基于NSST图像处理算法

毕业设计的题目《多模态脑肿瘤医学图像融合系统》。翻阅文献，最后决定选用基于NSST域变换的PCNN图像融合算法。记录一下图像处理小白的毕设经历。

关于NSST："非下采样剪切波变换（NSST）是对剪切波（shearlet）变换的改进，在继承剪切波（shearlet）变换优点的同时，避免了伪吉布斯现象的出现，相比于小波变换、曲边变换等操作效率高、复杂度低。针对该系统的核心功能——图像融合，系统采用基于NSST域简化的脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)的方法。”

关于PCNN：“PCNN有生物学的背景，它是依据猫、猴等动物的大脑皮层上的同步脉冲发放现象提出的。PCNN有着广泛的应用，可应用于图像分割，边缘检测、细化、识别等方面。PCNN是Eckhorn于20世纪90年代开始提出的一种基于猫的视觉原理构建的简化神经网络模型。与BP神经网络和Kohonen神经网络相比，PCNN不需要学习或者训练，能从复杂背景下提取有效信息，具有同步脉冲发放和全局耦合等特性，其信号形式和处理机制更符合人类视觉神经系统的生理学基础。相较于传统的PCNN参数多且运行时间长的问题，本系统将对其进行简化为参数少、结构简单的模型。"

文献中总结出的融合过程的具体操作为：首先分别对单模态的MRI图像和CT图像进行非下采样剪切波(NSST)变换，得到低频子带和高频子带，然后对于图像低频子带按融合规则提高图像边缘敏感度，更好的提取图像特征信息；对于高频子带采用简化PCNN模型，寻找参数最优值；最后重构获得融合图像。如下图：

 

NSST变换主要分为以下两步：多尺度分解和方向局部化；多尺度分解通过非下采样金字塔滤波器组NSLP (non-sub asmpled Laplacian pyramid)来实现，从而保证平移不变性，抑制伪吉布斯现象。通过剪切滤波器(SF)实现方向局部化。源图像通过n级分解，得到1个低频子带图像和n个大小相同但尺度不同的高频子带图像。

 

附一个强大的脑部医学图像库。