一种基于NSCT和PCNN的图像融合算法-论文.pdf

《一种基于NSCT和PCNN的图像融合算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、●秘麓薅V。脚L解iot⋯⋯i【本文献信息】石瀚洋，杨静，赵焱．一种基于NSCT和PCNN的图像融合算法[J]．电视技术，2014，38(9)一种基于NSCT和PCNN的图像融合算法石瀚洋，杨静，赵焱(太原理工大学信息工程学院，山西太原030024)【摘要】在NSCT变换域提出了一种基于清晰度和PCNN的图像融合算法。首先对源图像分别进行NSCT变换，得到一组高频子带，和一个低频子带。然后对低频子带用提出的边缘清晰度算法进行融合处理，对高频子带，用提出的空间频率做链接强度的自适应PCNN算法进行融合处理。最后通过NSCT逆变换得到融合结果图像。对融合图像的结果分析证明，该算

2、法在主观评价和客观评价指标方面都有所提高。【关键词】非下采样Contourlet变换；清晰度；脉冲耦合神经网络；多聚焦图像融合【中图分类号】TN911．73；TP317．4【文献标志码】AImageFusionAlgorithminNSCTDomainBasedonPCNNSHIHanyang，YANGJing，ZHAOYan(InformationEngineeringSchool，TaiyuanUniversityofTechnology，Taiyuan030024，China)【Abstract】AnimagefusionalgorithmbycombingNonsu

3、bsampledContourletTransform(NSCT)andPulseCoupledNeuralNetwork(PCNN)ispresen—tedinthispaper．Thisalgorithmcouldimprovethequalityofimagefusionfromimprovingimagedefinition．Firstly，twoprimitivematchedimagesarede—composedinNSCTdomain．Thelowfrequencyusedthefusionbasedondefinition．Thehighfrequency

4、coefficientsareinputtotheadaptivePCNN．Final—ly，thefusedimageisobtainedthroughinverseNSCT．Thesimulationresultsshowthattheresultsaremuchbetterthantheexperimentalresults，whichthemutualinformationanddefinitionarehigherthanthecontrastmethodoffusionresults．【Keywords】NSCT；PCNN；definition；multi—fo

5、cusimagefusion图像融合是信息融合的重要组成部分，它帮助研究人平移不变性。这会使得伪吉布斯现象出现，从而影响融合员得到更清晰、可靠、高理解度的高质量图片，是图像处理效果。由A．L．Cunha于2006年等提出的NSCT(Non—的基础。随着电子技术和传感器技术的快速发展，图像融subsampleContourletTransform)改变了这一局面，它不但合技术在医疗、生物、工程检测、军事、等方面都发挥了重与Contourlet变换一样，拥有多尺度、多方向特性，它还具要的作用。近年来，在目标识别、人脸识别、目标检测、目有平移不变性，这样从根本上消除了伪吉布斯现象

6、。标跟踪、医疗成像、对地观测和计算机视觉等领域更是如PCNN是上世纪末Eehorn等提出的第三代人工神经此。图像融合是将两个或两个以上的传感器在同一时间网络神经网络，它是模拟猫大脑皮层的生物学特性提出或不同时间获取的关于某个具体场景的图像或图像序列的，它具有全局耦合性和脉冲同步性，对图像的每个像素信息加以综合，以生成新的有关场景解释的信息处理过的特性与全局特性能够做到兼顾。本文在分析NSCT的程⋯。图像融合通常在像素级、特征级和决策级三个层基础上，针对多聚焦图像在融合时需要着重考虑清晰度的级中展开。其中，像素级融合是核心也是基础。问题，将NSCT和PCNN组合应用，在NSC

7、T变换域提出基在图像融合的诸多方法中，基于多尺度分解的图像于PCNN和清晰度融合规则相结合的多聚焦融合方法。融合尤为重要。其中，小波变换的时一频特性优良，展现1非下采样Contourlet变换(NSCT)出很好的多分辨率特性。可需要说明的是，其分解出的方向特性信息有限(横向、纵向和对角线方向)。因此，在研NSCT是由Contourlet变换改进衍生而来的，它具有究者们通过不断的努力下，新的图像尺度分解方法不断被Contourlet变换所见长的多尺度、多方向特性。与此同时，提出(如脊波变换、曲波变换)这些图像变换方法