Fusionsforschung von Bildern basierend auf der Haar-ähnlichen Multi-Skalen-Analyse

Zusammenfassung Angesichts der schweren Farb- und Definitionsverzerrung im Prozess der traditionellen Bildfusion schlägt diese Studie ein Haar-ähnliches Multi-Skalen-Analyse-Modell vor, bei dem die Haar-Wavelet modifiziert und für die medizinische Bildfusion verwendet wurde, um noch bessere Ergebnisse zu erzielen. Zunächst wird die verbesserte Haar-Wavelet-Basisfunktion übersetzt, das innere Produkt berechnet und mit jedem Band des Originalbildes heruntergesampelt, wobei das Band in vier Unterbilder zerlegt wird, die einen Niedrigfrequenz-Unterbereich und drei Hochfrequenz-Unterbereiche enthalten. Zweitens werden verschiedene Fusionsregeln im Niedrigfrequenzbereich und den Hochfrequenzbereichen angewendet, um das Niedrigfrequenz-Unterbild und die Hochfrequenz-Unterbilder in jedem Band zu erhalten. Die vier neuen Unterfrequenzbereiche werden invers dekomponiert, um jedes neue Band zu rekonstruieren. Die Studie konfiguriert und synthetisiert diese neuen Bänder, um ein Fusionsbild zu erzeugen. Schließlich werden die beiden Gruppen medizinischer Bilder für experimentelle Simulationen verwendet. Die experimentellen Ergebnisse werden analysiert und mit denen anderer Fusionsmethoden verglichen. Es konnte festgestellt werden, dass die in der Studie vorgeschlagene Fusionsmethode überlegene Effekte in der räumlichen Definition und der Farbintensität erzielt, insbesondere in Farbkennzahlen wie OP, SpD, CR und SSIM im Vergleich zu anderen Methoden.