基于自适应PCNN和小波变换的多聚焦图像融合算法

提出了一种基于自适应PCNN和小波变换的新型多聚焦图像融合算法。首先,对待融合的两幅图像进行小波分解得到两组多尺度图像,然后在小波域充分利用PCNN的同步激发特性,进行基于PCNN的融合策略设计。使用不同频率下小波系数的局域熵作为PCNN对应神经元的链接强度,经过PCNN点火获得参与融合图像在小波域中的点火映射图,根据点火时间计算点火映射梯度图,再通过判决选择算子,判定并选择点火时间梯度最大的小波系数作为融合系数。最后对融合后的小波系数进行重构生成融合图像。该方法中,根据设置的迭代次数来确定阈值调整时间常量 ,从而在迭代结束时,所有小波系数均得到激发,充分反映了点火时间的先后次序。实验结果以及与其他融合算法的比较分析表明,所提出的算法能有效地突出边缘细节、更好地保持图像的空间分辨力。     

利用脉冲耦合神经网络的图像融合

为了获得对同一场景更为准确、全面和可靠的图像描述,提出了一种基于脉冲耦合神经网络(PCNN)的图像融合方法。将多源传感器图像配准后的各个源图像用9/7小波变换的提升算法进行分解,从而得到各个源图像的低频分量和高频分量。对于低频分量,采用像素绝对值选大法进行融合;而高频分量则作为PCNN的输入,在迭代结束后,通过比较PCNN点火次数得到一系列融合子图像;然后,用9/7小波的提升算法将获取的一系列多尺度融合子图像进行反变换得到最终的融合图像。设计了可见光图像与红外图像的融合实验,对融合图像的熵、平均梯度、标准差、空间频率进行了定量比较。当使用标准源图像进行融合时,各值比使用传统小波变换与PCNN相结合的图像融合方法分别高0.0104,0.2459,0.1131和0.2846。     

基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法

分析了维纳滤波原理和脉冲耦合神经网络(PCNN)模型的特点,根据斑点噪声统计模型的特征,结合小波变换方法,提出了一种基于PCNN模型的小波自适应斑点噪声滤除算法(W-PCNN-WD)来改善超声图像质量.首先,对超声图像进行对数变换,使斑点噪声转换为加性噪声;对医学图像进行维纳滤波处理,计算其加性噪声的标准方差,并以此作为小波阈值.然后,利用小波变换对图像进行预处理,利用PCNN在小波域中对小波系数进行相应的修正.最后,进行小波逆变换和指数变换,获得滤除噪声的图像.结果表明:本文提出的滤波方法优于其他滤波方法,当噪声方差为0.01时,本文滤波算法获得的峰值信噪比(PSNR)比经Wiener滤波方法获得的高出9 dB.该滤波方法能在有效去除超声斑点噪声的基础上保留图像的边缘细节信息,极大地改善了图像的视觉质量.     

一种改进的基于小波变换的遥感图像融合方法

针对多光谱与全色图像的融合,提出一种改进的基于小波变换的融合方法,首先对多光谱图像进行IHS变换,其次将全色图像和多光谱图像的强度分量进行改进的基小波变换的比值融合,并用融合结果取代多光谱图像的强度分量,最后再做IHS逆变换得到融合图像.实验结果证明融合算法较IHS变换算法和常用的小波融合算法有更好的融合效果.     

小波变换在AFM图像处理中的应用研究

根据原子力显微镜(AFM)图像的特点,对小波变换应用于原子力显微镜图像的降噪、增强及融合方法进行了阐 述,采用原子力显微镜对无磨料低温抛光后的铝合金(LY12)工件表面进行检测,并利用所述方法对扫描图像进行了处 理。结果表明,利用小波变换对原子力显微镜图像进行处理是有效的、可行的,得到满意效果。     

