非采樣Contorurlet變換與PCNN相結合的圖像融合方法研究.pdf

1、論文研究了基于多尺度分解與脈沖耦合神經網絡相結合的圖像融合方法，目的是開發(fā)融合效果優(yōu)良、運算處理速度快的圖像融合方法，為圖像融合的實際應用提供新的途徑。論文的主要研究內容如下：
　　 ①介紹了多尺度分解與重構工具在醫(yī)學圖像、多聚焦圖像、遙感圖像、紅外與可見光圖像融合方面的應用，以及非采樣Contourlet(Nonsubsampled ContourletTransform,NSCT)變換和脈沖耦合神經網絡(Pulse coup

2、led neural networks,PCNN)的一般原理。
　　 ②實驗比較了采用不同的多尺度分解與重構工具獲得的融合圖像性能，得出了基于非采樣Contourlet變換(NSCT)的圖像融合方法優(yōu)于傳統(tǒng)的基于小波變換、靜態(tài)小波變換、提升靜態(tài)小波變換、Contourlet變換的圖像融合的一般結論，提出了NSCT與PCNN相結合的圖像融合方法。
　　 ③針對PCNN在圖像處理時所有鏈接強度都是使用同一數值的不足，定義了圖

3、像單個像素清晰度的概念，提出了以圖像單個像素的清晰度作為PCNN鏈接強度的方法，從而使PCNN可以根據圖像的不同特點來自適應選擇鏈接強度的大小。
　　 ④傳統(tǒng)的基于多尺度分解與PCNN相結合的圖像融合方法在選擇低頻子帶系數時大都以圖像像素的灰度值做為PCNN神經元的外部輸入或直接采用加權平均法。根據人類視覺系統(tǒng)對圖像的邊緣細節(jié)信息比較敏感的特性可知，僅僅以單個像素的灰度值來作為PCNN神經元的外部輸入是不夠的，直接采用加權平均法

4、會使圖像的邊緣細節(jié)信息被平均亮度湮沒。為克服傳統(tǒng)方法的不足，本文根據拉普拉斯能量和能夠恰當地表征圖像邊緣細節(jié)信息的特性，提出了對圖像經NSCT分解后的低頻部分采用其拉普拉斯能量和作為PCNN神經元的外部輸入；高頻部分代表了圖像的邊緣細節(jié)信息，直接將其灰度值作為PCNN神經元的外部輸入，根據神經元點火次數的大小來選擇融合圖像的NSCT系數。
　　 為驗證本文方法的有效性和優(yōu)越性，對不同傳感器獲得的圖像進行了融合實驗。實驗結果表明，