改进的交叉视觉皮质模型提升医学图像融合效果

本文研究的主题是"改进的交叉视觉皮质模型在医学图像融合中的应用", 具体针对的是传统的交叉视觉皮质层模型（Intersectional Cortical Model, ICM）。ICM作为一种在图像边缘检测和分割领域广泛应用的模型，其优势在于能够捕捉图像的细节特征，但存在一个关键问题，即模型中的参数需要人工手动调整，这可能导致融合结果的准确性和稳定性受到影响。 为了克服这个问题，研究人员提出了一种创新方法，即将改进的ICM与非下采样Contourlet变换（Non-Subsampled Contourlet Transform, NSCT）相结合。NSCT是一种多尺度分析工具，能够提供丰富的图像分解信息，这对于保持图像细节和提高清晰度具有显著效果。通过这种结合，参数选择不再依赖于人工经验，而是可以自适应地优化，从而提高了模型的自动化水平和准确性。 文章的主要贡献在于提出了一种新的医学图像融合算法，它不仅提升了图像的清晰度，还能有效地保留图像的细节信息，特别强调了边缘信息的突出和亮度对比度的增强。实验结果显示，无论是从主观评价，如人类观察者的感知，还是从六个客观评价指标来看，比如信噪比、结构相似度等，该算法都表现出优于其他传统融合算法的性能。 此外，论文还介绍了研究团队的构成，包括戴文战教授和胡伟生硕士，他们分别来自浙江工商大学信息与电子工程学院，他们的研究领域分别是图像处理和智能控制，以及图像处理和模式识别。戴文战教授作为项目的负责人，负责指导整个研究工作。 关键词：医学图像融合、非下采样Contourlet变换、脉冲耦合神经网络、改进的拉普拉斯能量和、交叉视觉皮质层模型。该研究得到了国家自然科学基金项目的资助，发表于2016年9月的期刊上，具有重要的学术价值和实际应用前景。通过这项工作，研究者们为医学图像处理领域提供了一种更为精确且高效的图像融合技术。