TDFusion:当张量分解与非子样本的Shearlet转换域中的医学图像融合相遇时
Rui Zhang1, Zhongyang Wang1, Haoze Sun1
1Jiangsu Province Key Lab on Image Processing and Image Communication, Nanjing University of Posts and Telecommunications, Nanjing 210003, China.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
这项研究引入了一种新的张量分解 (TD) 和非亚样本的Shearlet转换 (NSST) 模型,用于医学图像融合. 通过使用联合指导集成低频和高频组件,TDFusion方法提高了融合图像质量.
科学领域:
- 医疗成像医学成像
- 图像处理 图像处理
- 计算机视觉 计算机视觉
背景情况:
- 医学图像融合旨在将来自多个来源图像的互补信息结合起来.
- 由于频率表示的结构差异,现有的方法可能会遭受信息丢失.
研究的目的:
- 提出使用张量分解和NSST的医疗图像融合的统一优化模型.
- 通过引入联合静态和动态引导技术来解决合图像中的信息丢失问题.
主要方法:
- 使用非亚样本的Shearlet转换 (NSST) 将图像分解为低频 (LF) 和高频 (HF) 组件.
- 应用张量分解 (TD) 来整合LF和HF信息.
- 实施联合静态和动态指导 (JSDG) 技术来保护信息.
- 使用乘数 (ADMM) 和梯度下降的交替方向方法优化参数.
- 通过反向NSST重建融合图像.
主要成果:
- 拟议的TDFusion模型有效地整合了LF和HF信息.
- 该JSDG技术减轻了融合图像中的潜在信息丢失.
- 实验结果表明TDFusion在现有方法上的优势.
结论:
- TDFusion模型为医疗图像融合提供了一种有效的方法.
- TD,NSST和JSDG的整合提高了融合图像质量和信息保存.


