采用改进平均梯度与自适应PCNN的图像融合

为了改善对多聚焦图像融合的视觉效果和时效性.借助非下抽样剪切波(NSST)变换的平移不变性和较强的方向选择性,提出改进的融合策略.通过NSST变换对源图像进行分解,获得与源图像大小相同但尺度不同的低频子带和高频子带,再采用改进平均梯度的策略对低频子带进行融合,对高频子带则利用改进的自适应PCNN策略进行融合.对融合后的高低频子带进行NSST逆变换,重构出整体更自然明亮和细节纹理更清晰的融合图像.仿真结果表明:改进融合策略较好地提取出了源图像的细节信息,在主观视觉和五种客观评价指标上均优于其他几种比较算法,且由于NSST引入了快速傅里叶变换,明显提高了运算的时效性.     

采用改进平均梯度与自适应PCNN的图像融合

为了改善对多聚焦图像融合的视觉效果和时效性.借助非下抽样剪切波(NSST)变换的平移不变性和较强的方向选择性,提出改进的融合策略.通过NSST变换对源图像进行分解,获得与源图像大小相同但尺度不同的低频子带和高频子带,再采用改进平均梯度的策略对低频子带进行融合,对高频子带则利用改进的自适应PCNN策略进行融合.对融合后的高低频子带进行NSST逆变换,重构出整体更自然明亮和细节纹理更清晰的融合图像.仿真结果表明:改进融合策略较好地提取出了源图像的细节信息,在主观视觉和五种客观评价指标上均优于其他几种比较算法,且由于NSST引入了快速傅里叶变换,明显提高了运算的时效性.     

改进稀疏表示与积化能量和的多聚焦图像融合

为解决多聚焦图像融合算法中细节信息保留受限的问题,提出改进稀疏表示与积化能量和的多聚焦图像融合算法。首先,对源图像采用非下采样剪切波变换,得到低频子带系数和高频子带系数。接着,通过滑动窗口技术从低频子带系数中提取图像块,构造联合局部自适应字典,利用正交匹配追踪算法计算得到稀疏表示系数,利用方差能量加权规则得到融合后的稀疏系数,再通过反向滑动窗口技术获得融合后的低频子带系数;然后,对于高频子带系数提出积化能量和的融合规则,得到融合后高频子带系数;最后,通过逆变换获得融合图像。实验结果表明,该算法能保留更详细的细节信息,在视觉质量和客观评价上具有一定的优势。     

基于非下采样剪切波变换和特征合成的医学图像融合算法

针对融合后的医学图像时常存在细节纹理不够清晰的问题,本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform,NSST）的医学图像融合算法,对多模态医学影像进行融合,增强细节结构提取的能力,提高图像融合质量,为医疗诊断提供依据.首先,将已配准的源图像进行NSST分解,得到低频子带和一系列高频子带;其次,对于低频子带系数,提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略,有利于完整保存基础信息,对于高频子带系数,利用改进的拉普拉斯能量和（New Sum of Modified Laplacian,NSML）的方法进行融合;接着,将融合过后的低、高频子带进行NSST的逆过程变换,从而得到融合之后的图像;最后,在灰度和彩色医学多模态图像上进行大量的实验,并选择信息熵（IE）,空间频率（SF）,标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明,本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比,信息熵,标准差,空间频率和平均梯度的平均值分别提高了2.99%,4.06%,1.78%和1.37%,融合后的图像包含更丰富的细节纹理信息,视觉效果更好.     

NSCT域内结合相位一致性激励PCNN的多聚焦图像融合

针对传统脉冲耦合神经网络（PCNN）无法准确提取多聚焦图像聚焦区域的问题,提出一种利用相位一致性（PC）来检测图像清晰区域,并结合PCNN的多聚焦图像融合算法。首先,利用非下采样轮廓波变换（NSCT）对源图像进行多尺度分解,分别得到图像的高频子带和低频子带;其次,通过计算高频系数的空间频率值（SF）与低频系数的相位一致性值来提取图像高低频子带中的聚焦区域;然后,将SF与PC作为PCNN外部激励来刺激PCNN神经元点火,分别对图像高低频系数进行融合;最后,利用逆NSCT得到最终融合图像。实验采取多聚焦图像Clock、Pepsi和Lab作为三组实验数据集,与传统融合算法及新近提出的几种算法进行对比,所提算法的客观评价参数：互信息、边缘信息度、信息熵、标准差和平均梯度的数值均大于或十分接近于对比算法的最大值;同时从实验结果图与源图像的差值图中可以发现所提算法的差值图包含源图像清晰区域的痕迹明显更少。实验结果表明所提算法能更加准确地提取出图像的清晰区域,更好地保留图像的边缘与纹理等细节信息,得到更好的融合效果。     

