基于离散小波变换并使用遗传算法进行最优参数估计的高效融合技术

图像融合在医学成像中起着至关重要的作用。图像融合旨在将来自多模态的互补与冗余信息整合为单一融合图像，且不产生失真或信息丢失。在本研究中，实现并分析了基于离散小波变换（DWT）与无抽取离散小波变换（UDWT）并利用遗传算法（GA）在融合过程中进行最优参数（权重）估计的融合技术，所用数据为多模态脑部图像。使用DWT进行图像融合时缺乏平移不变性的问题通过UDWT得以解决。所提出的融合模型在DWT与UDWT中使用一种高效的改进GA进行最优参数估计，以提升图像质量与对比度。通过在特征层面限制搜索空间，基础GA（像素级）的复杂度在改进GA（特征级）中得以降低。我们的实验观察到，使用带GA的DWT与UDWT技术进行最优参数估计的融合，在保留信息与对比度且无误差方面获得了更好的融合图像，无论于人眼感知还是客观指标评价均如此。本研究的贡献为：（1）利用GA估计融合权重时降低了时间与空间复杂度；（2）由于特征级GA实现，系统对任意尺寸输入图像具有可扩展性且时间复杂度相似；（3）根据估计的权重值识别对融合图像贡献更大的源图像。