發(fā)布時間：2024-06-02 01:33

　　醫(yī)學影像作為醫(yī)學診斷的重要判斷依據(jù),保證圖像信息的豐富度和清晰度至關(guān)重要。但單模態(tài)的醫(yī)學影像表現(xiàn)內(nèi)容單一,而融合圖像包含多模態(tài)的圖像信息,在臨床實際操作中具有可行性,為醫(yī)學診斷提供了更加可靠的依據(jù)。隨著醫(yī)學診斷要求的提高,醫(yī)學圖像融合效果符合人類視覺感知、減少先驗知識對融合效果的影響和增強細節(jié)表現(xiàn)力是需要努力的方向。針對傳統(tǒng)醫(yī)學圖像融合中圖像存在偽影,且需要依靠先驗知識手動設置融合規(guī)則和參數(shù),導致融合效果存在不確定性、細節(jié)表現(xiàn)力不足的問題,本文從以下幾方面進行了研究和改進:(1)提出基于拉普拉斯金字塔和卷積神經(jīng)網(wǎng)絡的醫(yī)學圖像融合方法,首先,將源圖像分別輸入?yún)^(qū)域拉普拉斯金字塔進行分解;然后,對卷積神經(jīng)網(wǎng)絡進行改進,將基于經(jīng)驗風險最小化的評價指標替換為基于結(jié)構(gòu)風險最小化,通過步長為2的標準卷積層進行降維,采用改進的卷積神經(jīng)網(wǎng)絡通過不斷迭代,生成最優(yōu)權(quán)重圖指導融合過程,通過實驗確定最佳迭代次數(shù);最后通過區(qū)域拉普拉斯金字塔的逆過程生成融合圖像。通過仿真實驗驗證,該算法不僅在參數(shù)自適應方面取得良好的改進,并且在主觀視覺和客觀評價指標上都取得了良好的融合效果,在實際的應用中具有可行性。(2)提出基...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖1-1三個不同層次上的多源圖像融合FIG.1-1Schematicdiagramofmulti-sourceimagefusionatthreedifferentlevels

中北大學學位論文2信道圖像信息的高質(zhì)量圖像。在不同的角度、層次或不同的類型傳感器對于同一目標的不同圖像信息進行提取并進行融合，同時將圖像中的低透明度信息通過圖像去噪、增強等圖像處理技術(shù)進行處理，從而使圖像的精準度、還原度和使用可靠性得到明顯的改善，對目標圖像生成具有更加清晰度、表....

圖1-2神經(jīng)元模型

中北大學學位論文4信號的一個輸出信號。圖1-2神經(jīng)元模型FIG.1-2Neuronmodel雖然神經(jīng)元作為獨立元件其結(jié)構(gòu)簡單、功能單一，但大量神經(jīng)元共同組成的神經(jīng)網(wǎng)絡結(jié)構(gòu)復雜、系統(tǒng)行為豐富。神經(jīng)網(wǎng)絡成為熱門突出優(yōu)勢在于其拓撲結(jié)構(gòu)、學習能力和超大規(guī)模集成電路，打破了原有模型“神經(jīng)元....

圖1-3論文組織結(jié)構(gòu)

中北大學學位論文6圖1-3論文組織結(jié)構(gòu)FIG.1-3Organizationalstructure第一章：緒論。介紹本論文的研究方向的背景及意義，查閱國內(nèi)外有關(guān)文獻和會議資料，具體探究圖像融合和神經(jīng)網(wǎng)絡的研究現(xiàn)狀，并確定本論文的具體研究內(nèi)容和組織結(jié)構(gòu)。第二章：圖像融合基本理論。闡....

圖2-1GAN的基本框架

中北大學學位論文15圖2-1GAN的基本框架FIG.2-1ThebasicframeworkofGANGAN是同時訓練兩個模型，一個用來捕獲數(shù)據(jù)分布的生成器模型（Generative，G）和一個用來估計樣本的判別模型（Discriminative，D）。G和D在對抗的框架下進行學....

本文編號：3986659