CN113129244A - 一种基于局部拉普拉斯分解的多尺度医学图像融合方法 - Google Patents

一种基于局部拉普拉斯分解的多尺度医学图像融合方法 Download PDF

Info

Publication number
CN113129244A
CN113129244A CN202110412320.8A CN202110412320A CN113129244A CN 113129244 A CN113129244 A CN 113129244A CN 202110412320 A CN202110412320 A CN 202110412320A CN 113129244 A CN113129244 A CN 113129244A
Authority
CN
China
Prior art keywords
image
medical image
local
fused
scale
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.)
Granted
Application number
CN202110412320.8A
Other languages
English (en)
Other versions
CN113129244B (zh
Inventor
李伟生
晁菲菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110412320.8A priority Critical patent/CN113129244B/zh
Publication of CN113129244A publication Critical patent/CN113129244A/zh
Application granted granted Critical
Publication of CN113129244B publication Critical patent/CN113129244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明请求保护一种基于局部拉普拉斯分解的多尺度医学图像融合方法，包括步骤：S1将配准后的解剖型医学图像和功能型医学图像进行局部拉普拉斯滤波处理，分解为细节增强的多尺度近似图像和残差图像；S2使用基于感兴趣的规则融合残差图像；S3使用rgb2ycbcr算法和迭代联合滤波器融合近似图像；S4采用局部拉普拉斯的逆运算对多尺度融合图像进行重构。本发明有效解决了医学图像融合方法在解剖医学图像和功能医学图像融合时产生的颜色失真以及细节信息丢失等问题。

