基于NSST与自适应PCNN的多聚焦图像融合方法

为弥补传统图像融合方法融合质量不高的缺点,提出了基于非下采样剪切波变换(Nonsubsampled Shearlet Transform,NSST)与自适应脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的图像融合方法。首先,利用非下采样剪切波变换对源图像进行剪切波分解;然后,采用基于图像引导滤波器的融合规则对得到的低频分量进行低频融合;其次,对于高频分量,采用改进的空间频率作为PCNN的输入,利用改进的拉普拉斯能量和作为PCNN的链接强度;最后,通过NSST逆变换得到融合后的图像。实验结果表明,相比于传统的融合规则,文中提出的算法在主观效果上能很好地保留细节信息,并抑制伪影和失真的产生;在客观评价上,其在标准差、边缘信息传递量、信息熵和互信息等常用指标上的表现更为优越。     

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。     

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。     

一种基于PCNN的多聚焦图像融合改进算法

为提高图像融合质量和融合效率,提出一种基于脉冲耦合神经网络的多聚焦图像融合改进算法。对待融合的源图像作分块处理,选取合理的图像质量评价指标,计算每个分块的指标值,归一化后相减得到指标差值。把指标差值作为外部刺激输入到PCNN模型中,得到脉冲输出结果。用脉冲输出与给定的阈值作比较,若输出脉冲超过阈值则选择指标值大的源图像块作为融合图像块,否则取指标值小的源图像块。选取互信息、交叉熵、均方根误差、峰值信噪比、结构相似度以及相关系数6个客观质量评价指标进行评价,实验结果表明,该算法可获得较好的图像融合效果。     

基于PCNN的多尺度对比度塔图像融合算法

基于脉冲耦合神经网络(PCNN)的基本原理,提出了一种新型的图像融合算法。新算法在对源图像进行多尺度对比度金字塔分解的基础上,将多尺度对比度金字塔作为PCNN的输入,利用PCNN的全局耦合特性和脉冲同步特性进行对比度选择以实现图像融合。新算法利用了源图像的全局特征,符合人的视觉神经系统的生理学特性,实验结果表明了新型融合算法的有效性。     

Shearlet与改进PCNN相结合的图像融合

为提高多聚焦和医学图像融合的性能,提出了一种基于Shearlet变换的新型图像融合算法。与小波变换类似,Shearlet具有简单的数学结构,这使其可以很方便地和多分辨分析关联起来。在对一幅图像作Shearlet变换时,可以将其在任意尺度和方向上进行解构,因而Shearlet比传统小波可以捕获更多的方向和其他几何信息。所以对于图像融合来说,Shearlet是一种很好选择。对于Shearlet子带系数的选择,采用了一种改进的PCNN的点火幅度来得到融合策略,而不是传统PCNN方法中的点火次数,点火幅度通过一个Sigmoid函数来得到。并且采用改进拉普拉斯能量和(SML)这一有效的聚焦度量作为PCNN的输入,以提高其性能。实验结果表明,该方法在视觉效果和客观评价指标上都要优于小波和非下采样Contourle(tNSCT)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。     

基于提升小波变换与自适应PCNN的医学图像融合方法

为了更好地满足临床辅助诊断和治疗的需要,提出一种基于提升小波变换的CT与MRI图像的融合方法.该方法在低频子带采用基于区域能量的融合规则;高频子带采用自适应脉冲耦合神经网络(PCNN)的融合规则,通过应用PCNN简化模型把图像逐像素的梯度能量作为PCNN的链接强度,使得PCNN能根据像素梯度能量的变化来自适应地调整链接强度的大小,并根据点火次数确定高频子带融合系数.实验结果表明,文中方法与传统融合方法相比性能优越,丰富了融合图像的边缘及细节信息,可取得更好的融合效果.     

基于拉普拉斯金字塔与PCNN-SML的图像融合算法

基于拉普拉斯金字塔(LP)与脉冲耦合神经网络(PCNN)变换,提出了一种有效的多聚焦图像融合算法。首先,利用拉普拉斯金字塔对图像进行对多尺度分解,并利用PCNN对每一尺度的分解图像进行处理,以获取描述特征聚类的神经元点火频率图;然后,利用点火频率图的局部拉普拉斯分量绝对和(SML),实现了图像每一尺度LP分解的融合;最后,通过LP分解的重构实现了对多聚焦图像的融合。实验结果表明,所提方法在各项客观评价指标上均优于传统融合算法,体现出了良好的性能。     

