自适应PCNN多聚焦图像融合

脉冲耦合神经网络（PNNN）型参数多,计算复杂,并且通常选取经验常数作为链接强度,这极大地限制了PCNN的普遍适用性.针对该问题,在分析PCNN模型基本特征的基础上,结合多聚焦图像的基本特点提出了一种基于PCNN的自适应多聚焦图像融合新方法.该方法在PCNN简化模型的基础上既将拉普拉斯能量作为PCNN对应神经元的链接强度β,又将其作为PCNN对应神经元的反馈输入经过PCNN点火从而获得每幅参与融合图像的点火映射图,最后通过选取适当的融合规则获得融合图像.实验结果表明了该方法的有效性,这种有效性不仅体现在视觉效果上,而且体现在客观评价标准上.     

基于多聚类中心和PCNN的医学图像融合算法

提出一种基于K-means Clustering和脉冲耦合神经网络(PCNN)的图像融合的方法,首先,以多特征信息为聚类方式利用K-means Clustering分割提取源图像的对应特征点,通过归类合并建立多模医学图像的特征点集合,根据特征点分布将图像划分为纹理区域和非纹理区域,纹理区域对应系数输入PCNN得到点火映射图,根据点火次数选择融合系数,非纹理区域的系数通过双通道PCNN进行融合。实验结果表明,该算法能够精确划分图像纹理区域,进而利用PCNN和双通道PCNN在图像不同区域系数选择各自的优势,融合图像纹理清晰,质量改善。     

基于NSCT-PCNN的多聚焦红外图像融合

由于红外镜头景深的限制,为获得场景中所有区域都聚焦清晰的图像,提出一种在非下采样轮廓波变换(NSCT)域结合改进的脉冲耦合神经网络(PCNN)的多聚焦红外图像的融合算法。首先通过NSCT将图像分解为不同尺度和方向的子带;低频子带图像利用基于一致性验证的特征选择规则进行融合;对于高频子带,采用改进的空域频率激励PCNN模型,选择点火时间最大的系数进行融合;最后通过NSCT反变换得到融合图像。通过多组同一场景不同聚焦位置下的红外图像融合实验,结果分析表明该算法能从源图像中获得更多的信息,更好地保留源图像的边缘信息,融合效果优于相关算法。     

基于图像特征激励的自适应PCNN红外与可见光图像融合方法

针对红外与可见光图像融合对比度不高,易丢失细节信息等问题,提出了一种非下采样Contourlet变换域内基于图像特征激励的自适应PCNN红外与可见光图像融合方法。针对PCNN参数设置复杂,自动化程度不高等问题,采用平均梯度和赋时矩阵来自适应调节PCNN链接强度和迭代次数等参数。对于NSCT多尺度多方向分解得到的高低频子带系数,分别采用特征激励的PCNN获得点火时间图,根据点火时间图的区域能量来选择融合系数。实验结果表明,该方法能够有效地融合红外和可见光图像信息,对比度高,而且能很好地保留图像的细节信息,无论在视觉效果上还是客观评价指标上,都优于常用的图像融合方法。     

基于奇异值分解的PCNN红外与可见光图像融合

为了提升红外与可见光图像融合精度,提出了一种基于局部区域奇异值分解的自适应PCNN红外与可见光图像融合算法。利用局部区域奇异值构造局部结构信息因子,作为PCNN对应神经元的链接强度。经过PCNN点火处理,获得源图像的点火映射图,通过比较选择算子,选择源图像中明显特征部分生成融合图像。采用多组红外与可见光图像进行融合实验,并对融合结果进行客观评价。实验结果表明本文提出的算法在主观和客观评价上均优于已有文献的一些典型融合算法,可获得更好的融合效果。     

利用脉冲耦合神经网络的高光谱多波段图像融合方法

针对高光谱图像波段众多、数据量大的特点,提出了一种基于脉冲耦合神经网络（Pulse Coupled Neural Networks, PCNN）模型的高光谱多波段图像融合方法.根据高光谱图像多输入的特点对原始PCNN模型进行了扩充,采用多通道PCNN模型来对输入图像进行非线性融合处理.通过分析传统变阈值衰减模型的特点及其不足,提出了修正的变阈值指数增加模型,以改善融合效果和降低PCNN运行的时间复杂度.利用记录点火时刻的赋时矩阵得到带有一定增强效果的融合结果图像.实验结果表明,该方法的融合效果要优于传统的主成分分析融合方法和小波变换融合方法.     