Description

一种基于局部拉普拉斯分解的多尺度医学图像融合方法
技术领域
本发明属于图像处理技术领域，特别涉及基于局部拉普拉斯分解和结构感知的多尺度医学图像融合方法。
背景技术
医学图像融合方法属于计算机视觉领域，并在医学影像和临床诊断等方面有着广泛的应用。医学图像融合方法主要分为基于单尺度的融合方法和基于多尺度的融合方法两类。
相比于单尺度像素级医学图像融合方法，像素级多尺度医学图像融合方法在不同尺度子带图像上进行图像像素值的特征提取能有效地提高融合图像的质量。基于传统的多尺度融合方法中，基于高斯金字塔的金字塔变换在卷积和降采样操作中会丢失部分细节信息，无法捕捉到方向信息。采用小波变换和复小波变换进行融合，在分解过程中提供了方向信息。然而，基于小波变换的方法受到融合图像模糊的限制。基于平行六面体变换的轮廓波变换、非下采样剪切波、剪切变换等融合方法被提出。这些融合方法的重点是设计过滤器来提取更详细的信息。因此，这些方法需要更高的计算复杂度来优化参数，降低了它们的效率。
近年来，基于多尺度分解的融合算法在医学图像融合方面取得了优异的成绩。但是主流的方法中依然由于分解工具和融合规则的选择仍存在颜色失真，伪影，细节丢失等问题。因此我们使用局部拉普拉斯分解对输入图像进行边缘保留以及细节增强。然后利用rgb2ycbcr算法提取近似的功能医学图像的亮度图，避免在融合结果中引入颜色失真。再利用迭代联合滤波器处理近似图像以保留输入图像小尺度上的细节信息。实验表明利用局部拉普拉斯分解，rgb2ycbcr算法，和迭代联合滤波器完成医学图像融合更能达到令人满意的融合效果，能够获取高质量的融合图像，减少颜色失真，保留边缘和细节信息。
虽然融合方法很多，但是在实际场景下仍然存在很多挑战，例如噪声影响，待融合图像本身质量，颜色失真，图像伪影问题等。当前的基于多尺度分解和结构感知的融合方法，虽然解决了颜色失真和小尺度细节信息丢失的问题，但是运行时间较长。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于局部拉普拉斯分解的多尺度医学图像融合方法。本发明的技术方案如下：
一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其包括以下步骤：
S1、获取解剖型医学图像和功能型医学图像，并对解剖型医学图像和功能型医学图像分别进行局部拉普拉斯滤波处理，分解为细节增强的多尺度近似图像和残差图像；
S2、利用基于感兴趣的规则将步骤S1的残差图像分为感兴趣区域和非感兴趣区域，然后使用局部能量最大规则融合感兴趣区域融合感兴趣区域，使用局部能量平均规则融合非感兴趣区域，融合的残差图像是融合过的感兴趣区域和非感兴趣区域相加得到；
S3、使用rgb2ycbcr算法处理近似的功能医学图像，得到近似功能医学图像对应的亮度图，然后利用梯度图和迭代联合滤波器将亮度图与近似解剖医学图像进行融合，最后经过ycbcr2rgb算法得到融合的近似图像；
S4、采用局部拉普拉斯的逆运算对多尺度融合图像进行重构。
进一步的，所述步骤S1的图像分解以局部拉普拉斯滤波器为工具，它是一种基于拉普拉斯金字塔对图像进行逐点运算来获得保留边缘图像增强效果的图像处理技术。利用拉普拉斯金字塔将输入图像分解为三个不同尺度的解剖型图像A以及功能型图像B，分别为(A1，B1)、(A2，B2)、(A3，B3)，尺寸分别为：256×256、128×128、64×64。其中A1，B1,A2，B2为残差图像，A3，B3为近似图像。
进一步的，所述步骤S2基于感兴趣的规则使用局部能量最大和局部能量平均算法分别融合感兴趣区域和非感兴趣区域，从而得到融合的残差图像，局部能量最大算法的计算公式如下：
Figure BDA0003024359160000031
其中
Figure BDA0003024359160000032
表示Ai中感兴趣的区域取1和2，i取1和2；其中
Figure BDA00030243591600000310
表示Bi中感兴趣的区域；
Figure BDA0003024359160000033
表示融合的感兴趣区域的残差图像。
局部能量平均算法的计算公式如下：
Figure BDA0003024359160000034
其中
Figure BDA0003024359160000035
表示Ai中非感兴趣的区域取1和2；其中
Figure BDA0003024359160000036
表示Bi中感兴趣的区域；
Figure BDA0003024359160000037
表示融合的非感兴趣区域的残差图像。
进一步的，所述步骤S3利用rgb2ycbcr算法和迭代联合滤波器得到融合的近似层图像，迭代联合滤波器的计算公式如下：
It+1(p)＝JointFilter(step(It(p)-0.5),G(p),σs,σr)。
其中It(p)代表输入图像，G(p)代表引导图像，σs表示空间滤波强度，σr表示范围域滤波强度，JointFilter代表联合滤波器
最后经过ycbcr2rgb算法得到融合的近似图像；
进一步的，所述步骤S4采用局部拉普拉斯的逆运算对多尺度融合图像进行重构，具体包括：采用局部拉普拉斯的逆运算，将多个尺度的融合图像还原为原尺寸的融合图像。
