非下采样剪切波变换医学图像融合算法：边缘增强与比较

"该研究论文探讨了一种基于非下采样剪切波变换的医学图像边缘融合算法，旨在解决图像融合过程中的边缘点丢失问题，提高图像融合效果。" 在医学图像处理领域，图像融合是一种重要的技术，它能结合多源图像的信息，提升图像的可读性和诊断准确性。然而，传统的融合方法往往会导致图像边缘信息的严重丢失，这在对细节要求极高的医学图像分析中是不可接受的。针对这一问题，该研究提出了一种新的融合算法，采用了非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）作为基础。 NSST是一种多分辨率分析工具，它能够有效地捕捉图像的多尺度和方向特性，尤其适用于边缘和纹理丰富的图像。在该算法中，首先对已配准的医学图像进行NSST分解，将图像转换为多个高频和低频子带系数。低频系数主要包含图像的全局结构信息，而高频系数则包含了图像的细节和边缘信息。 对于低频系数，研究采用了区域最大差值比较法进行融合，这种方法有助于保留图像的整体结构。而对于高频系数，研究提出了改进的边缘能量法和边缘强度法相结合的融合策略。改进的边缘能量法可以更好地识别和保护图像边缘，而边缘强度法则用于确保边缘的清晰度和连续性。 融合过程完成后，通过NSST逆变换将融合后的系数重构为融合图像。为了评估融合图像的质量，研究使用了信息熵（IE）、边缘强度（ES）、空间频率（SF）和标准差（SD）四个参数。实验结果显示，相较于其他四种算法，提出的NSST融合算法在空间频率和边缘强度方面表现更优，而在其他指标上也保持了中上水平。特别地，与一种基于改进型NSST的图像融合方法对比，新算法在多组实验中展示了更高的空间频率和标准差，以及在信息熵和边缘强度方面的改善。 这项研究的算法成功地提高了医学图像融合的清晰度、对比度，并丰富了边缘信息，显示出良好的应用潜力。关键词包括图像融合、区域最大差值比较法、改进边缘能量法以及剪切波变换。这一创新的融合方法为医学影像分析提供了新的可能，有望在未来的医疗诊断和研究中发挥重要作用。