结合NSST与GA参数优化PCNN图像融合

针对传统多尺度融合算法不具平移性、融合效果较差以及PCNN参数设置复杂等问题,提出了一种结合非下采样剪切波变换（NSST）与遗传算法（GA）优化脉冲耦合神经网络（PCNN）参数的图像融合方法,将融合指标（互信息[MI]、边缘信息保留度[QAB/F]、熵[EN]、空间频率[SF]、图像标准差[STD]和图像平均梯度[AG]）的最大值设为GA优化算法的目标函数,从而获得最优解对PCNN的链接强度、阈值等参数进行优化。首先利用NSST对图像进行多尺度分解,其次高频采用空间频率引导PCNN进行融合,低频采用改进拉普拉斯能量和（SML）进行融合,最后进行NSST逆变换得到最终的融合图像。根据主观评价与客观评价指标对多聚焦图像、医学图像和红外及可见光图像的融合效果进行评价分析。实验结果表明,该算法在客观评价指标上优于其他算法,有较好的融合效果。     

基于张量奇异值理论的交通数据重构方法

由于探测器和通信设备的故障,交通数据的缺失是不可避免的,这种缺失给智能交通系统（ITS）带来了不利的影响。针对此问题,运用张量平均秩的概念,对张量核范数进行最小化,从而构建了新的低秩张量补全模型,并且在此基础上,基于张量奇异值分解（T-SVD）和阈值分解（TSVT）理论,分别使用坐标梯度下降法（CGD）和交替乘子法（ADMM）对模型进行求解,提出两个张量补全算法LRTC-CGD和LRTC-TSVT。在公开的真实时空交通数据集上进行实验。结果表明,LRTC-CGD和LRTC-TSVT算法在不同的缺失场景和缺失率条件下,补全精度要优于现行的其他补全算法,并且在数据极端缺失情况下（70%~80%）,补全的效果更加稳定。     

融合社交网络和图像内容的兴趣点推荐

基于位置的社交网络（LBSN）蓬勃发展，带来了大量的兴趣点（POI）数据，加速了兴趣点推荐的研究。针对用户-兴趣点矩阵极端稀疏造成的推荐精度低和兴趣点特征缺失问题，通过融合兴趣点的标签、地理、社交、评分以及图像等信息，提出了一种融合社交网络和图像内容的兴趣点推荐方法（SVPOI）。首先分析兴趣点数据集，针对地理信息，利用幂律概率分布构造距离因子；针对标签信息，利用检索词频率构造标签因子；融合已有的历史评分数据，构造新的用户-兴趣点评分矩阵。其次利用VGG16深度卷积神经网络模型（DCNN）识别兴趣点图像内容，构造兴趣点图像内容矩阵。然后根据兴趣点数据的社交网络信息，构造用户社交矩阵。最后，利用概率矩阵分解（PMF）模型，融合用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵，构成SVPOI兴趣点推荐模型，生成兴趣点推荐列表。大量的真实数据集上的实验结果表明，与PMF、SoRec、TrustMF、TrustSVD推荐算法相比，SVPOI推荐的准确度均有较大提升，其平均绝对误差（MAE）和均方根误差（RMSE）两项指标比最优的TrustMF算法分别降低了5.5%和7.82%，表明SVPOI具有更好的推荐效果。     

基于多分辨率奇异值分解的图像融合

提出一种新的基于多分辨率奇异值分解（ MSVD）图像融合算法。算法对源图像进行MSVD处理,使其分解为互不相关的平滑和细节分量,并对平滑分量进行多层次的分解与处理。类似于小波变换,多分辨率奇异值分解的基本思想是在平滑分量的每一层上用奇异值分解（ SVD）来取代滤波,最终利用融合规则对图像进行MSVD融合。利用5种评价算子来评价算法,得到的融合效果很好。与基于小波分解的算法相比,算法计算简单、实时性突出,对复杂、高像素图像处理更简单方便。     

基于边缘保留分解和改进稀疏表示的医学图像融合

针对多模态医学图像融合中容易产生伪影且存在细节缺失的问题,提出一种利用多尺度边缘保留分解和稀疏表示的二尺度多模态医学图像融合方法框架。首先利用边缘保留滤波器对源图像进行多尺度分解,得到源图像的平滑层和细节层。然后,将改进的稀疏表示算法用于融合平滑层,并在此基础上提出一种基于图像块筛选的策略来构建过完备字典的数据集,再利用字典学习算法训练出一种联合字典,同时引入一种多范数的活跃度度量方法选择稀疏系数;细节层的融合则采用自适应加权局部区域能量的融合规则。最后将融合后的平滑层和细节层进行多尺度重构得到融合图像。针对三类不同成像模态的医学图像进行对比实验,结果表明,该方法较其他多尺度变换和稀疏表示的方法能够保留更多显著的边缘特征,对比度也有明显提升,在视觉效果和客观评价上都具有一定优势。     

