结合视觉显著性与Dual PCNN的红外与可见光图像融合

针对现存的红外与可见光图像融合算法亮度不均、目标不突出、对比度不高、细节丢失等问题,结合非下采样剪切波变换(NSST)具有多尺度、最具稀疏表达的特性,显著性检测具有突出红外目标的优势,双通道脉冲耦合神经网络(Dual-PCNN)具有耦合、脉冲同步激发等优点,提出一种基于NSST结合视觉显著性引导Dual-PCNN的图像融合方法。首先,通过NSST分解红外与可见光图像各方向的高频与低频子带系数;然后,低频子带系数采用基于显著性决策图引导Dual-PCNN融合策略,高频子带系数采用改进的空间频率作为优化Dual-PCNN的激励进行融合;最后,经过NSST逆变换得到融合图像。实验结果表明,融合图像红外目标突出且可见光背景细节丰富。该方法相比于其他融合算法在主观评价与客观评价上都有一定程度的改善。     

基于LLF和RBD检测的红外和可见光图像融合

提出一种基于LLF和RBD检测的红外和可见光图像融合方法。运用局部拉普拉斯滤波对红外图像平滑处理和对可见光增强处理,以充分利用红外图像的目标信息和可见光图像的细节信息。在此基础上,采用增强背景检测的RBD显著性检测算法处理红外图像,以很好地检测出目标。此外,为了增强目标信息,减弱背景干扰,对RBD检测的结果进行S曲线变换。然后,对红外和可见光图像应用NSST分解得到高频分量与低频分量。最后,使用S曲线变换后获得的显著图对低频分量进行加权融合,采用绝对值取大的规则对高频分量进行融合。实验结果表明,该方法能够得到红外目标突出,细节增强的融合图像。     

一种改进PCNN的红外与可见光图像融合算法研究

红外图像与可见光图像运用传统图像融合技术进行图像融合时,融合图像出现细节模糊、对比度降低等问题。针对此问题,提出了一种通过面积比改进脉冲耦合神经网络(PCNN)结合NSCT的图像融合方法。首先利用直方图双向均衡化对源图像预处理;其次经过NSCT分解图像得到低频子带和高频子带,高频部分采用改进的PCNN作为融合规则得到高频融合系数,低频部分采用加权平均作为融合规则得到低频融合系数;最后NSCT逆变换处理高低频融合系数得到融合图像。实验结果表明,融合算法在保留图像细节信息、增强图像轮廓信息方面优于传统图像融合算法,提高了图像对比度。     

基于MVOtsu和鲸鱼自适应阈值的图像增强算法

针对电力设备红外灰度图像的细节不清、边缘模糊等缺陷,提出一种基于非下采样剪切波变换(NSST)的电力设备红外图像处理方法。首先,利用NSST对原始的电力设备红外图像进行变换,将数据从空间域转换到频域。然后,对高频系数使用鲸鱼自适应阈值去噪算法去噪,同时增强了高频系数中的细节和边缘部分;对低频系数采用改进的结合均值和方差的大津(MVOtsu)算法将低频分量分成前景部分和后景部分,并分别采用伽马校正算法和直方图均衡化算法进行增强。最后,通过NSST的逆变换得到增强后的图像。所提算法与其他算法的对比结果表明,所提算法能更好地突出电力设备红外图像的细节信息,增强了图片对比度,达到了更好的视觉效果。     

可见光与红外图像区域级反馈融合算法

目的 可见光图像具有丰富的纹理信息,红外图像具有较强的目标指示信息,进行融合时只有合理地设计融合规则才能充分利用两者的互补信息,为此,提出一种基于效果评估的可见光与红外图像区域级反馈融合算法.方法 首先对待融合图像进行非下采样轮廓波变换(NSCT),将其分解为低频和高频部分.同时采用分形特征对红外图像进行人造目标增强,通过阈值分割得到目标区域与背景区域.在设计低频融合规则时,选取目标区域与背景区域的加权融合系数作为参数,根据图像融合效果评估的量化指标,运用遗传算法进行参数的优化求解.对高频部分采用基于区域的加权平均融合规则.最后,利用优化后的融合系数进行NSCT逆变换得到融合图像.结果 采用3组图像,结合主观评价和客观评价指标对4种融合算法的结果进行了比较分析,实验结果表明,本文算法融合后图像更自然,目标更显著,客观评价结果总体上最优.结论 本文算法有效结合了红外图像的目标信息与可见光图像的背景信息,融合图像具有更强的对比度,有利于进行战场态势显示和目标识别任务.     

