红外热图像与可见光图像融合技术研究

《红外热图像与可见光图像融合技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TN911.73密级公开UDC621.3学位论文编号D-10617-30852-(2016)-01069重庆邮电大学硕士学位论文中文题目红外热图像与可见光图像融合技术研究英文题目Thermalinfraredimageandvisiblelightimagefusiontechnologyresearch学号S130131088姓名申娇学位类别工程硕士学科专业电子与通信工程指导教师代少升教授完成日期2016年6月8日重庆邮电大学硕士学位论文摘要摘要随着红外图像在军事、民用等领域的快速发展，使得红外热图像与可见光

2、图像融合技术受到了广泛的研究和重视。红外图像拥有很强的抗干扰能力、可全天候工作、对隐蔽目标有良好的探测性等优点，使其在军事、工业和医学等方面有着广泛应用。但红外图像普遍存在对比度低、背景模糊、边缘细节表现能力差等缺点。而可见光图像的光谱信息丰富、空间辨别度高、场景的细节纹理清晰，所以将红外与可见光图像中的有用信息进行提取和整合可得到更准确、更清晰、更全面的图像。因此，本文在分析总结国内外图像融合技术相关工作的基础上提出了一种基于非下采样Contourlet变换(NonsubsampledContourletTrans

3、form，NSCT)与脉冲耦合神经网络模型(PulseCoupledNeuralNetwork，PCNN)相结合的自适应图像融合算法。NSCT变换有效地克服了传统多尺度变换中存在的频率混叠问题，不仅具有多尺度多方向特性，还具有平移不变性。所以，将待融合图像经过NSCT变换后得到一系列的低频子带系数和高频方向子带系数，然后针对子带的区域特征制定相应的融合规则。PCNN具有脉冲发放特性、捕获特性、变阈值特性等优点，将其应用于融合规则的制定中可以获得良好的融合效果。因此，选取基于自适应区域能量的融合规则对低频子带系数进行处

4、理；而高频方向子带系数则选取基于PCNN的自适应融合规则。其中，本文采用改进的空间频率作为PCNN的链接强度，并对点火映射图进行一致性检验，进一步提高了图像融合的清晰度和准确度。本文将传统的几种图像融合算法与本文算法通过MATLAB进行对比仿真实验，并采用平均梯度、空间频率和标准差等六个客观评价指标对图像融合效果进行对比评价。实验结果表明：本文所提出的基于NSCT和PCNN的自适应图像融合算法所得到的融合图像不仅拥有良好的视觉特性和丰富的边缘细节信息，且可以获得更高的评价指标。其中，平均梯度提升了9.42%~34.6

5、62%，空间频率提升了12.114%~14.193%，标准差提升了28.661%~30.032%。关键词：红外图像，可见光图像，融合技术，非下采样Contourlet变换，脉冲耦合神经网络I重庆邮电大学硕士学位论文AbstractAbstractWiththerapiddevelopmentofinfraredimagesinthemilitary,civilandotherfields,makingfusioninfraredthermalimagewiththevisibleimagehasbeenextensi

6、velystudiedandattention.Infraredimagehasastronganti-jammingcapability,canworkaroundtheclock,isgoodforcoverttargetdetectionandotheradvantages,itiswidelyusedinmilitary,industrialandmedical.Buttheinfraredimagehasthedisadvantagesoflowcontrast,fuzzybackground,poored

7、gedetailrepresentationandsoon.Andvisiblelightimageswithabundantspectralinformation,ahighdegreeofspatialdiscrimination,thedetailsofthescenetextureclear,soextractionandintegrationofusefulinformationfrominfraredandvisibleimagescanbeattainmoreaccurate,clearandcompr

8、ehensiveinformation.Therefore,thispaperproposesanadaptiveimagefusionalgorithmbasedonnon-subsampledcontourlettransform(NSCT)andpulsecoupledneuralnetwork(PCNN)isproposed,which