Figure BDA0003024359160000038
其中F为最终的融合图像，GF为融合的近似图像，
Figure BDA0003024359160000039
为融合的残差图像。
本发明的优点及有益效果如下：
本发明使用局部拉普拉斯滤波器来对医学图像进行多尺度的分解，分解过程中该滤波器会对图像进行增强，此举避免了图像在分解过程中丢失梯度信息和亮度，可以更好的保留源图像中的纹理和边缘信息。然后利用rgb2ycbcr算法和迭代联合滤波器融合近似图像，使得融合图像有效地提取了源图像的小尺度细节信息并且解决了颜色失真的问题。对于残差图像使用基于感兴趣的规则，利用局部能量最大值和局部能量平均算法进行融合。最后利用局部拉普拉斯逆运算进行重构，将多个尺度的子图像完整还原为原尺度，最终我们的方法可以很好的保留源图像中的细节和纹理信息以及颜色信息获得更有利于临床诊断的融合图像。
附图说明
图1是本发明提供优选实施例基于部拉普拉斯分解和结构感知的多尺度医学图像融合的流程图；
表1是与其他主流方法比较的结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示，一种基于卷部拉普拉斯分解和结构感知的多尺度医学图像融合方法，其包括以下步骤：
S1、获取解剖型医学图像和功能型医学图像，并对解剖型医学图像和功能型医学图像分别进行局部拉普拉斯滤波处理，分解为细节增强的多尺度近似图像和残差图像；
S2、利用基于感兴趣的规则将步骤S1的残差图像分为感兴趣区域和非感兴趣区域，然后使用局部能量最大规则融合感兴趣区域融合感兴趣区域，使用局部能量平均规则融合非感兴趣区域，融合的残差图像是融合过的感兴趣区域和非感兴趣区域相加得到；
S3、使用rgb2ycbcr算法处理近似的功能医学图像(之前提到要将输入图像分为近似图像和残差图像)，得到近似功能医学图像对应的亮度图，然后利用梯度图和迭代联合滤波器将亮度图与近似解剖医学图像进行融合，最后经过ycbcr2rgb算法得到融合的近似图像；
S4、采用局部拉普拉斯的逆运算对多尺度融合图像进行重构。
进一步的，所述步骤S1的图像分解以局部拉普拉斯滤波器为工具，它是一种基于拉普拉斯金字塔对图像进行逐点运算来获得保留边缘图像增强效果的图像处理技术。利用拉普拉斯金字塔将输入图像分解为三个不同尺度的解剖型图像A以及功能型图像B，分别为(A1，B1)、(A2，B2)、(A3，B3)，尺寸分别为：256×256、128×128、64×64。其中A1，B1,A2，B2为残差图像，A3，B3为近似图像。
进一步的，所述步骤S2基于感兴趣的规则使用局部能量最大和局部能量平均算法分别融合感兴趣区域和非感兴趣区域，从而得到融合的残差图像，局部能量最大算法的计算公式如下：
Figure BDA0003024359160000051
其中
Figure BDA0003024359160000052
表示Ai中感兴趣的区域取1和2，i取1和2；其中
Figure BDA0003024359160000053
表示Bi中感兴趣的区域；
Figure BDA0003024359160000054
表示融合的感兴趣区域的残差图像。
局部能量平均算法的计算公式如下：
Figure BDA0003024359160000055
其中
Figure BDA0003024359160000056
表示Ai中非感兴趣的区域取1和2；其中
Figure BDA0003024359160000057
表示Bi中感兴趣的区域；
Figure BDA0003024359160000061
表示融合的非感兴趣区域的残差图像。
进一步的，所述步骤S3利用rgb2ycbcr算法和迭代联合滤波器得到融合的近似层图像，迭代联合滤波器的计算公式如下：
It+1(p)＝JointFilter(step(It(p)-0.5),G(p),σs,σr)。
其中It(p)代表输入图像，G(p)代表引导图像，σs表示空间滤波强度，σr表示范围域滤波强度，JointFilter代表联合滤波器
最后经过ycbcr2rgb算法得到融合的近似图像；
进一步的，所述步骤S4采用局部拉普拉斯的逆运算对多尺度融合图像进行重构，具体包括：采用局部拉普拉斯的逆运算，将多个尺度的融合图像还原为原尺寸的融合图像。
Figure BDA0003024359160000062
其中F为最终的融合图像，GF为融合的近似图像，
Figure BDA0003024359160000063
为融合的残差图像进一步的，表1是与其他主流方法比较的结果。
表1评价指标对比
Figure BDA0003024359160000064
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其特征在于，包括以下步骤：
S1、获取解剖型医学图像和功能型医学图像，并对解剖型医学图像和功能型医学图像分别进行局部拉普拉斯滤波处理，分解为细节增强的多尺度近似图像和残差图像；
S2、利用基于感兴趣的规则将步骤S1的残差图像分为感兴趣区域和非感兴趣区域，然后使用局部能量最大规则融合感兴趣区域融合感兴趣区域，使用局部能量平均规则融合非感兴趣区域，融合的残差图像是融合过的感兴趣区域和非感兴趣区域相加得到；
