学位论文简介

医学图像成像质量不高，边界模糊；标记样本不足，训练样本缺乏；多模图像融合困难等，使得其医学图像分类在准确度、泛化能力以及系统鲁棒性等方面的问题日益突出。本文研究了像素级融合和特征级融合机器学习分类的相关技术，取得了以下主要创新性研究成果：

(1) 为解决多尺度超像素分割中的尺度数目确定的问题，提出了一种基于超图Markov链松弛的聚类学习方法以及相应的特征级多尺度超像素分割方法。

(2) 为探究特征级融合分类中高维数据多特征的相关性表示问题，提出了一种基于多特征互补性和相关性分析的图谱直推分类方法。

(3) 提出了一种像素级融合及分类方法，即基于卷积形态成分分析和导向滤波的多模图像融合方法。该方法主要关注两个问题，第一个问题是通过导向过滤算子来缓解线性转换的边缘伪影，该伪影通常是多尺度融合方法中的噪声干扰导致的。第二个问题是提出一种取最大值融合方案来保证稀疏编码的稀疏性。

(4) 提出了一种像素级融合方法，即NSST域CSR与互信息相关的图像融合方法。该方法主要关注两个问题，第一个问题是NSST变换时的分解尺度，合适的分解尺度有利于在提取足够空间细节的同时，避免高频子带融合时的噪声敏感程度。第二个问题是融合策略的选择，根据区域互信息相关性，在相似区域使用中心像素能量加权平均融合方案，不相似区域使用Laplacian能量梯度最大值融合策略。

主要学术成果

(1) Guo P, Xie G, Li R. Object Detection Using Multiview CCA-Based Graph Spectral Learning[J]. Journal of Circuits, Systems and Computers, 2020, 29(02):196-211.(SCI 其它)

(2) Guo P, Xie G, Li R, et al. Multi-modal Image Fusion via Convolutional Morphological Component Analysis and Guided Filter[J]. Journal of Circuits, Systems and Computers, 2020(10).(SCI 其它)

(3) 郭鹏, 李仁发, 胡慧. 一 种 基 于 超 图Markov链 松 弛 的 聚 类 学 习 方 法[J]. 计 算 机 科 学,2019(CSCD).

(4) Guo P, Li R, Xie G. Multmodal Medical Image Fusion With Convolution Sparse Representation and Mutual Information Correlation in NSST Domain[J]. Complex & Intelligent Systems ,(SCI三区，在审).