非下采样Contourlet变换域多聚焦图像融合方法

针对同一场景的多聚焦图像融合问题,提出基于脉冲耦合神经网络(PCNN)的非下采样Contourlet变换(NSCT)域融合方法.将源图像经过NSCT变换生成的低通子带系数和带通方向子带系数输入PCNN,将各神经元迭代产生的点火频数构成点火映射图.采用接近度函数描述点火映射图邻域特性的关联程度,根据邻域接近度为融合图像选择相应的子带系数,通过NSCT逆变换得到融合结果.实验分析表明,新的融合方法在很大程度上保留了多聚焦图像的清晰区域和特征信息,具有比经典小波变换、Contourlet变换和常规NSCT方法更好的融合性能.     

基于多特征的遥感图像融合算法

针对基于多尺度几何变换的遥感图像融合算法细节表现能力不足的缺陷,提出了一种新的基于多特征的遥感图像融合算法。首先,对多光谱图像进行HSI变换,将得到的亮度分量和全色图像分别进行非下采样的Contourlet变换(NSCT),得到低频和高频子带系数;然后,对低频子带系数采用像素绝对值选大的规则进行融合,对于高频子带系数的选择,考虑到不同的因素如(方差、能量、平均梯度)对图像质量的影响不同,提出了一种基于多特征的融合规则;最后,对融合后的低频和高频系数分别进行了逆NSCT变换和逆HSI变换得到融合图像。实验结果证明,该方法可以有效将全色图像的空间信息注入到多光谱图像中,并与HSI变换、Contourlet变换等融合算法相比,该方法在主观和客观评价上优于其他几种融合方法,具有更好的融合效果。     

基于小波变换和多通道脉冲耦合神经网络的高光谱图像融合

针对高光谱多波段图像融合的问题,提出了一种基于小波变换和多通道脉冲耦合神经网络模型的新融合方法。该算法利用小波变换对图像进行多尺度分解,将得到的低频和高频系数分别采用多通道PCNN模型进行非线性融合处理,对低频子带直接利用其点火频率图得到融合结果,对各高频子带则利用点火频率图的直方图矢量重心及偏差计算自适应阈值并进行区域分割,对不同的区域采用不同的融合规则进行融合处理;最后进行小波重构得到融合图像。对OMIS高光谱图像的实验结果表明:所提方法能够有效地融合高光谱多个波段图像信息,且纹理细节信息突出。     

基于复合分解与直觉模糊集的红外与可见光图像融合方法

针对传统的基于多尺度变换的红外与可见光图像融合算法的不足,提出一种基于复合分解与直觉模糊集的红外与可见光图像融合方法。采用NSCT将源图像分解为低频子带和高频子带,进一步采用潜在低秩表示模型将低频子带分解为低频基础子带和低频显著子带;针对低频基础子带、低频显著子带和高频子带的特征,采用不同的融合规则,其中,低频基础子带以视觉显著度为权重系数采用加权求和作为融合规则,低频显著子带以绝对值最大为融合规则,高频子带以直觉模糊熵最大选择为融合规则;通过NSCT逆变换得到红外与可见光融合图像。通过对比多组融合图像主、客观评价结果表明,该方法能有效保留边缘信息,保留较多的源图像信息,在视觉质量和客观评价方法优于其他图像融合方法。     

基于纹理特征与广义相关性结构信息的医学图像融合

结合多尺度变换的图像特征,提出了一种基于纹理特征与相关性结构信息的医学图像融合方法。首先对已配准的源图像进行非下采样Contourlet变换,得到低频、高频子带系数。其次考虑人眼视觉对纹理特征的敏感性,提出局部差分计盒维数来统计图像的纹理信息;分析NSCT高频子带兄弟系数间及其父子系数间的强相关性,分别计算出系数间的结构相似度与邻域拉普拉斯能量和,作为高频子带系数间的广义相关性结构信息。然后对低频提出Sigmoid函数自适应融合,对高频采用广义相关性结构信息取大法。最后进行逆NSCT变换得到融合图像。通过灰度与彩色图像融合实验发现,该算法不仅可以保留源图像的边缘信息,还得到较好的客观评价指标和视觉效果。     

基于Curvelet变换与自适应PCNN的红外与可见光图像融合

根据红外与可见光图像的成像特点,提出一种基于Curvelet变换与自适应PCNN( Pulse Coupled Neural Networks)的图像融合新算法.首先对两幅原始图像进行快速离散Curvelet变换,得到不同尺度与方向下的子带系数;对低频系数采取加权平均融合规则,将高频系数作为PCNN的输入,选取区域能量测度为PCNN的连接强度,利用PCNN的全局耦合特性和脉冲同步特性选择高频系数;最后经Curvelet逆变换得到融合结果.实验结果表明,该方法得到的融合图像在边缘等细节上比传统方法具有更好的视觉效果,在熵、平均梯度、标准差等客观指标上都优于其它方法.     

