???????????????? 欢迎来到本博客 ❤️❤️????????
????博主优势： ???????????? 博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️ 座右铭： 行百里者，半于九十。
???????????? 本文目录如下： ????????????
目录
基于联合双边滤波和局部梯度能量的多模态医学图像融合。作为生物医学诊断的强大辅助技术，近年来已成为热门话题。然而，对于许多医学图像融合算法来说，在融合性能、时间消耗和噪声鲁棒性之间的权衡仍然是一个巨大挑战。本文提出了一种有效、快速和稳健的医学图像融合方法。通过联合双边滤波引入了两层分解方案，能量层包含丰富的强度信息，结构层捕获了丰富的细节。然后，提出了一种基于结构张量和邻域能量的新型局部梯度能量算子，用于融合结构层，并引入了l1-max规则来融合能量层。在实验中对涵盖五种不同类别的医学图像融合问题的118对共注册医学图像进行了测试。比较了七种最新的代表性医学图像融合方法，并充分利用了六种代表性的质量评估指标来客观评价融合结果。广泛的实验结果表明，所提出的方法在视觉质量和定量评价方面均优于一些最新方法，并且实现了近乎实时的计算效率和对噪声的稳健性。
介绍
由于成像传感器和机制的多样性，不同模态的医学图像可能反映出各种组织/器官信息。对于解剖成像技术，计算机断层扫描（CT）图像对于密集结构（如骨骼和植入物）非常敏感。然而，CT图像无法捕获软组织的详细信息。磁共振（MR）图像显示了高空间分辨率的软组织结构的解剖对比，但无法检测人体代谢活动的活动信息。MR-T1图像在一定程度上准确反映了解剖结构。相比之下，MR-T2提供了组织病变的细节。对于功能图像，正电子发射断层扫描（PET）图像可以反映细胞和分子的生物活动，单光子发射计算机断层扫描（SPECT）图像可以显示组织/器官在分子水平上的代谢活动信息。然而，PET和SPECT的空间分辨率相对较低。为了准确描述病灶，医生通常需要综合分析多种不同模态的医学图像，这可能不可避免地给临床应用带来一些不便和低效率。
部分代码：
%% RGB to YUV
B_YUV=ConvertRGBtoYUV(B);
BB=B_YUV(:,:,1);
E1 = RollingGuidanceFilter(A,s,r,1);
E2 = RollingGuidanceFilter(BB,s,r,1);
S1= A-E1; S2= BB-E2;
LGE1=STO(S1).*local_energy(S1,N);
LGE2=STO(S2).*local_energy(S2,N);
map=(LGE1>LGE2);
map=majority_consist_new(map,T);
FS=map.*S1+~map.*S2; % fused structure layer
map2=abs(E1>E2);
FE= E1.*map2+~map2.*E2; % fused energy layer
F=FE+FS; % temp fused result
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
