非采樣Contorurlet變換與PCNN相結(jié)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(jīng)網(wǎng)絡(luò)相結(jié)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(yīng)用提供新的途徑。論文的主要研究內(nèi)容如下：
　　 ①介紹了多尺度分解與重構(gòu)工具在醫(yī)學(xué)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(yīng)用，以及非采樣Contourlet(Nonsubsampled ContourletTransform,NSCT)變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)(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(gòu)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(jié)論，提出了NSCT與PCNN相結(jié)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(shù)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(jù)圖像的不同特點來自適應(yīng)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(jié)合的圖像融合方法在選擇低頻子帶系數(shù)時大都以圖像像素的灰度值做為PCNN神經(jīng)元的外部輸入或直接采用加權(quán)平均法。根據(jù)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(jīng)元的外部輸入是不夠的，直接采用加權(quán)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(jù)拉普拉斯能量和能夠恰當(dāng)?shù)乇碚鲌D像邊緣細節(jié)信息的特性，提出了對圖像經(jīng)NSCT分解后的低頻部分采用其拉普拉斯能量和作為PCNN神經(jīng)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(jīng)元的外部輸入，根據(jù)神經(jīng)元點火次數(shù)的大小來選擇融合圖像的NSCT系數(shù)。
　　 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(jié)果表明，