基于SML和PCNN的NSCT域多聚焦图像融合

针对融合规则带来的虚假边缘、伪影等问题,提出了改进拉普拉斯能量和(Sum-modified Laplacian,SML)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的非下采样Contourlet变换(Non-Sampled Con-tourlet Transform,NSCT)域融合方法。首先,采用NSCT将每幅源图像分解成包含基本信息的低频子带图像和多幅包含细节信息的带通子带图像。然后,计算各尺度分解图像的SML值,根据值的大小对低频子带图像各像素点进行像素选择。对于带通子带部分,将计算的SML作为PCNN的输入激励,PCNN输出的点火映射图用来选择各子带图像的像素值。最后,将处理后的各子带系数进行NSCT重构得到融合图像。实验结果表明,此算法能很好地改善融合图像的聚焦清晰度,并且与现有的SIDWT,DTCWT,NSCT以及基于PCNN的融合方法相比,所提算法在互信息量、结构相似度以及边缘信息保留量等客观指标方面得到了提高。     

利用邻域激励的自适应PCNN进行医学图像融合*

对于不同模态的医学图像进行融合处理,可为临床提供新的诊断信息,设计了一种邻域空间频域激励的自适应PCNN医学图像融合新方法.首先,使用图像逐像素地改进拉普拉斯能量和(SML)清晰度作为PCNN对应神经元的链接强度;同时利用邻域空间频域(SF)特征信息激励每个神经元;然后,将源图像输入PCNN获得点火映射图构成的点火频数...     

非降采样Contourlet域内空间频率激励的PCNN图像融合算法

Nonsubsampled contourlet transform (NSCT) 能够提供灵活的多分辨率分解, 具有各向异性和图像方向性扩展特点. 与原始的Contourlet相比, 它是频移不变的, 能有效克服Contourlet变换中的伪吉布斯现象. 脉冲耦合神经网络(Pulse Coupled Neural Networks-PCNN)是一种具有视觉生理学基础的神经网络, 具有全局耦合和神经元同步脉冲发放特性, 已经被成功应用于图像处理和图像融合中. 本文将NSCT与PCNN结合起来, 充分利用二者的特性. 以NSCT变换域内系数的空间频率激励PCNN神经元, 选择点火次数大的系数作为融合图像的系数, 经NSCT反变换得到融合图像. 实验表明, 本文算法无论在视觉效果还是客观评价指标上, 都优于基于小波变换、基于Contourlet变换、基于PCNN和基于Contourlet-PCNN等融合算法.     

基于PCNN与区域特征的红外与可见光图像融合

针对红外图像与可见光图像融合中容易产生红外目标不明显、对比度不高的问题,提出了一种新的融合算法。该算法创新地将PCNN与区域特征应用到NSCT域内低频和带通子带系数的选择上。通过NSCT分解得到待融合图像的子带系数。运用PCNN对分解后的子带系数进行处理,得到子带系数的点火映射图。低频子带点火映射图采取基于区域标准差的方法选取融合系数。带通子带点火映射图采取基于区域能量的方法选取融合系数。融合图像通过NSCT逆变换可以得到。仿真实验表明与其他算法相比,该算法能够得到红外目标突出、质量更好的融合图像,图像客观评价指标提升明显。     

非下采样Contourlet变换与脉冲耦合神经网络相结合的SAR与多光谱图像融合

由于获取地物波谱信息的波段范围及成像方式的不同,SAR与多光谱图像所得到的信息有很大差异,而且SAR图像会受到严重的相干斑噪声干扰,因此SAR与多光谱图像的融合很难获得满意的效果。考虑到非下采样Contourlet变换(NSCT)相比于其他多尺度几何分析方法的优势,提出了一种NSCT与脉冲耦合神经网络(PCNN)相结合的SAR与多光谱图像融合方法。源图像首先经过NSCT分解获得不同尺度多个方向下的分解系数,将分解系数的高斯拉普拉斯算子能量作为脉冲耦合神经网络模型的输入,具有较大点火频率的系数将被选择作为融合图像的系数,最后经过NSCT重构得到最终的融合图像。实验结果表明,这种算法无论在主观视觉还是在客观指标上都要优于之前的许多算法。     

非采样Contourlet变换的多尺度积图像融合算法

为了得到优质的融合图像,提出了一种新的基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)的多尺度积图像融合算法.分别讨论了低频子带与各高频子带系数的选择方案.当选择融合图像的低频子带系数时定义了一种新改进的拉普拉斯能量和(Sum modified - lplacian,SML),设计了一种基于新改进拉普拉斯能量和的加权与选择相结合系数选择方案;在选择各高频方向子带系数时,根据多尺度积具有放大信号边缘特征,降低信号噪声的特点,提出了一种基于NSCT方向多尺度积的系数选择方案,从而不仅能恰当地选择出融合图像的NSCT各方向子带系数,有效保留图像的细节特征,而且能抑制噪声对融合算法的影响.实验结果表明,该方法优于基于小波变换和提升静态小波变换的图像融合算法,得到视觉效果更好,客观评价更高的融合图像.     

一种新的红外与可见光图像融合算法

提出了一种新的红外与可见光图像融合算法,首先应用非抽样Contourlet变换(NSCT)对图像进行多尺度、多方向变换,对变换的低频子带采用改进的能量加权法融合,带通子带融合采用最大系数与区域方差加权相结合方法,然后对融合的2个子带系数进行NSCT反变换,得到融合图像。对不同算法的融合实验结果进行比较,通过主观和客观评价,该算法融合效果较好。     

基于增补小波变换和PCNN的NSCT域图像融合算法

针对传统NSCT图像融合算法存在的不足,提出一种基于增补小波变换和PCNN的NSCT域图像融合算法。首先对源图像进行NSCT分解,生成一系列低频和高频分量。对低频分量利用二维小波分解,生成一个低频和三个方向分量,对低频分量利用局部区域能量加权方法融合,三个方向分量利用改进的高斯加权SML方法融合;对NSCT分解的高频分量,分为对最高层和其它层的融合,最高层利用改进的高斯加权SML方法融合,其余层利用边缘梯度信息激励PCNN方法融合。最后对NSCT进行逆变换得到融合图像。实验结果证实了所提算法的有效性。     

一种改进的PCNN图像融合算法

针对使用小波变换及简单融合规则的图像融合算法的不足,提出了一种改进的基于脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）融合规则的非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）图像融合方法。对已配准待融合图像进行NSCT分解,采用改进的PCNN融合规则对Contourlet域系数进行融合,得到融合图像的NSCT系数,经逆变换重构得到融合图像。实验结果表明该算法在主观视觉和客观评价指标上都取得了较好的融合效果。     

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。