应用主成分分解(PCA)法的图像融合技术

本文在非多尺度分解的框架下,针对像素级的图像融合,提出了一种基于PCA分解的图像融合算法。该算法利用主成分分解可以保留原数据中的主要信息这一特点,由源图像获取数据的协方差矩阵,协方差矩阵的特征值和特征向量,据此确定图像融合算法中的加权系数和最终融合图像。试验表明,应用该算法融合后的图像取得了满意的效果.     

一种具有缺失数据的无监督ReliefF特征选择算法

目前,大多数特征选择算法是针对完整数据集的.而面对缺失及无标签数据集时,多数特征选择算法是无效的.为了解决缺失及无标签数据集的特征选择问题,本文提出了一种基于加权FCM,融合互信息同时交替更新特征权重的ReliefF算法(WFCM-IReliefF,Improved ReliefF Based on WFCM).首先,对均值预填补的完整数据集利用FCM算法进行无监督学习,从而找到样本近邻;其次,将ReliefF算法计算得到的特征权重代入加权FCM算法中,解决原始空间与特征空间的不同造成的聚类效果不佳的问题,通过加权FCM算法和ReliefF算法交替更新得到关键特征;再者,对特征选择后的数据集利用矩阵分解技术改善对缺失数据的预填补.最后,利用多个UCI公共数据集的对比实验,验证了本文提出的算法与其他对比算法相比有较为满意的效果.     

提升细节捕捉能力的非下采样轮廓波变换

针对传统NSCT(非下采样轮廓波变换)算法中NSP(多尺度分解方法)对细节信息捕捉能力较差及利用其进行图像融合得到的融合图像出现细节丢失问题,提出改进的NSCT算法。不同于传统NSCT算法,该算法首先采用细节捕捉能力较强的非下采样形态学小波分解替代NSP分解,实现对源图像的多尺度分解,将源图像分解成水平高频、垂直高频、对角高频和低频4部分;然后利用NDFB(非下采样的方向性滤波器)对高频部分进行多方向分解得到一系列高频信息,实现改进型NSCT分解。实验结果表明,该算法的细节捕捉能力较传统算法好,在相同融合规则下其图像融合效果更好,各项融合指标值均有所提高,其中平均梯度提高了10%,且易于实现,可广泛用于多分辨率图像融合,是一种有效的融合图像算法。     

迭代张量高阶奇异值分解的图像恢复方法

为了有效地对图像缺失数据进行恢复, 提出一种迭代张量高阶奇异值分解（HOSVD）图像缺失数据恢复方法。该方法首先利用拉格朗日乘子方法将张量核范数目标函数进行子问题分解操作, 简化了求解过程, 然后迭代地采用张量高阶奇异值分解阈值方法进行子问题求解, 最终得到恢复后的图像缺失数据。将矩阵奇异值阈值算法进行扩展而得的HOSVD阈值方法充分利用了图像内部和图像与图像之间的多重约束关系, 大大提高了恢复精度。模拟实验和真实图像实验结果显示该方法具有良好的缺失数据的恢复性能。     

面向高维特征缺失数据的K最近邻插补子空间聚类算法

针对高维特征缺失数据在聚类过程中面临的因数据高维引发的维度灾难问题和数据特征缺失导致的样本间有效距离计算失效问题,提出一种面向高维特征缺失数据的K最近邻（KNN）插补子空间聚类算法KISC。首先,利用高维特征缺失数据的子空间下的近邻关系对原始空间下的特征缺失数据进行KNN插补;然后,利用多次迭代矩阵分解和KNN插补获得数据最终可靠的子空间结构,并在该子空间结构进行聚类分析。在6个图像数据集原始空间的聚类结果表明,相较于经过插补后直接进行聚类的对比算法,KISC算法聚类效果更好,说明子空间结构能够更加容易且有效地识别数据的潜在聚类结构;在6个高维数据集子空间下的聚类结果显示,KISC算法在各个数据集的聚类性能均优于对比算法,且在大多数据集上取得了最优的聚类精确度（ACC）和标准互信息（NMI）。KISC算法能够更加有效地处理高维特征缺失数据,提高算法的聚类性能。     