S3、使用rgb2ycbcr算法处理近似的功能医学图像，得到近似功能医学图像对应的亮度图，然后利用梯度图和迭代联合滤波器将亮度图与近似解剖医学图像进行融合，最后经过ycbcr2rgb算法得到融合的近似图像；
S4、采用局部拉普拉斯的逆运算对多尺度融合图像进行重构。
2.根据权利要求1所述的一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其特征在于，所述步骤S1的解剖型医学图像包括MRI图像，功能型医学图像包括PET和SPECT图像。
3.根据权利要求1所述的一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其特征在于，所述步骤S1的图像分解以局部拉普拉斯滤波器为工具，它是一种基于拉普拉斯金字塔对图像进行逐点运算来获得保留边缘图像增强效果的图像处理技术，利用拉普拉斯金字塔将输入图像分解为三个不同尺度的解剖型图像A以及功能型图像B，分别为(A1，B1)、(A2，B2)、(A3，B3)，尺寸分别为：256×256、128×128、64×64。其中A1，B1,A2，B2为残差图像，A3，B3为近似图像。
4.根据权利要求3所述的一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其特征在于，所述步骤S2基于感兴趣的规则使用局部能量最大和局部能量平均算法分别融合感兴趣区域和非感兴趣区域，从而得到融合的残差图像，局部能量最大算法的计算公式如下：
Figure FDA0003024359150000021
其中
Figure FDA0003024359150000022
表示Ai中感兴趣的区域取1和2，i取1和2；其中
Figure FDA0003024359150000023
表示Bi中感兴趣的区域；
Figure FDA0003024359150000024
表示融合的感兴趣区域的残差图像。
局部能量平均算法的计算公式如下：
Figure FDA0003024359150000025
其中
Figure FDA0003024359150000026
表示Ai中非感兴趣的区域取1和2；其中
Figure FDA0003024359150000027
表示Bi中感兴趣的区域；
Figure FDA0003024359150000028
表示融合的非感兴趣区域的残差图像。
5.根据权利要求3所述的一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其特征在于，所述步骤S3使用rgb2ycbcr算法处理近似的功能医学图像，得到对应的亮度图。rgb2ycbcr算法将RGB三通道的彩色图像转换成YCbCr格式，它由Y(亮度)、Cb(色度蓝)和Cr(色度红)组成，其中Y表示颜色的明亮度和浓度，而Cb和Cr则分别表示颜色的蓝色浓度偏移量和红色浓度偏移量。人的肉眼对由YCbCr色彩空间编码的视频中的Y分量更敏感，而Cb和Cr的微小变化不会引起视觉上的不同，根据该原理，我们只将Y分量提取出来与解剖医学图像的低频图像进行融合。融合完成之后再通过ycbcr2rgb颜色空间反变换算法得到彩色融合图像。
6.根据权利要求5所述的一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其特征在于，所述步骤S3利用rgb2ycbcr算法和迭代联合滤波器得到融合的近似层图像，迭代联合滤波器的计算公式如下：
It+1(p)＝JointFilter(step(It(p)-0.5),G(p),σs,σr)。
其中It(p)代表输入图像，G(p)代表引导图像，σs表示空间滤波强度，σr表示范围域滤波强度，JointFilter代表联合滤波器
最后经过ycbcr2rgb算法得到融合的近似图像。
7.根据权利要求5或6所述的一种基于局部拉普拉斯分解的多尺度医学图像融合方法，其特征在于，所述步骤S4采用局部拉普拉斯的逆运算对多尺度融合图像进行重构，具体包括：采用局部拉普拉斯的逆运算，将多个尺度的融合图像还原为原尺寸的融合图像。
Figure FDA0003024359150000031
其中F为最终的融合图像，GF为融合的近似图像，
Figure FDA0003024359150000032
为融合的残差图像。
CN202110412320.8A 2021-04-16 2021-04-16 一种基于局部拉普拉斯分解的多尺度医学图像融合方法 Active CN113129244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110412320.8A CN113129244B (zh) 2021-04-16 2021-04-16 一种基于局部拉普拉斯分解的多尺度医学图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110412320.8A CN113129244B (zh) 2021-04-16 2021-04-16 一种基于局部拉普拉斯分解的多尺度医学图像融合方法

