基于人眼视觉特性与自适应PCNN的医学图像融合算法

针对多尺度变换的图像特征,提出了一种基于人眼 视觉特性与自适应脉冲耦合神经网络(PCNN)的医学图像融合新方法。首先,对经配准的源图 像进行非下采样Contourlet变换(NSCT), 得到低频、高频子带系数;然后,考虑到低频子带系数中保留了绝大部分源图像能量和图像 轮廓特征,提出 区域能量(RE)和梯度奇异值度量(GSVM)相结合的方法;考虑到图像全局特 征,将PCNN用于高频子带系数中,提出区域视觉对比度(SLVC )模拟人眼视觉特性作为PCNN的 外部刺激输入,设定PCNN的链接强度随视觉对比敏感度(VCS) 自适应变化,同时考虑到PCNN的迭 代次数,利用Sigmoid函数计算其点火输出幅值的显著性度量;最后,对获得的融合系数进 行逆NSCT得到融合图像。通过实验对比分析表明,本文算法不仅可以保留源图像信息的同时 ,还得到较好的客观评价指标和视觉效果。     

基于NSPT域PCNN-SC的图像超分辨率重建

结合多尺度变换和脉冲耦合神经网络(PCNN)的 优点,将空域的稀疏编码(SC)算法通过非 下采样金字塔变换(NSPT)转换应用到频率域进行重建,并结合改进的PCNN对SC算法中的 最优系数 采用一种新的方法进行获取,进而提出一种新的超分辨率重建(SRR)模型与算法。首先将 图像进行三次B 样条 放大处理,然后采用NSPT对图像进行多尺度分解得到高低频子带系数。对于低频子带,运 用PCNN-SC 完成重建;对高频子带,将其与预测高分辨(HR)图像的特征图像运用改进的PCNN经图像融合 完成重建。最后 通过逆NSPT得到HR图像。实验表明,本文算法在主观视觉效果和客观数据都获 得了较好的效果。     

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。     

基于NSST和改进PCNN的医学图像融合

为了解决单一模态医学图像的局限性,提出了一种 基于非下采样剪切波变换(NSST)和改进型脉冲耦合神经网络(PCNN)相结合的多模态医学图 像融合方法。首先,利用NSST对源图像进行多尺度、多方向分解,得到 低频子带系数和高频子带系数;其 次,低频子带系数由区域能量和方差求取区域特征,采用基于区域特征加权的方式进行融合 ;高频内层子 带系数先通过PCNN求出区域点火特性,再与平均梯度加权的方式进行选择,高频外层子 带系数采用区 域绝对值取大的融合规则;最后,通过逆NSST重构图像。实验结果表明:与常用融合 规则对比,在 主观效果上,本文的融合图像可以保留源图像的边缘信息,得到更好的视觉效果;在客观指 标上,本文方法 融合得到的图像在互信息(MI)、边缘评价因子(QAB/F)和 结构相似度(SSIM)等客观评价指标上取得更好的效果。     

NSCT域内基于自适应PCNN的图像融合新方法

论文结合非下采样contourlet变换（NSCT）的平移不变性、多尺度、多方向特性和脉冲耦合神经网络(PCNN)的同步脉冲发放、捕获特性,提出在NSCT域中基于PCNN的图像融合框架。对于低频子带,利用改进拉普拉斯能量和作为特征激励PCNN;对于高频方向子带,采用改进的空间频率作为PCNN的外部激励;同时利用各子带图像的平均梯度自适应调节PCNN的链接强度,最后,选取具有较大点火次数的系数作为融合图像的系数,经逆NSCT变换重构融合图像。实验结果表明本文方法无论在主观视觉还是客观评价标准上都要优于传统的基于小波变换、contourlet变换、PCNN的图像融合方法。      

基于NSST和自适应PCNN的图像融合算法

针对红外和可见光图像的特点,本文提出了一种基于非下采样剪切波变换(NSST)和自适应的脉冲耦合神经网络(PCNN)相结合的红外与可见光图像融合的新算法。对经过NSST变换后的低频子带系数采用带高斯权重分布矩阵的局域方差和方差匹配度相结合的融合规则,对高频子带系数采用一种改进的空间频率作为PCNN输入,且采用改进的拉普拉斯能量和作为PCNN的链接强度,利用PCNN全局耦合性和脉冲同步性选择高频子带系数,最后经NSST逆变换后得到融合结果。实验结果表明,本文提出的算法与传统的图像融合算法相比不仅在主观视觉上取得较好的效果,而且在客观标准上也有了一定的提高。     