基于非下采样Shearlet变换与聚焦区域检测的多聚焦图像融合算法

为了提高基于多尺度变换的多聚焦图像融合中聚焦区域的准确性,提出了一种基于非下采样Shearlet变换(NSST)与聚焦区域检测的多聚焦图像融合算法。首先,通过基于非下采样Shearlet变换的融合方法得到初始融合图像;其次,将初始融合图像与源多聚焦图像作比较,得到初始聚焦区域;接着,利用形态学开闭运算对初始聚焦区域进行修正;最后,在修正的聚焦区域上通过改进的脉冲耦合神经网络(IPCNN)获得融合图像。与经典的基于小波变换、Shearlet变换的融合方法以及当前流行的基于NSST和脉冲耦合神经网络(PCNN)的融合方法相比,所提算法在客观评价指标互信息(MI)、空间频率和转移的边缘信息上均有明显的提高。实验结果表明,所提出的算法能更准确地识别出源图像中的聚焦区域,能从源图像中提取出更多的清晰信息到融合图像。     

基于PCNN和最优化评价准则的曲波域图像融合

利用曲波变换能够准确捕获图像高维奇异信息的特点,提出了一种在曲波域中基于脉冲耦合神经网络和最优化评价准则的图像融合方法。该方法用曲波变换对输入图像进行多尺度分解,再利用脉冲耦合神经网络的全局耦合特性对高频子带曲波系数进行选取,定义图像融合的目标函数,根据最优化目标函数确定低频曲波系数的融合权值,进行曲波逆变换得到融合图像。实验结果以及与其他算法的比较分析表明了算法的有效性和优越性。     

脉冲耦合神经网络自适应图像融合算法研究

作为一种新型的神经网络模型,脉冲耦合神经网络（PCNN）已经在众多领域得到了应用。针对现有脉冲耦合神经网络图像融合算法存在的不足,提出了一种新的自适应PCNN图像融合算法。提取原始待融合图像的互补特征作为PCNN的外部输入,并通过提取待融合图像的对比度特征自适应确定PCNN的链接强度参数;分析了传统PCNN获取最优图像融合结果的方法,探索性地将结构相似度引入到PCNN融合结果的评价中,为PCNN最优融合结果的获取提供了很好的借鉴作用。通过红外和可见光等图像的仿真实验结果表明,提出的融合算法是有效的。     

基于二维经验模态分解的医学图像融合算法

提出了一种自适应的二维经验模态分解(bidimensional empirical mode decomposition,简称BEMD)医学图像融合算法.待融合的医学图像经过BEMD分解成二维的内蕴模函数(bidimensional intrinsic mode function,简称BIMF)和趋势图像.BIMF图像经过Hilbert-Huang变换提取图像特征,然后,图像分解的各部分数据在区域融合规则下形成综合BEMD表示.最后,综合BEMD表示进行BEMD逆变换得到融合后的医学图像.BEMD分解方法是一种完全自适应的数据分解表达形式,具有比Fourier变化和小波分解更好的特性.该医学图像融合算法不需要预先定义滤波器或小波函数.实验结果表明,该算法与传统融合算法相比性能优越,能够大幅度提高融合图像的质量.     

基于TV-L1结构纹理分解的图像融合质量评价算法

为对图像融合算法进行客观准确的综合评价,提出一种基于总变差正则化（TV-L¹）结构纹理分解的评价算法。根据对人类视觉系统的研究,可知人们对图像质量的感知主要来自图像底层视觉特征,而结构特征以及纹理特征是最重要的图像底层视觉特征,但目前的图像融合质量评价算法并没有利用这两种特征来进行评价。鉴于此,将图像进行二级结构和纹理分解,根据结构和纹理图像蕴含图像特征的不同,从结构图像和纹理图像两方面分别进行相似度评价,综合各级得分得到最终的评价总得分。基于30幅图像的数据集和8种主流融合算法,参照已有的11种客观评价指标,用波达计数法和肯德尔系数检验了该评价指标的一致性,另外在主观评价图像集上验证了该客观评价指标与主观评价的一致性。     