基于活跃度的脉冲耦合神经网络图像分割

针对脉冲耦合神经网络(PCNN)在图像分割中需多次人工调整网络参数的问题,提出了一种基于PCNN模型的图像自动分割方法.分析了图像中影响PCNN参数设置的因素,提出了一种图像自适应分块策略.将图像划分为内部复杂程度相近的子块,克服了同一参数无法同时对图像中复杂度差异较大的不同区域准确分割的不足.利用本文提出的局部图像活跃度(ADLA)指标对不同子块自适应地确定PCNN模型参数,有效解决了传统PCNN图像分割时需要人工确定关键参数的问题.最后,采用最大二维Tallis熵准则从分割后的二值结果序列中选择最佳结果.实验表明,本文方法的分割结果轮廓清晰、完整,即使在对比度低、背景呈大范围内连续变化等复杂情况下,也具有优异的性能.与传统PCNN分割方法相比,本文方法能自动、快速、准确地确定PCNN模型参数,且区域一致性测度(UM),区域对比度(CR),形状测度(SM),综合指标(CI)等客观评价的量化指标均优于传统PCNN分割方法12％以上.     

基于补偿机制的NSCT域红外与可见光图像融合

针对传统基于非下采样Contourlet变换和脉冲耦合神经网络的图像融合方法易出现图像失真的缺点,本文提出一种基于小波变换与PCNN补偿的NSCT域内红外与可见光图像融合方法。首先将红外和可见光图像分别进行NSCT分解,得到低频分量和高频分量;然后对低频分量进行二维小波分解,得到1个低频子带和3个方向子带,对其低频子带采用局部能量加权的方法进行融合,其余3个子带采用绝对值取大的方法进行融合;NSCT分解的高频子带融合规则分为对最高层的融合和其他层的融合,最高层采用绝对值取大的方法进行融合,而其余层采用的是基于改进型的PCNN的方法进行融合;最后将得到的低频子带和高频子带进行NSCT重构获得融合图像。合成及真实图像集实验结果表明,本文算法相对于传统的融合方法增加了图像的纹理和细节信息,有效地抑制了图像失真问题,具有较高的融合精度与较快的融合效率。     

基于Red-Black小波变换的多光谱图像融合方法

针对张量积小波在多光谱图像融合中的不足,提出了一种基于Red-Black小波变换的多光谱图像和高空间分辨率全色图像融合方法.首先对多光谱图像进行IHS变换,将得到的亮度分量和高空间分辨率全色图像进行直方图匹配,并分别作多尺度Red-Black小波分解,然后对低频部分采用加权平均、高频部分采用替代的融合算法对分解子图像进行融合,最后对融合后的各级子图像进行Red-Black重构和IHS逆变换得到融合结果图像,采用客观性能指标对融合结果图像进行了评价.实验结果表明,该方法有较好的融合效果,其保持光谱质量和空间分辨率信息的能力比基于IHS变换融合方法、基于DWT的融合方法和基于IHS-DWT的融合方法都强.     

基于小波变换的零件图像数据融合

提出一种基于小波变换的图像数据融合的方法,对多源图像进行分解,将高频区域中的绝对值较大的系数作为重要小波系数;在低频区域,对逼近系数进行加权平均得到新的逼近系数,然后进行小波重构。实验表明,该方法是实用的。     

基于小波变换的多聚焦图像算法研究

多聚焦图像融合就是把分别聚焦到各个目标多次拍摄而得到的多幅图像进行融合,从而得到在一幅图像内各个目标都清晰的图像。由于小波变换具有多分辨或多尺度特性,因此可以通过小波变换把多幅图像分解到一系列的频率空间,然后在每个空间按照一定的融合规则算法对图像的信息进行处理,最后把处理后的信息通过小波逆变换得到融合图像。从实验结果可以看出,给出的方法很好地保留了多幅原图像的有用信息,融合图像清晰度较好,是一种有效的图像融合算法。     

基于小波变换的图像数据融合方法

提出一种基于小波变换的图像数据融合方法.原始图像经过小波变换,分解成亮度子图像和边缘子图像,对分解后的子图像进行分块处理,根据局部区域方差准则计算融合系数,对每个子块图像进行数据融合,最后重建图像.实验结果表明,本文方法具有很好的一致性.     

