多模态医学图像融合基于多个潜在的低秩表示

文摘

多模态医学图像融合算法提出了基于多个潜在的低秩表示提高成像质量通过求解模糊细节和提高病变的显示。首先,该方法分解源图像反复使用潜在的低秩表示获取几个凸起部分和一个低秩的部分。其次,VGG-19网络标识部分煤的特性和生成地图的重量。然后,融合低秩的部分可以通过获得的阿达玛产品重量地图和源图像。第三,融合凸起的部分可以通过选择获得最大价值。最后,融合和煤部分凸起部分叠加获得融合图像。实验结果表明,该方法优于传统的多模态医学图像融合算法的主观评价和客观指标。

1。介绍

医学成像模式多种多样,每一种都提供了不同的信息在体内器官。例如,电脑断层摄影术(CT)具有良好的分辨率,使考试组织的细节,但它是弱显示全球的器官结构和病变。磁共振成像(MRI)显示非凡的软组织高空间分辨率的定义,但它是有限的在检测骨折。此外,解剖成像技术,如CT和MRI能不能反映人体运动信息,如新陈代谢。正电子发射断层扫描(PET)和单光子发射计算机断层扫描(SPECT)可以想象代谢过程和其他生理活动,如血液流动和区域化学成分吸收(1]。然而,功能成像技术,如PET和SPECT的空间分辨率很低。总之,是不可能获得一个器官的所有细节从一个单独的影像学特征。为提高临床诊断的准确性基于医学图像,一个有效的方法是多模态医学图像融合,它结合了多医学图像从不同的方式来提高成像质量和减少冗余。

大多数医学图像融合算法是基于多尺度变换(MST),将源图像转换成变换域和获取转换系数通过预设功能。然后,处理系数可以被转换成逆MST的融合图像。根据不同的源图像分解方法,基于MST可分为金字塔方法(2- - - - - -4),小波方法(5- - - - - -8),和基于多尺度几何分析-(公司)的方法(9- - - - - -18]。由于预设功能MST-based算法的局限性,源图像的一些基本特征,如边缘和纹理信息,可能没有很好地表达和提取,大大减少了融合性能。此外,对错误配准MST-based算法通常是敏感。

杨和李19首先应用稀疏表示(SR) (20.在图像处理。SR将源图像分解成几个补丁通过一个滑动窗口和将这些补丁稀疏系数向量,向量的线性组合的字典矩阵。然后,融合图像的稀疏系数向量可以通过最大来确定 - - - - - -规范,重新排列这些向量融合图像的补丁,并把这些补丁回到座位可以获得融合图像。边缘特征提取,比MST SR具有一定的优势。近年来出现了许多改进的老版本的增加计算效率或提高融合质量。刘和王21]提出了自适应稀疏表示(ASR),七分字典训练提前由梯度匹配图像分类的补丁。刘等人。22)提出了卷积的稀疏表示(CSR),不使用滑动窗口将源图像分解,但适用于一个全球的过程。刘等人。23)提出了卷积sparsity-based形态成分分析(CSMCA),同时实现多组分和全球SR将CSR和形态成分分析集成到一个统一的框架。然而,由于SR-based算法的字典矩阵不能完全包括源图像数据,不能提取源图像的细节纹理信息。一些学者应用MST [24- - - - - -26)或过滤器(27- - - - - -29日将源图像分解。和SR可以用于引信低频子带上。从理论上讲,这种方法能更好地保持图像的边缘信息比使用SR (30.将源图像分解。刘等人。31日]提出了低秩表示(远程雷达),适用于源图像作为字典矩阵,并能解决词典完整性。刘和严32]提出了潜在的低秩表示(LatLRR),一个改进版本的远程雷达,可以将源图像分解凸起部分,煤部分和噪声部分。李等人。33]提出MDLatLRR集成SR和LatLRR使用滑动窗口示例LatLRR的凸起部分和处理稀疏系数向量就像在SR-based方法。LatLRR有着非凡的能力,从图像中提取纹理,但提取高频信息的能力不如MST。

