《表3 80组输入图像融合结果的客观评价值（均值/标准差）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积稀疏表示的鲁棒性PET和CT图像融合方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对于多模态医学图像融合，基于CSR的融合方法采用绝对值取大规则和平均规则去合并细节层和基础层，损失了PET图像中较多的能量信息。基于CNN的融合方法结合了拉普拉斯金字塔分解和局部能量的融合规则策略，引入深度卷积神经网络来设计权值映射图。然而，该方法生硬地将图像融合问题建模成聚焦与非聚焦的图像分类问题，并且缺少包含较多具有PET图像特征的数据集来训练Siamese卷积网络，再者拉普拉斯金字塔分解不具备平移不变性和多方向性，因此并未在本课题上取得满意的融合结果。NSCT的方向选择性基于旋转操作，在表征图像的几何特征能力上被视为经典[31]。基于NSCT-SR的方法虽然在高分辨率的多模态图像融合中展现了优异的效果。但对于PET和CT图像显得力不从心，伪影现象十分突出。该问题首先归因于PET图像的低分辨率特点和NSCT有限的方向选择能力，其次考虑到该方法本质上使用SR来融合低频子带，而构造合适它的字典是另一难题。基于SR-SOMP的方法采用SOMP算法进行系数编码，获得近乎最稀疏的、最本质的系数矩阵[32]，过度保留了图像中像素剧烈突变的点（例如噪声），使得QAB/F指标虚高，但因为使用了滑动窗技术和平均策略，又缺损了几何结构突变不明显的图像特征，如图3(e）和图5(e）所示。基于NSST的方法尽管在方向选择性等方面具有优势，但由于采用了常规的融合规则[13]，无法在PET和CT图像的融合中发挥其优势。