Publications (2)

Publication Number Publication Date
CN113129244A true CN113129244A (zh) 2021-07-16
CN113129244B CN113129244B (zh) 2022-10-18

Family

ID=76777415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110412320.8A Active CN113129244B (zh) 2021-04-16 2021-04-16 一种基于局部拉普拉斯分解的多尺度医学图像融合方法

Country Status (1)

Country Link
CN (1) CN113129244B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926383A (zh) * 2022-05-19 2022-08-19 南京邮电大学 基于细节增强分解模型的医学图像融合方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198161A (zh) * 2017-12-29 2018-06-22 深圳开立生物医疗科技股份有限公司 一种双摄像头图像的融合方法、装置及设备
CN110211080A (zh) * 2019-05-24 2019-09-06 南昌航空大学 一种解剖与功能医学图像融合方法
KR20200025598A (ko) * 2018-08-31 2020-03-10 인천대학교 산학협력단 가중 최소 자승 필터와 희소 표현을 이용한 영상 융합 장치 및 방법
CN111292267A (zh) * 2020-02-04 2020-06-16 北京锐影医疗技术有限公司 一种基于拉普拉斯金字塔的图像主观视觉效果增强方法
CN111477304A (zh) * 2020-04-03 2020-07-31 北京易康医疗科技有限公司 一种pet和mri图像相融合的肿瘤照射成像组合方法
CN112163994A (zh) * 2020-09-01 2021-01-01 重庆邮电大学 一种基于卷积神经网络的多尺度医学图像融合方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198161A (zh) * 2017-12-29 2018-06-22 深圳开立生物医疗科技股份有限公司 一种双摄像头图像的融合方法、装置及设备
KR20200025598A (ko) * 2018-08-31 2020-03-10 인천대학교 산학협력단 가중 최소 자승 필터와 희소 표현을 이용한 영상 융합 장치 및 방법
CN110211080A (zh) * 2019-05-24 2019-09-06 南昌航空大学 一种解剖与功能医学图像融合方法
CN111292267A (zh) * 2020-02-04 2020-06-16 北京锐影医疗技术有限公司 一种基于拉普拉斯金字塔的图像主观视觉效果增强方法
CN111477304A (zh) * 2020-04-03 2020-07-31 北京易康医疗科技有限公司 一种pet和mri图像相融合的肿瘤照射成像组合方法
CN112163994A (zh) * 2020-09-01 2021-01-01 重庆邮电大学 一种基于卷积神经网络的多尺度医学图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAO DU 等: "Anatomical-Functional Image Fusion by Information of Interest in Local Laplacian Filtering Domain", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
周昊乐: "迭代联合滤波器在图像融合中的应用", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *
李肖肖 等: "图像增强的拉普拉斯多尺度医学图像融合算法", 《云南大学学报（自然科学版）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926383A (zh) * 2022-05-19 2022-08-19 南京邮电大学 基于细节增强分解模型的医学图像融合方法

Also Published As

Publication number Publication date
CN113129244B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
Liu et al. Efficient single image dehazing and denoising: An efficient multi-scale correlated wavelet approach
Vanmali et al. Visible and NIR image fusion using weight-map-guided Laplacian–Gaussian pyramid for improving scene visibility
Liu et al. Multi-modality medical image fusion based on image decomposition framework and nonsubsampled shearlet transform
CN112163994B (zh) 一种基于卷积神经网络的多尺度医学图像融合方法
Guo et al. Low-light image enhancement with regularized illumination optimization and deep noise suppression
Li et al. Noise-robust image fusion with low-rank sparse decomposition guided by external patch prior
CN109509160A (zh) 一种利用逐层迭代超分辨率的分层次遥感图像融合方法
CN116051428B (zh) 一种基于深度学习的联合去噪与超分的低光照图像增强方法
CN113724164B (zh) 一种基于融合重构制导滤波的可见光图像噪声去除方法
Singh et al. A review of image fusion: Methods, applications and performance metrics
Wen et al. An effective network integrating residual learning and channel attention mechanism for thin cloud removal
CN113128583B (zh) 基于多尺度机制和残差注意力的医学图像融合方法及介质
CN103400360A (zh) 基于Wedgelet和NSCT的多源图像融合方法
Liu et al. Research on super-resolution reconstruction of remote sensing images: A comprehensive review
Ullah et al. Fast local Laplacian filtering based enhanced medical image fusion using parameter-adaptive PCNN and local features-based fuzzy weighted matrices
CN113129244B (zh) 一种基于局部拉普拉斯分解的多尺度医学图像融合方法
Heydecker et al. Mirror, mirror, on the wall, who’s got the clearest image of them all?—A tailored approach to single image reflection removal
CN107146202B (zh) 基于l0正则化和模糊核后处理的图像盲去模糊的方法
Sharma et al. High-resolution image de-raining using conditional GAN with sub-pixel upscaling
Mrázek et al. From two-dimensional nonlinear diffusion to coupled Haar wavelet shrinkage
Dolly et al. Image fusion for stabilized medical video sequence using multimodal parametric registration
CN116468627A (zh) 一种基于二次加权快速导向滤波的内窥镜图像增强方法
Chahi et al. MFGAN: towards a generic multi-kernel filter based adversarial generator for image restoration
Tun et al. Joint Training of Noisy Image Patch and Impulse Response of Low-Pass Filter in CNN for Image Denoising
Jana et al. NSCT-DCT based Fourier analysis for fusion of multimodal images

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
GR01 Patent grant
GR01 Patent grant