基于PCNN图像分割的医学图像融合算法北大核心CSCD

为充分提取源图像间的互补信息,改进传统的图像融合算法在亮度维持、能量保留、边缘信息保持等方面的不足,本文提出了基于脉冲耦合神经网络(pulse coupled neural network, PCNN)图像分割的医学图像融合算法。该算法综合了非下采样剪切波变换(non-subsampled shearlet transform, NSST)与PCNN。首先,选取标准差较大的源图像作为被分割图像,标准差较小的源图像作为参照图像,将源图像进行NSST分解,获取源图像低频子带系数和高频子带系数;在低频融合中,利用参数自适应的PCNN对被分割图像的低频子带进行分割,根据分割结果获取融合低频子带系数;在高频融合中,采用以区域能量和与拉普拉斯能量和两者的乘积作为判断函数,获取融合高频子带系数;利用NSST逆变换获取融合图像。最后,应用本文提出的算法,对脑萎缩、急性中风和高血压性脑病等3组电脑断层扫描/磁共振成像(computerized tomography/magnetic resonance imaging, CT/MRI)图像进行了融合仿真,并将仿真结果与2018年后国际刊上提出的5种算法的融合图像进行比较。结果表明,应用本文提出的融合算法得到的图像,有效地增强了不同模态间的信息互补,保持了融合图像与源图像具有相同明亮程度,又保留了源图像低亮度部分的边缘信息,更加符合人眼视觉特性,具有更高的客观评价指标。     

基于NSCT与DWT的PCNN医学图像融合

针对医学图像融合过程中出现的细节损失严重、视觉效果不佳问题,提出了一种基于非下采样轮廓波变换(NSCT)与离散小波变换(DWT)的脉冲耦合神经网络(PCNN)医学图像融合算法.首先,利用NSCT处理医学源图像,得到相应的低频和高频子带,并利用DWT对得到的低频子带进行处理.然后,利用PCNN对低频子带进行融合,将平均梯度和改进型拉普拉斯能量和作为PCNN的输入项,将信息熵与匹配度结合实现对高频子的融合.最后,利用多尺度逆变换将低频子带和高频子带图像进行融合.实验结果表明,所提方法能够有效提升融合图像的对比度并保留源图像的细节信息,在主观和客观评价上均有优良的性能表现.     

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.     

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。     

基于多尺度变换的PCNN和FOA图像融合

为解决传统的图像融合算法融合质量不高的问题, 提出一种采用果蝇优化算法(FOA) 自适应地选取脉冲耦合神经网络(PCNN)的4个参数并将其与多尺度变换相 结合的图像融合方法。首先利用4种多尺度变换对待融合图像进行分解,对得到 的低频分量采用 PCNN和FOA的融合规则进行处理,对高频分量采用绝对值最大的原则进行系数选择,最后 通过逆变换 得到融合后的图像。实验结果表明,与常用的融合规则对比,在 主观效果上,本文融合规则能够更有效地保留源图像中的细节信息,提高融合图像的质量; 在客观指标上, 本文方法的融合图像在互信息(MI)、边缘保持度QAB /F、熵(entropy)、平均结构相似度(MSSIM)以及标准差(SD )等客观评价指标上更为优越。     

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。     

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.     

基于NSST与改进PCNN的红外与可见光图像融合方法

针对目标红外图像与可见光图像信息优势互补的需 求,引入改进的脉冲耦合神经网络,提出一种新颖的基于非下采样 剪切波变换的红外与可见光图像融合算法。首先选取非下采样剪切波变换将图像进行分解, 获得高低频分量;其次低频分量的 融合是利用改进空间频率作用脉冲耦合神经网络输入激励,且其链接强度由表征图像信息的 平均梯度自适应调整;而高频分量 处理方法是利用局部平均梯度与区域方差自适应加权融合;最后,对分别处理后的低高频分 量经过非下采样剪切波变换可逆变 换获取融合图像。实验结果表明,该算法可以有效综合图像的优势信息,融合结果在主观与 客观评价上比经典算法更好。     

基于双分解的双通道PCNN红外与可见光图像融合

为解决红外与可见光图像融合过程中存在的对比与清晰度较低和小目标易丢失等问题,提出了基于在双分解模型下的双通道PCNN(dPCNN)图像融合算法。首先对两幅源图像进行预增强处理,通过鲁棒的主成分分析(RPCA)将处理后图像分解为稀疏层与低秩层,接着,再利用非下采用剪切波变换(NSST)对的稀疏层进行多尺度分解得到低频子带与高频子带,然后对低秩层和低频子带采用局部加权能量与拉普拉斯能量两者取大的规则进行融合,对高频子带则利用dPCNN的点火图进行融合,最后将得到的融合成分进行逆变换或合成来得到最终融合图像。实验表明,该算法的融合图像目标信息对比突出、小目标信息明显,对源图像信息保留较好,客观评价指标也明显也优于其他算法,其中互信息有了大幅度的提升,有效地提升了红外与可见光图像的融合效果。     

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.