另一种类型的图像融合方法的帮助下更广泛使用的是加权地图(34,35),和基于深度学习方法特别适合生成加权地图由于其卓越的特性识别能力。基于深度学习方法(36- - - - - -42)已经广泛应用于图像融合与人工智能的发展。这些方法有一个著名的从图像中提取特征信息的能力。因此,明智的做法是使用基于深度学习的方法来处理图像分解后的高频信息或生成地图作为图像区域融合的基础。王等人。36]应用卷积神经网络(CNN)生成地图和地图将源图像分解和重量重量相比之下金字塔和拉普拉斯算子的金字塔,分别,让每个分解层的阿达玛的产品。最后,通过重构融合图像对比度金字塔。徐et al。37)应用LatLRR将源图像分解和加工的低秩部分基于CNN和金字塔方法,叠加融合低秩的部分,融合凸起部分获得融合图像。刘等人。38]CNN应用于生成地图和重量使用拉普拉斯金字塔、高斯金字塔分解的源图像和重量地图,分别虽然阿达玛产品获得融合层,并通过拉普拉斯算子可以重构融合图像金字塔。李等人。39]应用平均滤波器将源图像分解和融合基地层可以通过比较获得的最大绝对值VGG-19四卷积图像层的神经网络。可以获得融合图像叠加基本层和细节层。阴et al。40),谭et al。41],Panigrahy et al。42)应用nonsubsampled shearlet变换(NSST)将源图像分解,选择融合高频部分波段的发射次parameter-adaptive脉冲耦合神经网络(PAPCNN)有限测量脉冲耦合神经网络(BMPCNN)和加权参数自适应双通道脉冲耦合神经网络(WPADCPCNN),分别。

如前所述,每个方法都有其缺点和优点。本文通过LatLRR多次分解提取源图像的显著部分。融合凸起的部分可以通过选择获得最大价值。这些凸起部分叠加后,结构和源图像的边缘信息将保存完好,提高病变的显示。VGG-19网络是用来提取煤的特点,可以生成和重量地图是煤的基础部分的活动水平。重量地图和煤部分然后阿达玛产品获得融合低秩的部分。最后,融合图像可以通过叠加融合凸起部分和融合低秩的部分。实验结果也表明,该方法明显优于对比方法对图像信息保留。介绍了本文的主要贡献如下:(1)该方法适用于图像细节保持能力LatLRR在充分提取出图像的高频信息,迭代地将原始图像分解。,它可以弥补缺少LatLRR和提高病变的显示通过叠加凸起部分(2)煤的特性映射提取原始图像的一部分使用VGG-19网络然后扩大到原始图像的大小相匹配。重映射生成的以这种方式可以适应低秩的一部分原始图像像素信息块分布

本文的其余部分组织如下。部分2介绍了多个LatLRR分解算法,部分3介绍了融合规则,部分4描述了该方法的算法结构,部分5详细讨论了实验结果,部分6本文总结道。

2。多个潜在的低秩表示

LatLRR是一个改进版本的远程雷达,其原则是日期 在太空中可以表示为向量的线性组合在一个overcomplete字典吗 ,作为 在哪里 系数矩阵的空间 ;它可以通过决定 在哪里表示核规范。这个算法的概念类似于SR,它发现在某些词典条件下图像的系数。远程雷达使用日期自己是字典,就像方程(3),这是远程雷达的原因没有字典训练或完整性的问题。

噪声组件添加在方程(3);这是因为最初创建低秩算法的目的是去除图像噪声。与方程(4)是远程雷达的公式。 在哪里 平衡系数,表示 - - - - - -规范的 。

然而,有两个先决条件本身作为一个字典。一个是数据的向量必须足够完成。第二,的声音必须控制在小范围之内。在许多实际条件,这样的要求是具有挑战性的。由于这个原因,在字典中添加隐藏物品的方法提出了(32]

在哪里表示数据和已知的图像表示未知的隐藏数据。自字典包含隐藏数据,该改进算法称为潜在的低秩表示。考虑噪声的影响;然后,我们重写方程(5)