Curvelet域自适应脉冲耦合神经网络的图像融合方法

为解决传统图像融合准则不能充分利用图像全局特征的问题,将脉冲耦合神经网络(PCNN)模型用于Curvelet变换的图像融合中,提出了由表征子带图像局部特征的支撑值(SPV)作为刺激PCNN模型的外部激励输入,同时考虑Curvelet变换后低频子带信息与高频子带信息间的相关性,设定PCNN模型参数(连接强度和连接范围)随低频子带图像的特征自适应地变化,并且利用PCNN模型中各神经元的首次点火时间构造融合准则中的显著性度量。用PCNN模型模拟人眼视觉神经系统的生物特性,并利用其全局耦合特性对源图像进行智能地分析判断和融合处理,从而提高融合图像的整体效果。实验结果表明,由于PCNN具有全局耦合特性和脉冲同步特性,因此当它用来参与选取细节系数时,能够更好地利用子带图像的全局信息。     

一种改进含噪多聚焦图像融合方法

针对目前多聚焦图像融合方法处理含噪图像缺乏有 效性而导致融合效果较差的问题,提出一种引导滤波结合脉冲耦合神经网络(PCNN)的非下采 样Shearlet变换(NSST)域内多聚焦图像融合方法。 首先,分别对待融合多聚焦图像进行NSST获取其相应高频子带和低频子带系数;对高 频子带系数,通过引导滤波结合改进简化PCNN模型设置融合规则;提取相位一致性、清晰 度和亮度等底层视觉特性,指导低频子带系数融合权重;最后反NSST获取最终融合结 果。实验结果表明,本文方法能够在噪声干扰情况下有效完成多聚焦融合,并且边缘和纹理 信息保持较好,当20标准差噪声时互信息提升了近0.15具有有效性。     

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

针对多光谱和全色图像的融合,提出了一种NSCT域内基于改进脉冲耦合神经网络（PCNN）和区域能量的融合方法。首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带。然后,对分解后的低频子带采用基于区域能量的自适应加权算法进行融合;在带通方向子带,结合改进的脉冲耦合神经网络,使用带通方向子带系数作为PCNN的外部输入激励,经过PCNN点火获得待融合图像的点火映射图,根据点火时间计算点火映射图的区域能量,通过判决算子选择待融合图像的带通方向子带系数作为融合系数。最后,对融合处理后的NSCT变换系数进行重构生成融合图像。实验结果显示:在迭代次数为100次时,与改进小波算法相比,标准差提高了9.48%,熵提高了0.95%,相关系数提高了21.56%,偏差指数降低了29.66%;与Contourlet算法相比,标准差提高了9.73%,熵提高了0.94%,相关系数提高了11.27%,偏差指数降低了9.45%;与NSCT算法相比,标准差提高了3.84%,熵提高了3.34%,相关系数提高了7.89%,偏差指数降低了7.42%。     

NSCT域内结合边缘特征和自适应PCNN的红外与可见光图像融合

针对传统的基于多尺度变换的红外与可见光图像融合,对比度不高,边缘等细节信息保留不充分等问题,结合NSCT变换的多分辨率、多方向特性和PCNN全局耦合、脉冲同步激发等优点,提出一种基于NSCT变换结合边缘特征和自适应PCNN红外与可见光图像融合算法.对于低频子带,采用一种基于边缘的融合方法;对于高频方向子带,采用方向信息自适应调节PCNN的链接强度,使用改进的空间频率特征作为PCNN的外部激励,根据脉冲点火幅度融合子带系数.实验结果验证了该算法的有效性.     

Technique for multi-focus image fusion based on fuzzy-adaptive pulse-coupled neural network

Multi-focus image fusion technique can solve the problem that not all the targets in an image are clear in case of imaging in the same scene. In this paper, a novel multi-focus image fusion technique is presented, which is developed by using the nonsubsampled contourlet transform (NSCT) and a proposed fuzzy logic based adaptive pulse-coupled neural network (PCNN) model. In our method, sum-modified Laplacian (SML) is calculated as the motivation for PCNN neurons in NSCT domain. Since the linking strength plays an important role in PCNN, we propose an adaptively fuzzy way to determine it by computing each coefficient’s importance relative to the surrounding coefficients. Combined with human visual perception characteristics, the fuzzy membership value is employed to automatically achieve the degree of importance of each coefficient, which is utilized as the linking strength in PCNN model. Experimental results on simulated and real multi-focus images show that the proposed technique has a superior performance to series of exist fusion methods.     

