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.
chan算法matlab代码FusionNet
使用网络摄像头进行非接触掌纹和手指纹理识别
使用网络摄像头进行非接触掌纹和手指纹理识别的演示源代码。
代码中使用的算法基于论文:
A.
Genovese,
V.
Piuri,
F.
Scotti,
and
S.
Vishwakarma,
"Touchless
palmprint
and
finger
texture
recognition:
A
Deep
Learning
fusion
approach",
in
Proc.
of
the
2019
IEEE
Int.
Conf.
on
Computational
Intelligence
&
Virtual
Environments
for
Measurement
Systems
and
Applications
(CIVEMSA
2019),
Tianjin,
China,
June
14-16,
2019,
pp.
1-6.
ISBN:
978-1-5386-8344-6.
DOI:
10.1109/CIVEMSA45640.2019.9071620
项目页面:
大纲:
源代码:
引