结合视觉显著性与Dual PCNN的红外与可见光图像融合

针对现存的红外与可见光图像融合算法亮度不均、目标不突出、对比度不高、细节丢失等问题,结合非下采样剪切波变换(NSST)具有多尺度、最具稀疏表达的特性,显著性检测具有突出红外目标的优势,双通道脉冲耦合神经网络(Dual-PCNN)具有耦合、脉冲同步激发等优点,提出一种基于NSST结合视觉显著性引导Dual-PCNN的图像融合方法。首先,通过NSST分解红外与可见光图像各方向的高频与低频子带系数;然后,低频子带系数采用基于显著性决策图引导Dual-PCNN融合策略,高频子带系数采用改进的空间频率作为优化Dual-PCNN的激励进行融合;最后,经过NSST逆变换得到融合图像。实验结果表明,融合图像红外目标突出且可见光背景细节丰富。该方法相比于其他融合算法在主观评价与客观评价上都有一定程度的改善。     

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。     

基于改进型NSST变换的图像融合方法

为了进一步提高捕获图像细节的能力,提高运算效率,提出一种改进型NSST变换,采用冗余提升不可分离小波替换经典NSST中的非下采样金字塔分解.针对改进型NSST分解得到的不同子带,对低频子 带选用区域能量和融合规则,高频子带选用简化型PCNN融合规则,提出基于改进型NSST的图像融合方法.实验结果表明,所提出的方法在主观视觉评价和客观指标评价中具有很大优势.     

结合NSDTCT和压缩感知PCNN的图像融合算法

针对基于传统小波变换的图像融合算法存在的不足,提出一种基于非下采样双树复轮廓波变换(NSDTCT)和压缩感知脉冲耦合神经网络(CS-PCNN)的图像融合算法.首先将源图像经过NSDTCT分解后得到低频子带及高频子带系数;对于低频子带系数,提出了基于区域平均梯度、区域能量和S函数相结合的自适应加权融合规则;对于数据量较大的高频子带系数,提出了基于CS-PCNN理论的融合规则,并将改进的拉普拉斯能量和作为PCNN的外部输入;最后对融合系数进行NSDTCT逆变换,得到融合图像.实验结果表明,该算法可以有效地提高图像融合的计算效率和质量,在视觉效果及客观指标上均优于一些经典的融合算法.     

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。     

小波变换和稀疏表示相结合的遥感图像融合

针对多光谱图像与全色图像的融合,提出一种结合小波变换和稀疏表示的融合算法.该算法充分利用小波变换具有保持光谱信息这一优势,首先对多光谱图像进行IHS (intensity-hue-satuation)变换,然后对亮度分量和全色图像进行单层小波变换,得到对应的高低频系数.分析高低频系数的特征,对于不能认为是“稀疏”的低频系数采用稀疏表示进行融合;对于可以认为是“稀疏”的高频系数采用图像信息融合规则进行融合.最后进行小波逆变换和IHS逆变换得到融合结果.实验结果表明,该算法最大限度地保留了光谱信息,并提高了空间分辨率.     

基于NSST域的自适应区域和SCM相结合的多聚焦图像融合

为了提高多聚焦图像的融合效果,结合多源图像之间的共享相似性,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet Transform,NSST)域的自适应区域与脉冲发放皮层模型(Spiking Cortical Model,SCM)结合的新型图像融合算法。首先用NSST分解源图像,然后计算边缘能量(Energy Of Edge,EOE),在自适应区域用投票加权法融合低频系数,高频系数由边缘能量作为输入的SCM点火图融合,最后通过逆NSST获得该融合图像。该算法既可以很好地保持源图像的信息,又可以抑制在变换域因非线性运算产生的像素失真。实验结果表明,该方法优于最新的变换域和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)融合方法。     

基于改进的NSCT红外可见光图像融合算法

针对在红外可见光图像融合过程中目标细节信息容易丢失的问题,提出一种使用非下采样轮廓波变换（NSCT）和主成分分析法（PCA）相结合的图像融合算法。首先应用NSCT将源图像分解分别得到低频和高频的子带图像。在低频子带系数中,由于PCA能够突出图像的主要信息,所以选用主成分分析法融合规则。高频子带中,相对来说较高层次系数表达的是源图像中最为细节的信息,可选用绝对最大值法融合规则,而相比之下低层次系数代表了较为粗糙的信息,可选用绝对最大值与区域标准差融合规则。从实验结果可以得出,在红外可见光图像目标信息和细节信息融合效果上该算法优于其他算法,有更好的图像视觉效果。     

基于NSCT和卷积稀疏表示的红外与可见光图像融合

针对红外与可见光图像融合时出现的细节模糊、对比度降低等问题,论文提出了一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)和卷积稀疏表示(Convolutional Sparse Representation,CSR)的图像融合方法.首先,分别对红外图像和可见光图...     