在哪里 平衡系数和吗表示 - - - - - -规范的 。简化方程(6)通过计算的奇异值分解) (32)和方程(7)可以获得。

在哪里表示显著系数和表示煤系数。方程(7增广拉格朗日乘子)可以解决(ALM) (43];图像的低秩部分和凸起部分可以表示为和相应的行动。LatLRR分解结果如图1。LatLRR分解源图像凸起的部分 ,煤的部分 ,和噪声部分 。 包含了局部结构信息和显著特征或可以被认为是高频信息。包含更多的全球结构信息和亮度信息或可以被认为是低频信息。表示'superfluous LatLRR分离的一部分。

值得注意的是,与高空间分辨率图像,CT和MRI等,详细的材质可能包含重要的诊断信息。因此,这样的去噪图像可能会过滤掉一些重要的信息。在这种情况下,一个合理的方法是添加噪声、煤。此外,凸起的部分包含最边缘、图像的结构信息,使病变可能主要反映在凸起的部分。如果低秩分解图像反复的一部分,凸起部分将进一步提取。如图2,一个两层的LatLRR分解结构,在完成第一层LatLRR分解,LatLRR分解的新对象可以通过 ,可以进一步分解为凸起部分 ,煤的部分 ,和噪声部分 。被指示为源图像和 。如果LatLRR分解层的数量 ,将会有凸起的部分或和一个低秩部分或每个源图像。边缘和结构信息的显示将加强在新形象突出病变的叠加凸起部分。然而,假设数量LatLRR分解层是盲目地增加,这将减少计算的效率。更重要的是,最终的融合图像将显示一些人工信息不可接受的医学图像。本文的最佳LatLRR分解层数将在部分通过实验确定5。1。

3所示。融合监管

凸起的部分图像包括大部分高频信息。多模态医学图像的重要诊断信息反映在一个图片是不一样的。因此,应用max-rule保险丝的凸起部分图像可以保存一个图像尽可能的诊断信息。另一方面,Simonyan和Zisserman44)首先应用VGG网络从图像中提取特征在不同层和取得的效果。随着深度学习的发展,VGG网络的运行效率和精度显著提高。随着LatLRR分解层数的增加,源图像的低秩部分将包含更少的信息。如果识别结果VGG-19提取和加工,重量地图可以生成与区域重点。然后,融合低秩的部分可以通过乘以权重映射与源图像的低秩的部分。此外,因为PET和SPECT图像是彩色的,他们需要转换为YUV颜色空间融合前的灰度图像作为核磁共振。

3.1。融合的凸起部分

两个源图像的每个LatLRR分解会产生的凸起部分。通过采用max-rule凸起部分层LatLRR分解,融合可以获得重要的地区,

在哪里 表示位置 的融合图像的层凸起部分 ,所以当 和 。最后融合凸起部分可以被计算

3.2。低秩部分的融合;

VGG-19卷积神经网络是19层深,包括16卷积层和3层完全连接。其结构如图3。每个卷积层来标示的conv 'size这样的过滤器,过滤”——“数量”和max-pooling层 过滤器的步幅2。煤的部分图像的信息经过多次LatLRR分解相对模糊,提出了一种regional-like分布。根据这个特性,特征图谱从第五层VGG-19卷积可以匹配中提取低秩的部分放大后图像的信息分布状态。

低秩零件和 , 和表示从第五提取的特征图卷积VGG-19层。如图3,第五卷积层是conv3 - 512,所以有512每个煤部分的特征图谱。此外,由于max-pooling层,这些特征图谱源图像的大小。根据(39),让 表示 的位置th煤部分的特征图, 。的 - - - - - -规范的 可能的活动水平测量煤的部分。因此,地图的活动水平可以通过计算