一种基于双边滤波和图像融合的增强方法

在系统研究可见光和红外图像融合技术的基础上,提出一种图像融合算法用以检测可见光图像中的隐含目标。为了在检测隐含目标的同时平滑图像中目标的边缘信息,采用双边滤波来去除噪声并在此基础上进行图像融合以获取图像完整信息。首先通过对图像添加噪声得到降质退化图像,然后采取双边滤波算法对降质图像进行平滑去噪,此后,再对滤波去噪后图像进行融合。结合双边滤波和图像融合方法,设计四种算法来验证双边滤波和图像融合在多源图像应用中的强大功能。研究测试了算法对可见光图像中因光线原因隐藏的人体目标检测性能。实验结果表明,该方法可以有效提高在背景图像中进行目标检测或识别的概率。     

基于FPDE的红外与可见光图像融合算法

针对传统红外与可见光图像融合算法中存在的细节信息不够丰富, 边缘信息保留不够充分等问题, 文中提出了一种基于四阶偏微分方程(Fourth-order partial differential equation, FPDE)的改进的图像融合算法.算法首先采用FPDE将已配准的红外与可见光图像进行分解, 得到高频分量和低频分量; 然后, 对高频分量采用基于主成分分析(Principal component analysis, PCA)的融合规则来得到细节图像, 对低频分量采用基于期望值最大(Expectation maximization, EM)的融合规则来得到近似图像; 最后, 通过组合最终的高频分量和低频分量来重构得到最终的融合结果.实验是建立在标准的融合数据集上进行的, 并与传统的和最近的融合方法进行比较, 结果证明所提方法得到的融合图像比现有的融合方法能有效地综合红外与可见光图像中的重要信息, 有更好的视觉效果.     

基于低秩表示和NSST的医学图像融合

针对不同模态的医学图像成像机理不同,对人体信息显示特性不同,融合结果噪声较大,梯度信息不足等问题,提出一种基于低秩表示和非下采样剪切波变换(NSST)的医学图像融合方法。采用低秩表示方法LatentLRR对原始医学图像进行去噪及特征信息提取,得到基础图像;通过NSST对基础图像分解得到高频图像和低频图像;对得到的相应特征信息运用引导滤波的方法进行处理得到融合后的特征图像,对高频图采用局部梯度能量算法进行融合,对低频图采用加权改进拉普拉斯能量和进行融合;采用逆NSST得到基础融合图像;将基础融合图与特征融合图结合得到最终融合图像。与几种经典图像融合算法相比较,该算法在客观评价和主观评价上均表现出优势。     

基于脉冲耦合神经网络的异源图像融合方法

针对基于主成分分析与二代小波变换的图像融合算法中鲁棒性不高、融合图像质量较低的问题,提出了基于鲁棒性主成分分析与脉冲耦合神经网络的融合方法.所提出的算法将可见光与红外图像进行二代小波变换,转换为高频与低频信号,接着采用不同的融合策略针对低频和高频信号进行融合.针对低频信号,利用鲁棒性主成分分析法还原低秩矩阵并采用加权平均的融合策略进行融合;针对高频信号,将其送入至脉冲神耦合神经网络中进行融合得到融合后的小波系数.将融合后的小波系数进行逆变换,得到最终融合图像.实验结果表明,相比于基于主成分分析与二代小波变换的图像融合算法,利用所提出的出算法得到的融合图像中熵指标、空间频率指标、结构相似度指标和峰值信噪比指标均得到了不同程度的提升.因此,所提出的算法能够更好地提取目标信息,使融合图像中目标的轮廓边缘更加清晰,同时将提升小波分解出的高频信息利用PCNN进行融合,更加突出细节信息.     