混合多尺度分析和改进PCNN相结合的图像融合方法

为了更好地融合全色图像中的空间细节信息和多光谱图像中的光谱信息,提出一种基于混合多尺度分析和改进脉冲耦合神经网络(PCNN)的多光谱与全色图像融合方法.首先对全色图像和多光谱图像进行非下采样剪切波变换(NSST),并结合不同多尺度分析方法的互补特性,利用平稳小波变换(SWT)对低频分量部分进行二次分解,在混合多尺度域进行系数融合及SWT逆变换;然后采用基于PCNN的融合规则对高频分量部分进行融合;最后对融合后的高低频系数进行NSST逆变换,得到融合图像.在2组卫星拍摄的多光谱和全色图像上的实验结果表明,在主观视觉与客观评价指标的总体效果上,该方法优于其他8种经典以及流行方法.     

改进NSCT和IHS变换相结合的遥感影像融合

目的 目的为了增强多光谱和全色影像融合质量,提出基于脉冲耦合神经网络（PCNN）的非下采样Contoulet变换（NSCT）和IHS变换相结合的融合方法。方法 先对多光谱图像进行IHS变换提取亮度I分量,采用主成分分析增强I分量得到新的I⁺分量;然后通过NSCT变换分别对I⁺分量和全色图像进行分解,并采用边缘梯度信息激励的PCNN得到融合图像的低频和高频分量;最后进行NSCT逆变换、IHS逆变换得到融合图像。结果 利用资源一号02C卫星数据进行实验,结果表明该算法在保留光谱信息的同时提高了图像空间分辨率,获得了较好的融合效果。结论 结合NSCT和IHS变换的融合方法在视觉效果和客观评价指标上都优于常用的图像融合方法。     

改进交叉视觉皮质模型的医学图像融合方法*

传统的ICM(Intersecting Cortical Model,交叉视觉皮质层模型)在图像边缘检测和图像的分割等领域得到了广泛的应用,但模型中的一些参数需要人工的去选取,从而降低了模型应用结果的准确度。因此,本文对传统的ICM进行改进,使其参数能够自适应的选取,提出改进的ICM与NSCT相结合进行医学图像的融合。实验结果表明：本文提出的算法无论从主观性评价还是6个客观性评价指标均优于其它融合算法,不仅提高了图像的清晰度,而且较大程度保留了图像的细节信息,具有边缘信息突出,亮度对比度高的优点,取得了满意的效果。     

基于NSCT域滚动引导滤波与自适应PCNN的医学图像融合

针对传统CT和MRI医学图像融合后存在边缘轮廓模糊、纹理细节丢失等问题,提出基于NSCT域结合相位一致性滚动引导滤波与改进参数自适应双通道PCNN的图像融合方法。首先,采用相位一致性滚动引导滤波对CT源图像进行增强,提高骨骼轮廓结构清晰度。然后,通过NSCT变换分解增强后的CT和MRI源图像得到低频子带和高频子带。低频子带系数采用改进参数自适应双通道脉冲耦合神经网络融合策略,明显改善了软组织的纹理细节模糊效果;高频子带系数采用加权求和修正拉普拉算法融合,提升了融合后图像的细节、纹理等信息。最后,通过逆NSCT变换重构出融合图像。通过五组对比实验表明,所提方法的AG、CC、SF、MSE以及CEN客观评价指标分别平均提高了13.30%、6.71%、4.40%、40.23%、19.16%,说明该融合方法在处理纹理细节、边缘轮廓、结构相似性以及图像像素方面性能更好。     

基于图像金字塔的分维融合算法

数据融合是进行目标检测和识别的重要技术之一,但是在融合过程中不可避免地会产生信息损失。如何保留尽可能多的有用信息,关键在于融合算法的选取。由于图像金字塔中不同级的图像之间具有自相似性,而自相似性又是分形分维的基础。于是,根据图像金字塔的特点,提出了一种新的图像融合方法——基于图像金字塔的分维融合算法,将不同源图像分别分解成不同尺度的金字塔图像序列,在相应的尺度上以分形分维作为权系数进行融合,并采用中波红外和长波红外图像作为源图像进行融合实验,实验结果表明该方法是可行的。     

基于PCNN图像因子分解的X线医学图像增强

提出一种基于人眼视觉特性和改进的PCNN图像因子分解的X线医学图像增强算法。利用一种改进的PCNN图像因子分解算法对图像进行因子分解,得到细节程度由粗糙到精细的 一系列图像因子。分别对各层图像因子平滑滤波获得图像因子增益矩阵,根据图像因子的局部对比度是否达到由人眼视觉特性得到的对比度阈值进行自适应调节增益矩阵,对每层 图像因子增强后重构即可得到增强图像。经过对不同X线医学图像进行实验仿真,并对比一些常用图像增强算法,取得了较好的增强效果。     