然后,初始体重地图可以获得的

特征图只 ,源图像的大小,所以初始重量的地图 ,所生成的特征图谱,是吗源图像的大小。为匹配的源图像的大小,需要upsampling过程

融合低秩的部分可以通过计算

在哪里表示阿达玛的产品。

3.3。YUV颜色空间

SPECT和PET等彩色图像,阴et al。40)提出了YUV空间解决颜色和灰度图像的融合问题。首先转换为YUV空间和彩色图像分解为一个亮度分量,“Y”和两个色度分量,U和V。”然后,“Y”组件的彩色图像可以用灰度图像融合方法。最终的融合图像可以通过改变融合组件“Y”和其他两个色度组件“U”和“V”从YUV空间的RGB空间,如图4。

3.4。重建

重叠融合低秩的部分和熔融凸起部分重构融合图像作为

4所示。算法结构

源图像和:本文算法框架已登记作为显示在图吗5。

该方法的主要步骤是概括为算法1。

5。实验

五套注册多模态医学图像收集从整个脑图谱45)是用于验证该方法的有效性,如图6。数据6(一)和6 (b)第一组图片从一个55岁的患者多个插子的梗死灶;数据6 (c)和6 (d)第二组与脑弓形体病图像从一个31岁的男人;数据6 (e)和6 (f)第三组51岁的间变性星形细胞瘤患者的图片;数据6 (g)和6 (h)第四组的图像从一个70岁的轻度阿尔茨海默氏症患者;数据6(我)和6 (j)第五集的图像从一个36岁的传染病患者由于HIV阳性。

本文中的实验都进行电脑配备英特尔(R)至强(R)的CPU e3 - 1231 v3 (3.40 GHz)和16 GB的RAM。软件环境是MATLAB R2019b赢得10上安装64位操作系统。

5.1。参数实验

为了确定分解层LatLRR本文五套图片如图6该方法融合了。结果是客观评价四个图像融合评价指标:在Tsallis熵融合基于指标( )(46基于],梯度融合性能( )(47),图像结构的相似性度量( )(48),和人类感知启发融合指标( )(49]。散度测量的两个离散随机变量之间的依赖程度,并计算从源图像信息传输到融合图像。因此,越大价值,更好的融合效果。使用Sobel边缘算子来计算边缘的强度和方向信息的源图像和融合图像。越大价值,丰富的融合图像的边缘信息。是用来测量的保护程度的结构融合图像,所以计算多少的重要信息在每个源图像转移到融合图像。越大是,更好地保留了源图像的结构。的计算过程是复杂的,包括五个步骤:对比敏感度过滤,当地的对比计算,对比保护计算,显著地图生成和全球质量映射计算。需要全球质量平均值的地图。越大价值,丰富的融合图像的对比信息。

设置测试分解层LatLRR从1到4。参数的四组实验结果的索引图像数据所示7(一)- - - - - -7 (d)。它可以观察到,随着LatLRR分解层数的增加,并不是所有的索引显示统一的趋势。的价值随着分解层的增加增加,而是最优的一级分解。至于和 ,变化趋势与图像集。这是合理的因为分解层越多,图像背景信息包含在煤的部分会模糊,更多的包含在凸起的部分。max-rule选择特点融合图像的一部分,所以源图像的背景信息也可能增强融合图像,提高病变的外观。如果信息量越大,越大将价值。然而,加强图像背景信息会削弱边界观测和减少图像对比,无疑导致较低 。医学图像融合的目的是显示病变融合图像的信息,所以比其他三个无能的索引。从图可以看出7(一)那两个分解层的比一层分解的显著提高。仍然,分解层不能大幅提高 。

此外,如图8所示,可以看出,随着LatLRR分解层数的增加,工件在对象将加剧了几组图片。为了提高图像融合质量,融合图像的病灶应尽可能突出,应严格控制和工件。因此,本文LatLRR的分解层设置为2。

5.2。对比实验

九个典型的多模态医学图像融合方法选择与该方法比较:四种类型的SR-based方法,企业社会责任(22],ASR [21],CSMCA [23],MDLatLRR [33];基于三种深度学习算法,CNN (36],VGG-19 [39],BMPCNN [41];老和两种MST集成方法nonsubsampled contourlet变换(NSCT)结合SR (NSCT_SR) [24)和拉普拉斯算子的金字塔(LP)结合SR (LP_SR) [24]。MST分解级别被设置为4。