基于二代小波变换和PCNN的高光谱图像融合算法

采用信息融合技术可以降低高光谱遥感图像的分析难度。本文提出一种基于二代小波变换和脉冲耦合神经网络(PCNN)的融合算法。在利用自适应子空间分解技术将高光谱图像的数据空间划分为数个子空间后,对各子空间内的每一波段图像进行二代提升小波分解。对低频系数部分进行方差加权融合的同时利用PCNN的脉冲同步和全局耦合特性对高频系数部分进行选取,最后用二代小波逆变换得到各子空间的融合图像.其仿真实验结果显示:所提算法有效降低了高光谱图像维数,很好保留了原图像的信息,效果优于单一的一代小波和二代小波融合算法。     

基于小波变换纹理一致性测度的遥感图像融合算法

本文提出了一种基于小波变换的遥感图像融合算法，利用多分辨小波变换的系数，采用低频图像的小波系数最小值作为融合后的低频系数，高频图像根据纹理一致性测度的纹理检测确定融合规则，调整高频小波系数大小。利用小波变换对图像相对应的低频分量及各方向细节分量进行针对性融合处理，很好地将来自不同图像的特征与细节融合在一起，并对融合图像质量进行了对比评价。实验结果表明，这种方法能够在保留图像微小细节方面获得满意的结果，这种算法有效且优于传统的图像融合方法。     

基于Curvelet变换的遥感图像融合研究

Curvelet变换是继小波变换之后,更适合图像处理的一种新的多尺度变换分析方法,相比小波而言,它更加适合分析二维图像中的曲线或直线状边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力,同时也具有很强的方向性.本文论述了Curvelet变换的理论和实现算法,基于考虑图像中的那些弱的边缘,提出了一种利用Curvelet变换进行遥感图像融合的方法.实验结果分析表明:将Curvelet变换引入图像融合,能够更好地提取原始图像特征,为融合图像提供更多信息,使融合图像在较好地保留光谱信息的同时,空间细节信息得到增强,优于典型的IHS变换、主分量变换及小波变换图像合方法.     

改进拉普拉斯能量和的尖锐频率局部化Contourlet域多聚焦图像融合方法

为了克服Contourlet融合在远离支撑区间上出现的混叠成分,抑制融合图像在奇异处产生伪吉布斯现象,提出了改进拉普拉斯能量和的尖锐频率局部化Contourlet（SFLCT）域多聚焦图像融合方法。采用SFLCT而不是原始的Cont-ourlet对多聚焦图像进行分解,并将多聚焦图像空域融合方法中评价图像清晰度的指标引入到SFLCT变换域,用拉普拉斯能量来选择变换域系数。然后,逆SFLCT重构得到融合结果。最后,采用循环平移来提高SFLCT的平移不变性,有效抑制融合图像在奇异处产生伪吉布斯现象。实验结果表明：对于多聚焦图像,所提方法比循环平移小波变换法的互信息提高了5.87%,QAB/F提高了2.70%,比循环平移Contourlet方法的互信息提高了1.77%,QAB/F提高了1.29%;视觉效果优于典型的空域分块拉普拉斯能量方法和平移不变小波变换方法。     

一种基于HSI和小波变换的可见光和红外图像融合新方法

针对传统的HSI(色度—饱和度—亮度)图像融合方法易出现颜色失真和传统的小波融合方法存在分块模糊的现象,文中提出一种基于HSI和小波变换的可见光和红外图像融合新方法。该方法首先通过HSI变换获得红外和可见光图像的亮度成分,采用基于方差匹配度的融合规则对两者进行小波融合,得到新的亮度分量,并选用红外图像的饱和度分量和可见光图像的色度分量,进行HSI逆变换获得最终融合图像。实验结果表明:该方法在提高图像清晰度、突出图像细节和热目标等方面效果显著。