首页> 中文学位 >基于自适应PCNN的脑部医学图像分割与融合研究
【6h】

基于自适应PCNN的脑部医学图像分割与融合研究

代理获取

目录

声明

摘要

第一章 绪论

1.1 研究背景及意义

1.1.1 脑部医学图像分割的研究背景及意义

1.1.2 脑部医学图像融合的研究背景及意义

1.2 国内外研究现状

1.2.1 脑部医学图像分割的现状

1.2.2 脑部医学图像融合的现状

1.3 论文研究内容与组织结构

第二章 PCNN基本原理

2.1 PCNN模型及其简化

2.2 PCNN工作原理

2.3 PCNN基本特性分析

2.4 本章小结

第三章 基于自适应PCNN的脑部MRI图像分割

3.1 蚁群算法的基本原理

3.2 结合蚁群算法和PCNN的脑部MRI图像分割方法

3.2.1 脑部MRI图像预处理

3.2.2 蚁群算法的目标函数

3.2.3 结合蚁群算法和PCNN的脑部MRI图像分割方法的实现流程

3.2.4 脑部MRI图像后处理

3.3 实验结果及分析

3.4 本章小结

第四章 基于自适应PCNN的脑部CT和MRI图像融合

4.1 小波变换的基本原理

4.2 结合小波变换和PCNN的脑部CT和MRI图像融合方法

4.2.1 自适应PCNN

4.2.2 图像融合规则

4.2.3 图像融合过程

4.3 实验结果及分析

4.4 本章小结

第五章 总结与展望

5.1 全文总结

5.2 课题展望

参考文献

发表论文和参加科研情况

致谢

展开▼

摘要

随着科学技术的发展,各种医学图像应运而生,并得到迅速的发展,医学图像处理和分析作为医学图像研究的一个关键环节受到了世界各国的广泛关注。医学图像分割是医学图像处理的前提和基础,而医学图像融合可以提供更加全面的有用信息,所以对医学图像进行分割与融合具有重要的实用价值。
  脑部MRI图像广泛应用于大脑的病理和功能性研究,本文针对脑部MRI图像特点,提出了基于自适应PCNN的脑部MRI图像分割方法。首先利用蚁群算法的全局搜索能力,以图像信息熵与灰度期望值的和作为蚁群算法的目标函数,对PCNN的三个关键参数β、αθ和Vθ进行设定,然后基于PCNN简化模型,结合最大熵值准则对脑部MRI图像进行分割,最后对分割结果进行面积滤波,得到最终的分割结果。实验结果表明,本文方法能够实现脑部MRI图像的自动分割,具有较高的精度和较强的鲁棒性。
  将脑部CT和MRI图像进行适当的融合,能使骨骼信息和软组织信息有机地结合起来,因此,本文提出了一种基于自适应PCNN的脑部CT和MRI图像融合方法。首先利用小波变换将图像分解为高频分量和低频分量,高频分量利用自适应PCNN进行融合,其中计算不同尺度下的高频分量的拉普拉斯能量作为PCNN的连接系数,对低频分量进行适当的加权融合,最后将融合后得到的低频分量与高频分量采用小波逆变换,得到最终的融合图像。实验结果表明,本文方法较好的保留了源图像的细节和边缘信息,具有较好的融合效果。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号