图9显示第一组的融合结果图像,数字9(一个)和9 (b)是源图像。从图可以看出9(左)提议的方法,绿色的盒子的脑组织结构和病变边缘红盒子的最清晰的从其他融合方法。此外,像素的一致性方法是最好的。图10显示了第二组的融合结果图像;数据10 ()和10 (b)是源图像。我们可以看到在图10(左),融合后的图像像素的骨骼结构的一致性是最好的,和大脑的扩大组织沟在绿色盒子,以及钙化病变在红盒子和水肿,也清晰可见。图11显示了第二组的融合结果图像;数据(11日)和11 (b)是源图像。在图11(左)提议的方法,代谢异常在红色框的边界是最明显的,色差是大多数与图一致11 (b)。绿色方框中的纹理信息也清晰可见。图12显示了第三盘的融合结果图像;数据12(一个)和12 (b)是源图像。在图12(左)提议的方法,代谢异常在红色框的边界是最独特的,和纹理在绿色盒子还拥有最好的。除此之外,在这组图片,一些融合方法出现严重的颜色失真,可以看到数据12 (c),12 (d)12 (j),该方法的显色性是最接近源图像。图13显示第四组的融合结果图像,数字(13日)和13 (b)是源图像。相比之下,图13 (b)的图形结构,代谢异常(红色框)在其他融合方法在一定程度上已经被扭曲。该方法结构保存完好,色差是最符合源图像。

所有的图像融合评价四个指标中引入部分5。1。如表所示1- - - - - -5在所有的图像,该方法导致的 ,尤其是在第一组图片,铅30%以上。这意味着该方法优于其他方法在信息转换的源图像。此外,对于第一组和第四组的图像,该方法也导致的 。它表明,提出的方法可以保留源图像的结构比其他方法更好。另一方面,该方法没有优势,甚至相当大差距的表现方法的其他两个指标。就像前面提到的5。1,和主要是用来测量融合图像的程度保留源图像的边缘信息。 ,特别是,直接影响融合图像的梯度。如图12 (c)CSR的颜色融合图像严重失真,和中间的白色区域的图像有明显的工件,这对大脑图像是不可接受的。然而,颜色失真和工件使融合图像的“边界”最初不存在,无疑会增加图像结构的梯度值和复杂性。这就是为什么和企业社会责任的不可否认的优势展示在第三盘图像的对比实验。措施的程度融合图像保留源图像的信息,和图像的变形会降低这个索引结构或颜色。图像构件和结构扭曲可能误导医疗专业人士,因此不建议盲目追求高图像索引结构。该方法有明显的优势索引和颜色失真的程度和工件在融合图像是最小的。它对医学图像是至关重要的。因为工件在大脑病变图像有时看起来非常相似,假病变图像可以直接影响医学专家的判断。此外,通过色差SPECT和PET显示代谢异常。如果重要的颜色失真图像中出现,它会导致偏离实际。基于上述分析,该方法是有效的。

6。结论

本文基于多个多模态医学图像融合方法提出了潜在的低秩表示。实验结果表明,该方法具有在保持边缘特性和纹理细节和导致客观评价指标与其他融合算法。该方法可以提高观察者来识别损伤的能力,为实际应用,如诊断、治疗计划和手术导航。另一方面,该方法也有一些缺点。病变的亮点是基于多层LatLRR分解,但随着分解层数的增加,工件将变得更加明显。此外,LatLRR分解到不同的层次越多,信息越少的低秩源图像的一部分,和网络识别VGG-19误差就越大。下一阶段应关注消除工件尽可能在多层LatLRR分解的情况下,提高融合源图像的低秩零件质量。

