针对融合后的医学图像时常存在细节纹理不够清晰的问题，本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的医学图像融合算法，对多模态医学影像进行融合，增强细节结构提取的能力，提高图像融合质量，为医疗诊断提供依据.首先，将已配准的源图像进行NSST分解，得到低频子带和一系列高频子带；其次，对于低频子带系数，提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略，有利于完整保存基础信息，对于高频子带系数，利用改进的拉普拉斯能量和（New Sum of Modified Laplacian，NSML）的方法进行融合；接着，将融合过后的低、高频子带进行NSST的逆过程变换，从而得到融合之后的图像；最后，在灰度和彩色医学多模态图像上进行大量的实验，并选择信息熵（IE），空间频率（SF），标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明，本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比，信息熵，标准差，空间频率和平均梯度的平均值分别提高了2.99%，4.06%，1.78%和1.37%，融合后的图像包含更丰富的细节纹理信息，视觉效果更好.

在分析已有小波图像融合方法的基础上,针对高、低频融合规则的选择问题,提出了一种基于小波多分辨率分解的图像融合算法。该算法对小波分解后的低频子图像采用基于主成分分析的低频融合规则进行融合,而对高频子图像采用系数绝对值取最大和基于局部均值方差最大化的融合规则进行融合。实验结果表明,该方法提高了融合图像包含的信息量,最大可能地消除了局部对比度极性反转的情况,明显地增强了融合图像的清晰度,而且很好地保留了源图像中的边缘细节。

此代码是“多尺度引导图像和视频融合：一种快速有效的方法”的实现如果您发现工作对您的研究有用，请引用这篇文章。 指示： 1) 运行 MGFF_demo.m 查看 Proposed MGFF 方法在灰度图像上的融合结果 2) 运行 MGFF_RGB_demo.m 查看 MGFF 方法对彩色图像的融合结果。 3) 代码中提供了所有必需的描述或说明。 我还强烈建议您参考论文以获取更多详细信息。 文章： https : //link.springer.com/article/10.1007/s00034-019-01131-z 4) 提供两组图片和代码用于演示。 您可以找到论文中使用的所有数据集在https://sites.google.com/view/durgaprasadbavirisetti/datasets?authuser=0 5）这是融合灰度和彩色图像的算法的基本实现。

可见光与近红外医学图像融合算法及软件-王艳翔

融合算法python版

摘要为进一步提高多聚焦图像的融合质量提出一种基于监督学习的全卷积神经网络多聚焦图像融合算法该算法旨在运用神经网络学习源图像不同聚焦区域的互补关系即选择源图像中不

基于小变换，以及边缘融合算法的图像边缘检测算法。包含了在多尺度下层层检测分解重构图像。-Based on the small change, as well as the edge of fusion algorithm of image edge detection algorithm. Included at every level of multi-scale decomposition of reconstructed image detection.

基于小变换，以及边缘融合算法的图像边缘检测算法。包含了在多尺度下层层检测分解重构图像。-Based on the small change, as well as the edge of fusion algorithm of image edge detection algorithm. Included at every level of multi-scale decomposition of reconstructed image detection.

实现航迹融合的算法，多雷达探测实现目标数据的融合并完成对目标的模拟仿真，这里主要是对一个目标的跟踪，需要在vc++6.0上实行

针对电气设备同一场景的红外与可见光图像间一致特征难以提取和匹配的问题，提出了一种基于斜率一致性的配准方法。首先通过数学形态学方法分别提取红外与可见光图像的边缘，得到粗边缘图像；然后通过SURF算法提取两幅边缘图像的特征点，根据正确的匹配点对之间斜率一致性的先验知识，进行特征点匹配；最后通过最小二乘法求得仿射变换模型参数并实现两幅图像的配准。实验结果表明，该方法有效提高了匹配点对的正确率，能够对电气设备红外和可见光图像实现高精度的配准。