✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

物理应用             机器学习

🔥 内容介绍

医学图像融合技术在医学诊断和治疗中具有重要意义。本文提出了一种基于非下采样剪切波变换（NSST）和脉冲神经网络（PCNN）的灰色医学图像融合新方法。该方法首先利用NSST对源图像进行多尺度分解，提取不同尺度的图像特征。然后，将提取的特征输入到PCNN中进行脉冲神经处理，增强图像的边缘和纹理信息。最后，将处理后的特征重构为融合图像。实验结果表明，该方法在主观视觉效果和客观评价指标方面都优于传统的融合方法。

引言

医学图像融合是指将来自不同模态或来源的图像融合成一张新的图像，以提供更全面的信息。近年来，医学图像融合技术在医学诊断和治疗中得到了广泛的应用，例如疾病诊断、手术规划和治疗评估。

传统医学图像融合方法

传统的医学图像融合方法主要包括以下几类：

• **像素级融合方法：**直接对源图像的像素进行加权平均或最大值/最小值选择。

• **变换域融合方法：**将源图像变换到其他域（如小波域、傅里叶域），然后在该域中进行融合。

• **基于特征的融合方法：**提取源图像的特征，然后在特征空间中进行融合。

基于NSST-PCNN的灰色医学图像融合方法

本文提出的基于NSST-PCNN的灰色医学图像融合方法主要包括以下步骤：

1. 非下采样剪切波变换（NSST）

NSST是一种多尺度图像分解方法，它利用剪切波基函数对图像进行分解，可以有效地提取图像的不同尺度特征。

2. 脉冲神经网络（PCNN）

PCNN是一种模拟视网膜神经元的脉冲神经网络模型，它具有增强图像边缘和纹理信息的能力。

3. NSST-PCNN融合

首先，将源图像分解为不同尺度的NSST特征。然后，将提取的NSST特征输入到PCNN中进行脉冲神经处理。最后，将处理后的NSST特征重构为融合图像。

实验结果

为了验证该方法的性能，我们使用了一组灰色医学图像进行实验。实验结果表明，该方法在主观视觉效果和客观评价指标方面都优于传统的融合方法。

📣 部分代码

clear all;close all;clc;%% NSST tool boxaddpath(genpath('shearlet'));%%A=imread('sourceimages/s02_MR.tif');  %解剖学图像B=imread('sourceimages/s02_PET.tif'); %功能图像figure(1);imshow(A);title('解剖学图像');figure(2);imshow(B);title('功能图像');​img1 = double(A)/255;img2 = double(B)/255;img2_YUV=ConvertRGBtoYUV(img2);img2_Y=img2_YUV(:,:,1);[hei, wid] = size(img1);​% image fusion with NSST-PAPCNN imgf_Y=fuse_NSST_PAPCNN(img1,img2_Y); ​imgf_YUV=zeros(hei,wid,3);imgf_YUV(:,:,1)=imgf_Y;imgf_YUV(:,:,2)=img2_YUV(:,:,2);imgf_YUV(:,:,3)=img2_YUV(:,:,3);imgf=ConvertYUVtoRGB(imgf_YUV);​F=uint8(imgf*255);figure(3),imshow(F);title('NSST-PCNN图像融合');imwrite(F,'results/fused.tif');​​

⛳️ 运行结果

🔗 参考文献

[1] 王昭、杜庆治、董安勇、苏斌、赵文博.基于非下采样剪切波变换的红外与可见光图像融合[J].光电子．激光, 2020, 31(10):12.DOI:10.16136/j.joel.2020.10.0206.

[2] 贾紫婷.基于脉冲耦合神经网络的医学图像融合算法[D].中北大学[2024-03-15].DOI:CNKI:CDMD:2.1018.183729.

[3] 李子奇.基于卷积神经网络的多聚焦图像融合算法研究[D].河北大学[2024-03-15].DOI:CNKI:CDMD:2.1018.830965.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合