基于自适应脉冲耦合神经网络图像融合新算法

针对传统的基于脉冲耦合神经网络(PCNN)的融合算法中每个神经元链接强度取同一常数的不足,提出了一种基于自适应PCNN图像融合新算法。作为显著性特征,使用像素的拉普拉斯能量(EOL,energy of Lapla-cian)和标准差(SD,standard deviation)分别作为PCNN对应神经元的链接强度值。实验结果表明,本文方法融合结果优于Laplacian方法、小波方法和传统的PCNN方法。     

Fusion of multiparametric SAR images based on SW-nonsubsampled contourlet and PCNN

In this paper, a new fusion rule based on a pulse coupled neural network (PCNN) and the clarity of images is proposed for multi-band synthetic aperture radar (SAR) image fusion. By using a stationary wavelet-based nonsubsampled contourlet transform (SW-NSCT), we can calculate a flexible multiscale, multidirectional, anisotropy and shift-invariant representation of registered SAR images. A weighted fusion rule is performed on the low frequency subbands to calculate the fused lowpass band. For the fusion of high frequency directional subband images, a PCNN model is constructed, where the linking strength of each neuron is determined by the clarity of the decomposed subband images. The fusion approach exploits the advantages of both SW-NSCT in multiscale geometric representations and that of PCNN in the determination of fusion rules; as predicted, the obtained fusion image can preserve much more information regarding textures and edges of the images, compared to its counterparts. Some experiments are performed by comparing the new algorithm with other existing fusion rules and methods. The experimental results show that the proposed fusion approach is effective and can provide better performance in fusing multi-band SAR images than some current methods.     

Texture analysis-based multi-focus image fusion using a modified Pulse-Coupled Neural Network (PCNN)

Multi-focus image fusion is an effective method of information fusion that can take a series of source images and obtain a fused image where everything is in focus. In this paper, a multi-focus image fusion method based on image texture that adopts a modified Pulse-Coupled Neural Network (PCNN) approach is proposed. First, the texture of an image is obtained by means of image cartoon and texture decomposition. An ignition image is then acquired by inputting the image textures into a modified PCNN. Ignition images are compared to each other to obtain an initial decision map. A small object detection and bilateral filter is then applied to the initial decision map to reduce noise and enable smoother processing. Finally, the source images and decision map are used to produce the fused image. Experimental results demonstrate that the proposed method effectively preserves the source images information while delivering good image fusion performance.     

改进的PCNN模型在多光谱与全色图像融合中的应用研究

介绍了PCNN模型原理,提出了基于双通道自适应的PCNN多光谱与全色图像融合算法。该算法首先将RGB空间的多光谱图像转换为HSV彩色空间,然后将HSV彩色空间中的非彩色通道(V通道)的灰度像素值和全色图像的像素灰度值分别作为PCNN-1及PCNN-2的神经元输入,利用方向性信息作为自适应链接强度系数,对非彩色通道图像和全色图像进行自适应分解,再将点火时间序列送入判决因子得到新的非彩色通道图像,最后将原多光谱图像的H通道分量、S通道分量及新的V通道分量经HSV空间逆变换获得最终的融合图像。实验结果表明,该算法不仅解决了链接强度系数自动设置的问题,而且充分考虑到图像边缘和方向特征的影响,无论在主观视觉效果,还是客观评价标准上均优于IHS、PCA、小波融合等其他图像融合算法,同时降低了计算复杂度。     

一种新的像素级多聚焦图像融合算法

该文在小波变换的基础上提出了一种将一维自组织特征映射(SOFM)网络和进化策略相结合的多聚焦图像融合算法。该方法对不同聚焦点的图像进行冗余小波分解,再分别将其各方向、各尺度的高频信息进行叠加,并在高频信息叠加层上提取反映图像清晰度差异的归一化特征图,依据此特征图,使用SOFM网络对原始图像像素进行分类,并利用进化策略对各类像素求出最优的融合系数。实验结果表明该算法比拉普拉斯变换法和小波变换法具有更好的融合效果。     

基于NSST变换与自适应PCNN的多特征遥感图像融合

针对基于NSCT变换的遥感图像融合算法存在计算复杂度高,细节表现能力不足的问题,本文提出了一种基于NSST变换与自适应PCNN的多特征遥感图像融合算法。首先,利用HSV变换提取MS图像的亮度分量V,并将得到的亮度分量V与PAN图像分别进行NSST变换;其次,对于低频子带,提出了一种基于自适应的PCNN融合规则,将空间频率和区域平均梯度分别作为PCNN的外部激励和链接强度;对于高频子带,采用基于多特征的融合规则;最后,进行逆NSST变换和逆HSV变换得到融合图像。仿真实验表明,该算法与一些经典的融合算法相比不仅可以提高图像融合质量,在视觉效果和客观指标上也都有良好的表现。