NSST与高斯混合模型在医学图像融合中的应用

"这篇研究论文‘基于NSST和高斯混合模型的医学图像融合算法’由刘帅奇、李会雅、张涛等人撰写，发表于《电视技术》2015年第39卷第23期。文章提出了一种融合医学彩色图像的新方法，利用非下采样剪切波变换(NSST)和高斯混合模型，以提升图像融合的效果。" 本文介绍了一种创新的医学图像融合技术，旨在改善医学影像的视觉质量和诊断效果。该技术结合了非下采样剪切波变换(Non-Subsampled Shearlet Transform, NSST)的频率分析能力与高斯混合模型(Gaussian Mixture Model, GMM)的统计建模优势。 首先，研究者将输入的医学彩色图像转换至HSI（色调、饱和度、强度）颜色空间，以便更好地处理图像的不同特性。HSI颜色模型在图像处理中常用于分离色彩和亮度信息，这对于后续的融合步骤至关重要。 接着，针对HSI颜色空间中的强度分量图像和MRI图像，应用NSST进行多分辨率分析。NSST是一种高效的多尺度分析工具，能捕捉图像的局部和边缘信息。对于低频系数，研究者采用了基于区域系数改进拉普拉斯能量和(Sum-modified-Laplacian, SML)的加权融合规则，这有助于保持图像的整体结构。而对于高频系数，通过高斯混合模型估计参数，选择较大的参数进行融合，以保留更多的细节信息。 融合后的系数通过NSST的逆变换被重构为新的强度分量图像。之后，将这个强度分量图像与原始的色度和饱和度分量图像相结合，生成融合后的HSI图像。最后，将HSI图像转换回RGB颜色空间，得到最终的融合彩色图像。 仿真实验结果表明，这种融合算法在视觉效果上优于传统方法，并在客观评价指标上表现出更好的性能。文章强调，通过结合NSST的多尺度分析和高斯混合模型的统计特性，提出的算法能够在保持图像重要信息的同时，提高图像的清晰度和对比度，对于医学诊断具有潜在的价值。 关键词涵盖了非下采样剪切波变换、HSI颜色模型和高斯混合模型，表明了研究的核心技术和理论基础。该文的研究工作对医学图像处理领域具有积极的贡献，特别是在提升图像融合质量和辅助医生分析诊断方面。