一种基于NSCT和自适应PCNN医学图像融合的改进算法

由于医学影像成像原理不同,不同模态图像的质量、空间和时间特性有较大区别,因此临床上需要将不同模态的图像融合进行综合分析。为了准确并全面地融合MRI和PET图像,提出了一种基于NSCT和自适应PCNN医学图像融合的改进算法。算法采用NSCT得到图像的低频和各方向子带信息,采用符合人类视觉系统的自适应PCNN选择融合图像系数,重构得到融合图像。采用颅脑MRI和PET医学图像进行了仿真实验。结果表明,基于NSCT自适应PCNN算法在提高空间纹理细节和减少颜色失真方面明显优于其它的融合算法。     

非下采样Contourlet变换耦合区域特性的多聚焦图像融合算法

为提高图像融合质量,较好地保留原始图像的光谱特性,避免融合图像光谱退化,提出非下采样Contourlet变换耦合区域特性多聚焦图像融合算法。采用非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)对图像进行多尺度精细分解,获取图像多层次分解子带;利用分割块区域能量函数,构造区域能量度量模型,获取区域能量相似系数,判定低频子带对应的加权系数,完成图像低频子带的融合。根据分割高频子带时形成的行列特征,形成区域锐度模型,获取高频子带分割块中的区域锐度值,利用该锐度值建立分割块判定函数,完成高频子带的融合。最后,采用非下采样Contourlet变换的逆变换得到融合图像。结果表明,与已有图像融合算法相比,本文图像融合算法融合质量更好。     

基于萤火虫优化的自适应PCNN遥感图像融合

为了提高融合后多光谱图像的质量,本文提出一种基于快速非下采样轮廓波变换(FNSCT)与萤火虫优化的自适应脉冲耦合神经网络(PCNN)相结合的图像融合算法。将通过亮度-色度-饱和度(IHS)变换的多光谱图像亮度分量与全色图像分别进行FNSCT变换,获得相应的高低频系数。针对低频系数,采用区域平均能量法进行融合;对于高频子带,为了确定PCNN模型的最优参数,将PCNN算法的链接强度与链接范围自适应化,并利用萤火虫算法优化其余参数,获得更优的PCNN模型,实现高频系数的融合。最终经过FNSCT逆变换和IHS逆变换得到融合结果。实验结果表明:本文提出的算法既提高了图像的空间分辨率又很好地保留了融合图像的光谱信息。     

两种变换域相结合的医学图像融合

为了克服单一图像分析方法在图像分解时存在的局限性,采用两种变换域相结合的方法来实现CT/MRI图像融合。利用基函数多尺度和多方向性的特点,对CT与MRI源图像进行非下采样Contourlet变换(NSCT);将分解之后的CT低频近似部分和MRI低频近似部分再分别进行小波变换,小波分解与融合之后得到融合图像的低频系数,而对NSCT变换后的高频细节部分利用邻域能量取大方法得到融合图像的高频系数;再对高频系数与低频系数进行逆NSCT变换得到融合图像。结果表明,两种变换域结合的算法比单一的多尺度分析算法更有效可行,使得融合图像对比度更高、更清晰。     

Feature-Based Fusion of Dual Band Infrared Image Using Multiple Pulse Coupled Neural Network

To improve the quality of the infrared image and enhance the information of the object, a dual band infrared image fusion method based on feature extraction and a novel multiple pulse coupled neural network (multi-PCNN)is proposed. In this multi-PCNN fusion scheme, the auxiliary PCNN which captures the characteristics of feature image extracting from the infrared image is used to modulate the main PCNN, whose input could be original infrared image. Meanwhile, to make the PCNN fusion effect consistent with the human vision system, Laplacian energy is adopted to obtain the value of adaptive linking strength in PCNN. After that, the original dual band infrared images are reconstructed by using a weight fusion rule with the fire mapping images generated by the main PCNNs to obtain the fused image. Compared to wavelet transforms, Laplacian pyramids and traditional multi-PCNNs, fusion images based on our method have more information, rich details and clear edges.     