数据可用性

支持研究的数据来自k·a·约翰逊和j·a·贝克尔全脑图谱,2021年。URL:http://www.med.harvard.edu/aanlib/(2021年5月12日访问)。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这部分工作是支持由中国国家自然科学基金(批准号22178036),重庆市自然科学基金(批准号为基础科学和前沿技术cstc2018jcyjAX0483)、科技研究项目中国重庆市教育委员会(批准号。KJQN201900821 KJQN202000803),创新的重庆大学的研究小组(批准号CXQT21024),重庆工商大学和研究生创新项目(批准号yjscxx2021 - 112 - 45)。

引用

1. d·l·贝利m . n . Maisey d . w . Townsend和p . e . Valk正电子发射断层扫描,卷2,施普林格,2005年。
2. 朱崔z z . Wang, y,“综合医学图像融合金字塔拉普拉斯算子和自适应稀疏表示,“计算机在生物学和医学第103823条,卷。123年,2020年。视图:出版商的网站|谷歌学术搜索
3. j .杜•李(george w . bush)、b·肖和纳瓦斯,“联盟拉普拉斯金字塔与多个功能,为医学图像融合,“Neurocomputing卷,194年,第339 - 326页,2016年。视图:出版商的网站|谷歌学术搜索
4. l . f . Liu, l ., a·艾哈迈德·g .全杨x,“医学图像融合方法通过使用拉普拉斯算子的金字塔和卷积稀疏表示,“并发性和计算:实践和经验,32卷,不。17日,e5632条,2020年。视图:出版商的网站|谷歌学术搜索
5. j . Bhardwaj a Nayak, d . Gambhir“多模态医学图像融合基于离散小波变换、遗传算法”国际会议上创新的计算和通信,页1047 - 1057,新加坡,2021年。视图:出版商的网站|谷歌学术搜索
6. l·詹、y壮族和l .黄”红外和可见的基于离散小波变换的图像融合方法,”电脑杂志卷28日,57 - 71,2017页。视图:谷歌学术搜索
7. s . k . Panguluri和l .汉”,基于离散小波变换的图像融合使用钝的屏蔽,”Periodica Polytechnica电气工程和计算机科学,卷64,不。2、211 - 220年,2020页。视图:出版商的网站|谷歌学术搜索
8. 答:密封,d .保护m . Nasipuri d . Rodriguez-Esparragon e . Menasalvas和c . Gonzalo-Martin“磁共振图像融合使用随机森林和小波变换的多孔,”国际期刊《生物医学工程中的数值方法,34卷,不。第三条e2933, 2018年。视图:出版商的网站|谷歌学术搜索
9. k . Seethalakshmi和s .瓦利”模糊方法识别面临使用contourlet变换,“国际期刊的模糊系统,21卷,不。7,2204 - 2211年,2019页。视图:出版商的网站|谷歌学术搜索
10. m·库马尔:野生动物,b . Chourasia”contourlet变换的混合方法和粒子群优化多峰医学图像融合”2021年国际会议上人工智能和智能系统(ICAIS)哥印拜陀,页945 - 951年,印度,2021。视图:出版商的网站|谷歌学术搜索
11. s . w . Wu郭,程问:“光和合成孔径雷达图像融合基于shearlet变换改善城市不透水表面提取,”应用遥感技术杂志》上,14卷,不。2、第024506条,2020年。视图:出版商的网站|谷歌学术搜索
12. a·哈雷·m·哈雷和r·斯利瓦斯塔瓦”Shearlet变换图像融合的基础技术使用中值融合规则,”多媒体工具和应用程序,卷80,不。8日,第10184条,第11522 - 11491页,2021年。视图:出版商的网站|谷歌学术搜索
13. m . Sayadi h . Ghassemian r .纳伊米(ali Naimi)和m·艾曼尼”一个新的复合多峰性基于shearlet变换的图像融合方法和视网膜模型的启发,”2020年国际会议上机器视觉和图像处理(MVIP),2020年,页1 - 5,库姆,伊朗。视图:出版商的网站|谷歌学术搜索
