提升小波与双通道PCNN的医疗图像融合优化方法

本文主要探讨了一种改进的医学图像融合方法，该方法结合了提升小波变换（Lifting Wavelet Transform, LWT）与双通道脉冲耦合神经网络（Dual-channel Pulse Coupled Neural Network, PCNN）。作者是来自兰州交通大学电子与信息工程学院的杨艳春、当建武和王洋平，他们分别通过电子邮件地址yangyanchun102@sina.com、dangjw@mail.lzjtu.cn和wangyangping@mail.lzjtu.cn进行通信。 在医学图像处理领域，高质量的图像融合对于疾病的早期诊断和精确分析至关重要。传统的图像融合技术可能在处理复杂医学图像时面临性能瓶颈，如计算效率低和处理能力受限。因此，本文提出的新方法旨在克服这些问题，利用LWT的优势来处理低频子带系数，其特点是能够更好地保留图像的空间信息，并通过空间频率的融合规则进一步提高图像的清晰度和一致性。 提升小波变换是一种先进的信号处理工具，它通过迭代过程分解信号，提供了一种更高效的方式来提取图像特征。在低频子带中，通过这种变换，研究人员能够聚焦于图像的重要结构信息，制定出针对区域空间频率的融合策略，从而增强图像的融合效果。 另一方面，双通道PCNN作为一种新型的神经网络架构，被引入到高频子带系数的处理中。与传统单通道网络相比，双通道PCNN具有更简单的结构和更好的适应性，能够在处理大量医学图像时显著减少时间和计算资源的消耗。这使得这种方法在实际应用中具有更高的效率和实用性。 实验结果显示，基于提升小波变换和双通道PCNN的医学图像融合方法表现出显著的优势，不仅在图像融合质量上有所提升，而且在处理速度和计算效率方面达到了新的高度。这表明，该方法为医学图像分析提供了强有力的支持，有助于临床医生做出更为准确的诊断决策，提升了整个医疗领域的图像处理技术水平。