本研究提出了一种结合非下采样剪切波变换和特征合成技术的创新医学图像融合方法，旨在提升图像质量和诊断准确性。
在医学成像领域，图像融合技术已成为获取更多有用信息的关键手段之一。然而，传统算法往往导致细节纹理不清晰的问题，影响医生对图像的判断。为解决这一问题，本段落提出了一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）和特征合成策略的医学图像融合算法。
NSST是一种多分辨率分析工具，具有良好的方向性和尺度特性，在处理复杂结构的图像时表现优异。首先，对已配准的源图像进行NSST分解，将图像分为低频子带与一系列高频子带。其中，低频子带包含基础信息，而高频子带则涵盖了细节信息。
对于低频子带系数，本段落采用局域平均能量和局域标准差合成值作为融合策略，这有助于保留图像的基础信息，并确保融合后的图像不失真。在处理高频子带时，则使用改进的拉普拉斯能量和（New Sum of Modified Laplacian, NSML）方法进行融合，以更准确地检测并突出边缘与细节。
完成上述步骤后，通过逆NSST变换将低频及高频子带重构为最终图像。为了评估算法效果，在灰度和彩色医学多模态图像上进行了大量实验，并采用信息熵（Information Entropy, IE）、空间频率（Spatial Frequency, SF）、标准差（Standard Deviation, SD）以及平均梯度（Average Gradient, AG）作为客观评价指标。
结果显示，该算法在主观视觉效果及客观评价方面均表现出显著提升。具体而言，信息熵、标准差、空间频率和平均梯度的平均值分别提高了2.99%、4.06%、1.78%和1.37%，这表明融合后的图像包含更多细节纹理信息且视觉效果更佳。这些改进有助于医生在诊断过程中更为准确地识别病灶与异常结构。
本段落提出的基于NSST的医学图像融合算法通过结合局部特征合成及NSML方法，有效提升了融合图像清晰度和细节表现，为医学成像领域提供了一种新的高效解决方案。该技术进一步优化应用有望在未来临床实践中带来更精确的支持诊断功能。
5星