14. s . Kollem k . r . Reddy, d . s . Rao”改善偏微分equation-based全变差方法non-subsampled contourlet变换对于医学图像去噪,”多媒体工具和应用程序,卷80,不。2、2663 - 2689年,2021页。视图:出版商的网站|谷歌学术搜索
15. J.-Y。李和C.-Z。张“盲水印方案基于舒尔分解和non-subsampled contourlet变换,“多媒体工具和应用程序,卷79,不。39-40,30007 - 30021年,2020页。视图:出版商的网站|谷歌学术搜索
16. t·楚y谭、问:刘和b呗,”小说SAR和光学图像融合方法基于non-subsampled shearlet变换,“国际遥感杂志》上第41卷。。12日,第4604 - 4590页,2020年。视图:出版商的网站|谷歌学术搜索
17. f . h . Ullah b . Ullah l . Wu y阿布达拉,g .任和y赵,“多模医学图像融合基于地方特色模糊集和小说在non-subsampled sum-modified-Laplacian shearlet变换域,“生物医学信号处理和控制57卷,第101724条,2020年。视图:出版商的网站|谷歌学术搜索
18. s . Goyal诉辛格,a .王妃和n Yadav,“FPRSGF去噪non-subsampled shearlet transform-based图像融合使用稀疏表示,“信号,图像和视频处理,14卷,不。4、719 - 726年,2020页。视图:出版商的网站|谷歌学术搜索
19. b·杨和李,“Multifocus与稀疏表示图像融合和恢复,”IEEE仪表和测量卷,59号4、884 - 892年,2010页。视图:出版商的网站|谷歌学术搜索
20. b . a . Olshausen和d . j .,“出现简单细胞感受野特性通过学习自然图像的稀疏编码,“自然,卷381,不。6583年,第609 - 607页,1996年。视图:出版商的网站|谷歌学术搜索
21. 刘y和z王”,同时图像融合去噪和自适应稀疏表示,“专业图像处理,9卷,不。5,347 - 357年,2015页。视图:出版商的网站|谷歌学术搜索
22. 陈x y . Liu, r·k·沃德,和z简王,“图像融合与convo-lutional稀疏表示,“IEEE信号处理信件,23卷,不。12日,第1886 - 1882页,2016年。视图:出版商的网站|谷歌学术搜索
23. x y . Liu, r·k·沃德,和z . j . Wang“医学图像融合通过基于卷积稀疏的形态成分分析”IEEE信号处理信件,26卷,不。3、485 - 489年,2019页。视图:出版商的网站|谷歌学术搜索
24. y刘,刘,和z王”的总体框架基于多尺度变换的图像融合和稀疏表示,“信息融合,24卷,第164 - 147页,2015年。视图:出版商的网站|谷歌学术搜索
25. l . Tan和x Yu”,医学图像融合基于快速有限shearlet变换和稀疏表示,“计算和数学方法在医学ID 3503267条,卷。2019年,14页,2019。视图:出版商的网站|谷歌学术搜索
26. j .夏y陈,陈a, y,“医学图像融合在NSCT域,基于稀疏表示和相”计算和数学方法在医学卷,2018篇文章ID 2806047, 12页,2018。视图:出版商的网站|谷歌学术搜索
27. 周x, f和h . Tan“联合图像融合,通过三层分解去噪和稀疏表示,“以知识为基础的系统第107087条,卷。224年,2021年。视图:出版商的网站|谷歌学术搜索
28. 周x, f, w·张,和赵c, h . Tan“多模态医学图像融合的基础上联合双边滤波和局部梯度能量,”信息科学卷,569年,第325 - 302页,2021年。视图:出版商的网站|谷歌学术搜索
29. 朱z h .阴,y柴,y, g .气,“一种新颖的基于图像分解的多模图像融合方法和稀疏表示,“信息科学卷,432年,第529 - 516页,2018年。视图:出版商的网站|谷歌学术搜索
30. h·李,y, z,李x r . Wang和d .道,“有识别力的字典上优于多个组件分解detail-preserving嘈杂的图像融合,“IEEE仪表和测量,卷69,不。4、1082 - 1102年,2020页。视图:出版商的网站|谷歌学术搜索
31. g .刘、林z和y,健壮的子空间分割的低秩表示2010年,卷1,Icml。
