarity of psoriatic lesions-a colour approach | |
CN116309754A (zh) | 一种基于局部-全局信息协作的大脑医学图像配准方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190402 |
|
WD01 | Invention patent application deemed withdrawn after publication |