一种邻域一致性的NSCT域多传感器图像融合算法

针对同一场景多传感器图像融合问题,提出了一种基于邻域特性的非采样Contourlet变换域融合新算法．首先对待融合图像进行非采样Contourlet变换分解,由邻域平均能量与方差构造各点的能量方差决策值,基于决策值最大原则选择低频子带系数,从而在保持图像亮度的同时融合更多的边缘细节;基于邻域能量最大原则选择带通方向子带系数,以保留更多的边缘．最后反变换得到融合图像．采用多聚焦图像及红外与可见光图像进行仿真实验,并对融合结果进行了主客观评价．实验结果表明,该算法较好地融合了亮度及边缘细节,避免了引入人为噪声,得到了具有更好的视觉效果和量化指标的融合图像．     

基于非下采样剪切波变换的医学图像融合算法

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)的多模态医学图像融合方法.该方法利用NSST将待融合的医学图像分解成低频系数和高频系数,并利用区域能量加权(WLE)的方法对分解后的低频系数进行融合,使用区域能量和平均梯度加权的方法对分解后医学图像的高低频系数进行融合,采用NSST逆变换重建融合后的图像.选择信息熵、平均梯度和空间频率3个参数作为融合图像的客观评价参数,结果表明,该方法取得的融合结果比离散小波、轮廓波和非下采样轮廓波变换等传统方法更好,计算效率更高.     

基于NSCT和遗传算法的SAR图像和多光谱图像融合

合成孔径雷达(SAR)图像与多光谱图像成像机理和光谱特性差异较大,一般的融合方法很难取得满意的融合结果。文章提出了一种基于Nonsuosampled Contourlet transform(NSCT)和遗传算法的融合算法,首先将经过预处理后的图像进行NSCT分解,低频系数采取区域信息熵最大的准则融合;高频子带计算区域相关性,对相关性在不同阈值范围内的系数进行融合,阈值的选取采用遗传算法进行搜索;最后对融合系数进行NSCT逆变换,得到融合结果。仿真结果表明该算法显著优于基于像素点和基于区域的融合方法。     

基于二代曲波变换和PCNN的高光谱图像融合

为了解决高光谱图像的高数据维给后续图像分析和处理带来的困难,提出了一种基于二代曲波变换和脉冲耦合神经网络(PCNN)的融合新算法.利用各波段数据间的局部相关性将整个数据空间划分为若干个相关性较强的独立子空间,在对子空间内的各波段光谱图像进行曲波多分辨率分解的基础上,分别依据各波段图像所含有的信息量对曲波粗尺度系数进行加权融合和利用PCNN的全局耦合特性与脉冲同步特性对细尺度系数进行智能选取,最后由曲波逆变换得到各子空间的融合图像.AVIRIS数据融合实验表明,该算法能有效地实现高光谱数据维数减少和特征提取,相比于提升小波融合算法、主成分变换算法和基于典型融合准则的曲波融合算法,其所提取的图像特征在高光谱异常检测时能得到更多的真实目标.     

基于稀疏表示和PCNN的多模态图像融合

提出一种基于稀疏表示和脉冲耦合神经网络(pulse coupled neural network, PCNN)的新方法。首先将原图像进行bandelet变换,提取出图像中的几何流和bandelet系数等重要信息,再利用PCNN进行几何流融合、根据稀疏相似度优化融合后的几何流,然后更新部分bandelet系数并根据最大绝对值规则进行融合,最后通过bandelet逆变换得到融合后的图像。仿真实验结果表明,本算法有效改善了融合效果,融合图像边缘、纹理清晰,整体效果极佳;与现有的平均值融合算法、拉普拉斯金字塔算法以及基于小波变换和PCNN的WT-PCNN算法相比,本算法得到的融合图像的灰度均值、标准差、平均梯度、互信息等指标都得到了提高。     

基于显著计算与自适应PCNN的图像融合方法

针对多尺度变换的图像融合对低频系数进行简单的加权平均处理时,不能很好地保护源图像中的显著信息的问题,提出一种将视觉显著计算的结果作为自适应脉冲耦合神经网络的链接强度,通过脉冲耦合神经网络指导多尺度图像融合中低频系数融合的方法。首先对源图像进行形态非抽样小波分解,得到低频系数和各尺度的高频系数,对低频系数采用显著计算与脉冲耦合神经网络的融合规则,高频系数选取绝对值较大者,最后通过反变换得到融合图像。实验结果表明,该方法在一定程度上保留了源图像中的显著信息,改善了互信息、信息熵、平均梯度和边缘保持度等融合指标。