基于神经网络与对比度的多聚焦图像融合技术

提出了一种基于小波对比度和神经网络的多聚焦图像融合算法。首先对各源图像进行小波变换,根据变换后系数计算出图像的小波对比度,选取源图像部分区域小波对比度作为前馈神经网络的训练样本,调整神经网络权重;然后用训练好的神经网络组合融合图像的小波系数,对组合后的系数进行一致性校验;最后对该系数进行小波逆变换,得到融合图像。实验结果表明,该算法能够较好地解决多聚焦图像融合问题,生成的融合图像效果优于传统图像融合方法。     

基于PCNN和指数型模糊加权熵的医学图像融合

为了更好地对CT和MRI图像进行融合,提出了一种指数型模糊加权熵自适应融合规则和改进的PCNN区域信息融合规则在多小波基的框架下进行CT和MRI医学图像的融合方法。对待融合图像进行多小波基的分解,对不同频率分量采用不同融合算法。实验表明,算法明显优于其他融合算法。它提高了图像的清晰度,较大程度保留了细节信息,具有边缘信息突出,亮度对比度高的优点。     

基于小波分解和PCNN的图像融合方法

随着融合技术的发展、小波理论的成熟,小波变换以其良好的时频特性在图像融合领域脱颖而出.本文在小波变换理论的基础上,提出了一种结合小波分解的改进型PCNN图像融合新方法.首先对两幅已经配准的原始图像进行小波多尺度分解;然后基于改进后的脉冲耦合神经网络模型提出一种新的融合规则,文中重点针对小波分解后高频域和低频域的特点,分...     

双重字典学习与自适应PCNN相结合的医学图像融合

目的 针对基于稀疏编码的医学图像融合方法存在的细节保存能力不足的问题,提出了一种基于卷积稀疏表示双重字典学习与自适应脉冲耦合神经网络（PCNN）的多模态医学图像融合方法。方法 首先通过已配准的训练图像去学习卷积稀疏与卷积低秩子字典,在两个字典下使用交替方向乘子法（ADMM）求得其卷积稀疏表示系数与卷积低秩表示系数,通过与对应的字典重构得到卷积稀疏与卷积低秩分量;然后利用改进的的拉普拉斯能量和（NSML）以及空间频率和（NMSF）去激励PCNN分别对卷积稀疏与卷积低秩分量进行融合;最后将融合后的卷积稀疏与卷积低秩分量进行组合得到最终的融合图像。结果 对灰度图像与彩色图像进行实验仿真并与其他融合方法进行比较,实验结果表明,所提出的融合方法在客观评估和视觉质量方面明显优于对比的6种方法,在4种指标上都有最优的表现;与6种多模态图像融合方法相比,3组实验平均标准差分别提高了7%、10%、5.2%;平均互信息分别提高了33.4%、10.9%、11.3%;平均空间频率分别提高了8.2%、9.6%、5.6%;平均边缘评价因子分别提高了16.9%、20.7%、21.6%。结论 与其他稀疏表示方法相比,有效提高了多模态医学图像融合的质量,更好地保留了源图像的细节信息,使融合图像的信息更加丰富,符合人眼的视觉特性,有效地辅助医生进行疾病诊断。     

多目标粒子群优化PCNN参数的图像融合算法

目的 脉冲耦合神经网络（PCNN）在图像融合上往往因为参数设置问题而达不到最佳效果,为了提高图像融合的质量,提出了一种基于多目标粒子群优化PCNN参数的图像融合算法。方法 首先用多目标粒子群对PCNN模型参数进行优化得到最优PCNN参数模型,然后利用双复树小波（DTCWT）对图像多尺度分解,将高频分量通过优化好的PCNN模型进行高频融合,低频分量通过拉普拉斯分量绝对和（SML）来进行低频融合,最后通过DTCWT逆变换实现图像的融合。结果 分别与DTCWT,拉普拉斯金字塔变换（LP）以及非下采样Contourlet变换（NSCT）进行实验对比,融合图像Clock,Lab的融合结果在客观指标上的互信息（8.062 3,7.908 5）、图像的品质因数（0.716 2,0.714 2）和标准差（51.213,47.671）都优于其他方法,熵和其他方法差不多,融合结果能够获得更好的视觉效果以及较大的互信息值和边缘信息保留值。结论 该方法有较好融合图像的能力,可适用于计算机视觉、医学、遥感等领域。