自适应PCNN的形态小波多聚焦图像融合方法

为了解决传统形态小波图像融合方法在重构尺度信号时发生了位置错误和重构细节信号时发生了灰度值下溢的不足,提出一种有效的基于自适应脉冲耦合神经网络（PCNN）的形态小波多聚焦图像融合方法。通过形态小波对已配准的源图像进行分解;提出一种自适应的PCNN,用分解系数的改进拉普拉斯能量和（SML）作为PCNN对应神经元的反馈输入,用图像的清晰度作为对应神经元的连接强度,经过PCNN点火获得参与融合系数的点火映射图,通过判决选择算子指导系数的融合;经过形态小波逆变换得到融合图像。实验结果表明,该算法的融合图像具有良好的视觉效果及较高客观评价指标。     

BEMD分解和W变换相结合的红外与可见光图像融合

目的 针对传统的基于多尺度变换的图像融合算法的不足,提出了一种基于W变换和2维经验模态分解（BEMD）的红外与可见光图像融合算法。方法 首先,为了更有效地提取图像的高频信息,抑制BEMD中存在的模态混叠现象,提出了一种基于W变换和BEMD的新的多尺度分解算法（简称W-BEMD）;然后,利用W-BEMD对源图像进行塔式分解,获得图像的高频分量WIMFs和残差分量WR;接着,对源图像对应的WIMFs分量和WR分量分别采用基于局部区域方差选择与加权和基于局部区域能量选择与加权的融合规则进行融合,得到融合图像的W-BEMD分解;最后,通过W-BEMD逆变换得到最终融合图像。W-BEMD分解算法的主要思想是通过W变换递归地将BEMD分解过程中每层所得低频分量中滞留的高频成分提取出来并叠加到相应的高频分量中,实现更有效的图像多尺度分解。结果 对比实验结果表明,本文方法得到的融合图像视觉效果更佳,既有突出的红外目标,又有清晰的可见光背景细节,而且在平均梯度（AG）、空间频率（SF）、互信息（MI）3个客观评价指标上也有显著优势。结论 本文提出了一种新的红外与可见光图像融合算法,实验结果表明,该算法具有较好的融合效果,在保留可见光图像中的细节信息和突出红外图像中的目标信息方面更加有效。     

基于双层并行PCNN和粗集理论的图像融合

为了能更好地进行多传感器图像融合,提出了一种基于双层并行PCNN和粗集理论的图像融合方法。该方法首先对两幅图像去噪,将一幅图像作为主PCNN网络的输入,另一幅图像作为从PCNN网络的输入,计算每幅图像的清晰度,分别将每幅图像的清晰度矩阵送入主从PCNN网络处理,然后根据粗集理论对原始图像分类,最后生成融合图像。该方法不仅能保留原图像信息,而且得到的融合图像清晰度高、对比度大。仿真实验结果以及与其他融合算法的比较,表明该算法的有效性和优越性。     

基于小波变换的PCNN多传感器图像融合

利用PCNN（Pulse Coupled Neural Network）在图像处理中的独特优势,提出了一种基于小波变换的PCNN多传感器图像融合方法。对源图像进行小波分解,得到不同尺度下的子带图像;在小波域中利用PCNN的同步脉冲激发特性,制定基于PCNN的融合规则;使用不同尺度下的小波系数的SF（Spatial Frequency）作为对应神经元的链接强度,经过PCNN点火得到源图像在小波域中的点火映射图;通过判决选择算子,选择点火次数多的小波系数作为对应的融合系数,进行区域一致性检验,获到最终的融合系数;对融合后的系数进行小波逆变换得到融合图像。实验结果表明,该方法有效地综合源图像中的重要信息,得到更好视觉效果和更优量化指标的融合图像,在主客观评价上均优于小波、PCNN等方法。     

基于小波变换的自适应脉冲耦合神经网络图像融合

针对同一场景多聚焦图像的融合问题,提出了一种基于小波变换的自适应脉冲耦合神经网络（PCNN）图像融合方法。首先,对源图像进行小波分解,得到不同尺度下的子带图像;然后,在小波域中利用PCNN的同步脉冲激发特性,制定基于PCNN的融合规则;使用不同尺度下的小波系数的拉普拉斯能量（EOL）作为对应神经元的链接强度,经过PCNN点火得到源图像在小波域中的点火映射图;通过判决选择算子,选择点火次数多的小波系数作为对应的融合系数,然后进行区域一致性检验,获到最终的融合系数;最后,对融合后的系数进行小波逆变换得到融合图像。实验结果表明,该方法更有效地提取原始图像的特征信息,提高融合图像的视觉效果,在主观视觉效果与客观性能指标上均优于传统的图像融合方法。