云推理医学图像融合方法研究

摘要

本文研究了云推理医学图像融合方法。
　　 本文首先研究了一种云推理医学图像融合方法。方法中引入了一种处理不确定性信息的人工智能方法--云推理，其云状的隶属函数可以更好的在处理过程中兼顾模糊性和随机性。该方法利用隶属云模型构造多条件多规则云推理系统，通过划分3个灰度区间和9个灰度区间两种方法，并且依据最大值法的思想设定相应的推理规则。云推理系统的输入是CT图像与MRI图像，输出是融合结果图像。通过本文方法与传统模糊推理医学图像融合方法的MATLAB实验仿真结果对比表明，本文提出的融合方法是有效可行的，不但能够更好的保留源图像内容，还能明显提升信息量和细节清晰度。并且，与根据3个灰度区间设定规则的融合结果相比，根据9个灰度区间设定融合规则的方法得到的融合结果效果更好。
　　 其次，研究了一种云神经网络医学图像融合方法。该方法在传统T-S推理的基础上，将云模型引入传统T-S模糊推理系统中，构成T-S型云推理系统。利用T-S云推理系统与RBF云神经网络的等价性，根据误差反向传播算法训练RBF云神经网络各项参数，进而可以将参数输入用于融合处理的T-S型云推理系统中。推理系统的输入是CT图像与MRI图像，输出为融合结果图像。通过MATLAB实验仿真结果表明，与传统T-S模糊推理医学图像融合方法相比，本文的云神经网络医学图像融合方法具备良好的融合性能，可以提高融合图像的信息量与细节清晰度。并且，由于参数训练优化环节的存在，云神经网络医学图像融合方法与本文前一种云推理医学图像融合方法相比，其融合图像能更好的保留源图像内容，并且可以明显地提升信息量和细节清晰度。

目录

文摘

英文文摘

第一章 绪论

1.1 研究背景

1.2 信道化接收机的简介

1.2.1 基带数字化信道接收机

1.2.2 中频数字信道化接收机

1.2.3 射频数字信道化接收机

1.3 数字信道化处理的意义

1.4 本文主要工作和章节安排

第二章 基于多相滤波器组的信道化理论

2.1 理想采样与采样定理

2.1.1 理想采样和采样定理

2.1.2 带通采样定理

2.2 多速信号处理基础

2.2.1 内插

2.2.2 抽取

2.2.3 内插和抽取对DFT和FFT的影响

2.3 FIR滤波器

2.4 滤波的理论

2.4.1 滤波和增减采样互换定理

2.4.2 多相分解

2.4.3 抽取滤波器结构

2.5 离散傅里叶变换的滤波器组

2.6 小结

第三章 基于多相滤波器组的数字接收机时频参数测量

3.1 多参数雷达信号

3.1.1 搜索模式

3.1.2 跟踪、确认和失跟

3.1.3 群目标分辨

3.2 多相滤波器组信道化研究

3.2.1 信道化的带宽和信道间隔

3.2.2 基于一级多相滤波器组的快速测频

3.2.3 基于二级多相滤波器组的高精度快速测频

3.3 中频数字接收机测脉宽和到达时间

3.416通道滤波器组信道化实现

3.5 多相滤波器组滤波分离重叠脉宽

3.6 高精度频域测量

3.7 本章小结

第四章 数字信道化的现代：DSP设计

4.1 现代DSP技术

4.1.1 概述

4.1.2 基于FPGA的DSP设计流程

4.1.3 FPGA的设计技巧

4.2 FIR滤波器的设计

4.2.1 Matlab设计滤波器系数和阶次

4.2.2 FIR滤波器Modelsim仿真

4.2.3 FIR滤波器Quartus综合

4.2.4 FIR滤波器综合后仿真

4.2.5 任意线性FIR滤波器

4.3 并行FFT的设计和验证

4.3.14点并行FFT的原理框图

4.3.24点并行FFT的Simulink仿真

4.3.3 并行FFT的Quartus电路综合

4.3.4 并行FFT的时序后仿真

4.4 两种现代DSP设计的比较

4.5 本章小结

第五章 总结

致谢

参考文献

作者在读期间的研究成果