基于NSST和NLMF的多聚焦图像融合

为对融合图像的信息丰富度、边缘清晰度以及视觉效果作进一步的提升,设计了一种基于非下采样剪切波变换(NSST)结合非局部均值滤波(NLMF)的多聚焦图像融合算法.首先,将源图像通过NSST变换进行多尺度、多方向分解得到高、低频子带系数.其次,对低频子带系数采用局部区域的改进拉普拉斯能量和以及非局部均值滤波融合方法构建低频...     

基于改进引导滤波与DCPCNN的图像融合方法

针对红外图像与可见光图像融合易产生边缘信息缺失,目标不够突出等问题,将引导滤波的保持边缘特性与双通道脉冲耦合神经网络（DCPCNN）的非线性耦合调制特性相结合,提出一种基于改进引导滤波与DCPCNN的红外与可见光图像融合算法。该方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;对低频分量的融合是利用改进空间频率作用DCPCNN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来确定;高频分量融合是利用局部平均梯度与区域方差自适应加权,而后采用改进的引导滤波进行平滑处理实现空间一致性;最后,对分别处理后的各分量经过非下采样剪切波变换可逆变换获取融合图像。针对典型背景目标和复杂背景目标两类实验结果表明,与经典的曲波变换、双树复小波变换、非下采样轮廓波变换和非下采样剪切波变换等方法相比,该算法可以有效综合图像的优势信息,且在平均梯度、标准差、空间频率、相关系数等方面具有更高的优势。     

基于语义分割的红外和可见光图像融合

红外图像即使在低光照条件下,也能根据热辐射的差异将目标与背景区分开来,而可见光图像具有高空间分辨率的纹理细节,此外,红外和可见光图像都含有相应的语义信息.因此,红外与可见光图像融合,需要既保留红外图像的辐射信息,也保留可见光图像的纹理细节,同时,也要反映出二者的语义信息.而语义分割可以将图像转换为带有语义的掩膜,提取源图像的语义信息.提出了一种基于语义分割的红外和可见光图像融合方法,能够克服现有融合方法不能针对性地提取不同区域特有信息的缺点.使用生成式对抗神经网络,并针对源图像的不同区域设计了2种不同的损失函数,以提高融合图像的质量.首先通过语义分割得到含有红外图像目标区域语义信息的掩模,并利用掩模将红外和可见光图像分割为红外图像目标区域、红外图像背景区域、可见光图像目标区域和可见光图像背景区域;然后对目标区域和背景区域分别采用不同的损失函数得到目标区域和背景区域的融合图像;最后将2幅融合图像结合起来得到最终融合图像.实验表明,融合结果目标区域对比度更高,背景区域纹理细节更丰富,提出的方法取得了较好的融合效果.     

Multi-focus image fusion based on sparse decomposition and background detection

The goal of image fusion is to accurately and comprehensively describe complementary information of multiple source images in a new scene. Traditional fusion methods are easy to produce side-effects which cause artifacts and blurred edges. To solve these problems, a novel fusion algorithm based on robust principal component analysis (RPCA) and guided filter is proposed. The guided filter can preserve the edges effectively, which is often used to enhance the images without distort the details. Considering edges and flat area are treated differently by the guided filter, in this paper, sparse component of the source image is filtered by the guided filter to generate the enhanced image which contains the preserved edges and the enhanced background. And then the focused regions of the source images are detected by spatial frequency map of the difference images between the enhanced image and the corresponding source image. Finally, morphological algorithm is used to obtain precise fusion decision map. Experimental results show that the proposed method improves the fusion performance obviously which outperforms the current fusion methods.     

