基于梯度融合规则的医学图像融合方法*

为了更好地满足临床诊断和治疗的需要,本文提出了一种在图像融合阶段对测量值进行自适应梯度加权和图像重建时采用CoSaMP重建算法相结合的方法。该算法首先对两幅源图像分块并进行稀疏表示,同时利用观测矩阵进行测量。在测量数据融合阶段引入图像梯度来反应图像本身的边界信息,先计算每幅分块子图像的梯度;然后利用自适应梯度加权的融合规则得到融合的测量数据,并对融合测量数据进行随机压缩采样;最后通过CoSaMP算法对采样数据进行信息重构实现测量数据的恢复。该方法克服了图像融合时信息畸变的缺陷,并且可以根据不同融合区域自动调整融合规则的权重系数,有效地避免了设置固定权重系数造成的融合误差。实验结果和评价指标验证了本文算法的有效性和先进性。     

基于SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性（SSIM）来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。