32. g .刘和美国燕”,潜在的低秩表示子空间分割和特征提取”2011年国际会议上计算机视觉西班牙巴塞罗那,页1615 - 1622,,2011。视图:出版商的网站|谷歌学术搜索
33. h . Li X.-J。吴,j .难应付的“MDLatLRR:一种新的分解方法对红外和可见光图像融合,“IEEE图像处理,29卷,第4746 - 4733页,2020年。视图:出版商的网站|谷歌学术搜索
34. 森古普塔,密封,c . Panigrahy o . Krejcar和a . Yazidi”基于边缘信息的图像融合指标使用分数阶微分法和s形函数,“IEEE访问,8卷,第88398 - 88385页,2020年。视图:出版商的网站|谷歌学术搜索
35. 朱z, b .朱,h·h·t·刘,和k .秦”的基于模型的方法测量噪声估计和补偿在反馈控制系统中,“IEEE仪表和测量5001523条,卷。70年,1,2020页。视图:出版商的网站|谷歌学术搜索
36. m . k . Wang郑、h·魏g . Qi和y,“多模医学图像融合使用卷积神经网络和对比度金字塔,”传感器,20卷,不。8,2169年,页2020。视图:出版商的网站|谷歌学术搜索
37. 朱z, w, s . et al .,“LatLRR-FCNs:潜在的低秩表示完全卷积网络医学图像融合,“神经科学前沿,14卷,p。1387年,2021年。视图:出版商的网站|谷歌学术搜索
38. 陈x y . Liu, j . Cheng和h .彭”基于卷积神经网络的医学图像融合方法,”2017年20国际会议信息融合(融合),页1 - 7,西安,中国,2017。视图:出版商的网站|谷歌学术搜索
39. h . Li X.-J。吴,j .难应付的“红外和可见光图像融合使用深度学习框架,”2018年24日国际会议模式识别(ICPR),第2710 - 2705页,北京,中国,2018。视图:出版商的网站|谷歌学术搜索
40. 刘m .阴,x, y, x,“医疗与参数自适应脉冲耦合神经网络图像融合nonsubsampled shearlet变换域,“IEEE仪表和测量,卷68,不。1,49 - 64年,2019页。视图:出版商的网站|谷歌学术搜索
41. p . w . Tan女子,h . m . Pandey, c . Moreira和a·k·贾斯瓦尔,”多模态医学图像融合算法在大数据时代,“神经计算和应用,21,2020页。视图:出版商的网站|谷歌学术搜索
42. c . Panigrahy a密封,n . k .多个“MRI、SPECT图像融合使用加权参数自适应双通道相,“IEEE信号处理信件27卷,第694 - 690页,2020年。视图:出版商的网站|谷歌学术搜索
43. 马y, z, m . Chen“增广拉格朗日乘子方法精确恢复损坏的低秩矩阵,”2010年,https://arxiv.org/abs/1009.5055/。视图:谷歌学术搜索
44. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,https://arxiv.org/abs/1409.1556/。视图:谷歌学术搜索
45. k·a·约翰逊和j·a·贝克尔,“整个脑图谱”,2021年,http://www.med.harvard.edu/aanlib/。视图:谷歌学术搜索
46. n . Cvejic c Canagarajah, d .牛”图像融合基于互信息度量和Tsallis熵,”电子信件,42卷,不。11日,第627 - 626页,2006年。视图:出版商的网站|谷歌学术搜索
47. c . Xydeas和诉Petrović目标图像融合性能的人制定出的措施”,电子信件,36卷,不。4、308 - 309年,2000页。视图:出版商的网站|谷歌学术搜索
48. n . Cvejic A . Loza d .公牛,n . Canagarajah”评价图像融合算法的相似性度量,”国际信号处理杂志》上,2卷,第182 - 178页,2005年。视图:谷歌学术搜索
49. y陈和r·s·布卢姆的“一个新的自动化质量评价图像融合的算法,”图像和视觉计算,27卷,不。10日,1421 - 1432年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Xi-Cheng卢和欣峰。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。