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。     

Research on fundus image registration and fusion method based on nonsubsampled contourlet and adaptive pulse coupled neural network

We present a registration and fusion method of fluorescein fundus angiography image and color fundus image which combines Nonsubsampled Contourlet (NSCT) and adaptive Pulse Coupled Neural Network (PCNN). Firstly, we register two images by Speeded Up Robust Features (SURF) feature points, the nearest neighbor and the next nearest neighbor distance ratio method to eliminate the spatial difference between the source images. Secondly, we use Random Sample Consensus (RANSAC) algorithm to achieve precise matching of feature points. Then, according to the transformation parameters obtained by RANSAC algorithm, we perform spatial transformation on the floating image to complete the registration. Finally, we obtain the low-frequency sub-band and high-frequency sub-band of the image to be fused by NSCT decomposition. The low-frequency sub-band is fused by the regional energy. The high-frequency sub-bands are studied using a simplified-PCNN model and the Particle Swarm Optimization algorithm. The link strength of the simplified-PCNN is an improved Laplacian energy and the images are fused based on the number of times the pixels are ignited. The proposed method has higher average gradient (AG) value and information entropy (IE) value and lower relative global dimensional synthesis error (ERGAS) than the existing fusion methods of the fundus image. The fusion image can accurately synthesize the image information, clarify the performance of the details, and has better spectral quality in the spectral range. The image of fused provides an effective reference for the clinical diagnosis of fundus diseases.

     

非下采样四元数剪切波变换域的图像融合

目的 由于一些光学镜头聚焦范围的有限性,很难对同一场景中所有物体都清晰地成像在一幅图像中,而将同一场景中的多幅源图像进行融合可以得到一幅全景更加清晰的图像,为了增强融合图像的质量,提出了一种新的非下采样四元数剪切波变换（NSQST）的图像融合算法。方法 首先将源图像经过NSQST分解得到低频子带系数和高频子带系数;其次,对低频子带,提出了一种改进的稀疏表示（ISR）的融合规则;对于高频子带,提出一种改进的空间频率、边缘能量和局部区域相似匹配度相结合的融合规则;最后通过NSQST逆变换得到融合图像。结果 与其他5种融合方法进行对比,本文方法获得了较好的客观指标和视觉效果,其中与NSCT-SR算法相比,本文方法获得的4个客观指标分别提高了3.6%、2.9%、1.5%、5.2%,3.7%、3.2%、3.2%、3.0%和6.2%、3.8%、3.4%、8.6%。结论 通过多聚焦图像进行融合实验,实验结果表明该方法可进一步应用于目标识别、医学诊断等领域。     

非下采样剪切波变换的医学图像融合

目的 由于单模态医学图像所提供的信息有限,不能反映相关组织所有细节信息,可能会造成临床医学误诊。针对这一问题,提出一种基于非下采样剪切波变换（NSST）的医学图像融合算法,对多模态医学图像进行融合,丰富融合图像信息,提高图像质量,为临床诊断提供依据。方法 首先,将源图像进行NSST变换得到低频子带和若干高频方向子带;其次,根据低频子带图像的特点,提出低频系数与脉冲耦合神经网络PCNN （pulse coupled neural network）相结合的方法;根据高频子带间结构相似度SSIM （structure similarity）不同,分为低相似和高相似子带图像;对低相似子带系数采用视觉敏感度系数VSC （visual sensitivity coefficient）与改进梯度能量相结合的策略;高相似子带系数采用VSC与区域能量相结合的方法;进而,选取结构相似度与边缘信息评价因子Q^ABF（edge based similarity measure）之和作为目标函数,自适应地优化可调参数;最后,经逆NSST变换重构图像。结果 对灰度图像和彩色图像进行实验仿真,并与其他4种融合方法进行比较,在主观视觉效果和客观评价标准,本文方法取得良好的融合效果,其中边缘评价因子和标准差都是最好的,其他指标相对较好;与靳珍怡提出的基于非下采样轮廓波变换的多模态医学图像融合相比,5组实验空间频率分别提高了11.8%、24.7%、83.4%、11.9%、30.3%;边缘评价因子分别提高了6.7%、15%、40%、50%、12%;结构相似度分别提高了0.7%、7.3%、2.4%、-3.6%、2.1%;交叉熵分别降低了16.9%、1.6%、-27.4%、6.1%、0.4%。结论 本文算法有效提高多模态医学图像融合质量,增加不同模态间的互补信息;与现有医学图像融合算法相比,本文算法更加优越。融合图像细节信息更为突出,整体信息更丰富,更符合人眼视觉特性。