形态学滤波和改进PCNN的NSST域多光谱与全色图像融合

目的 全色图像的空间细节信息增强和多光谱图像的光谱信息保持通常是相互矛盾的,如何能够在这对矛盾中实现最佳融合效果一直以来都是遥感图像融合领域的研究热点与难点。为了有效结合光谱信息与空间细节信息,进一步改善多光谱与全色图像的融合质量,提出一种形态学滤波和改进脉冲耦合神经网络（PCNN）的非下采样剪切波变换（NSST）域多光谱与全色图像融合方法。方法 该方法首先分别对多光谱和全色图像进行非下采样剪切波变换;对二者的低频分量采用形态学滤波和高通调制框架（HPM）进行融合,将全色图像低频子带的细节信息注入到多光谱图像低频子带中得到融合后的低频子带;对二者的高频分量则采用改进脉冲耦合神经网络的方法进行融合,进一步增强融合图像中的空间细节信息;最后通过NSST逆变换得到融合图像。结果 仿真实验表明,本文方法得到的融合图像细节信息清晰且光谱保真度高,视觉效果上优势明显,且各项评价指标与其他方法相比整体上较优。相比于5种方法中3组融合结果各指标平均值中的最优值,清晰度和空间频率分别比NSCT-PCNN方法提高0.5%和1.0%,光谱扭曲度比NSST-PCNN方法降低4.2%,相关系数比NSST-PCNN方法提高1.4%,信息熵仅比NSST-PCNN方法低0.08%。相关系数和光谱扭曲度两项指标的评价结果表明本文方法相比于其他5种方法能够更好地保持光谱信息,清晰度和空间频率两项指标的评价结果则展示了本文方法具有优于其他对比方法的空间细节注入能力,信息熵指标虽不是最优值,但与最优值非常接近。结论 分析视觉效果及各项客观评价指标可以看出,本文方法在提高融合图像空间分辨率的同时,很好地保持了光谱信息。综合来看,本文方法在主观与客观方面均具有优于亮度色调饱和度（IHS）法、主成分分析（PCA）法、基于非负矩阵分解（CNMF）、基于非下采样轮廓波变换和脉冲耦合神经网络（NSCT-PCNN）以及基于非下采样剪切波变换和脉冲耦合神经网络（NSST-PCNN）5种经典及现有流行方法的融合效果。     

Perceptual fusion of infrared and visible images through a hybrid multi-scale decomposition with Gaussian and bilateral filters

In order to achieve perceptually better fusion of infrared (IR) and visible images than conventional pixel-level fusion algorithms based on multi-scale decomposition (MSD), we present a novel multi-scale fusion method based on a hybrid multi-scale decomposition (hybrid-MSD). The proposed hybrid-MSD transform decomposes the source images into multi-scale texture details and edge features by jointly using multi-scale Gaussian and bilateral filters. This transform enables to better capture important multi-scale IR spectral features and separate fine-scale texture details from large-scale edge features. As a result, we can use it to achieve better fusion result for human visual perception than those obtained from conventional multi-scale fusion methods, by injecting the multi-scale IR spectral features into the visible image, while preserving (or properly enhancing) important perceptual cues of the background scenery and details from the visible image. In the decomposed information fusion process, three different combination algorithms are adaptively used in accordance to different scale levels (i.e., the small-scale levels, the large-scale levels and the base level). A regularization parameter is introduced to control the relative amount of IR spectral information injected into the visible image in a soft manner, which can be adjusted further depending on user preferences. Moreover, by testing different settings of the parameter, we demonstrate that injecting a moderate amount of IR spectral information with this parameter can actually make the fused images visually better for some infrared and visible source images. Experimental results of both objective assessment and subjective evaluation by human observers also prove the superiority of the proposed method compared with conventional MSD-based fusion methods.     

基于NSST域的自适应区域和SCM相结合的多聚焦图像融合

为了提高多聚焦图像的融合效果,结合多源图像之间的共享相似性,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet Transform,NSST)域的自适应区域与脉冲发放皮层模型(Spiking Cortical Model,SCM)结合的新型图像融合算法。首先用NSST分解源图像,然后计算边缘能量(Energy Of Edge,EOE),在自适应区域用投票加权法融合低频系数,高频系数由边缘能量作为输入的SCM点火图融合,最后通过逆NSST获得该融合图像。该算法既可以很好地保持源图像的信息,又可以抑制在变换域因非线性运算产生的像素失真。实验结果表明,该方法优于最新的变换域和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)融合方法。     

基于NSCT域滚动引导滤波与自适应PCNN的医学图像融合

针对传统CT和MRI医学图像融合后存在边缘轮廓模糊、纹理细节丢失等问题,提出基于NSCT域结合相位一致性滚动引导滤波与改进参数自适应双通道PCNN的图像融合方法。首先,采用相位一致性滚动引导滤波对CT源图像进行增强,提高骨骼轮廓结构清晰度。然后,通过NSCT变换分解增强后的CT和MRI源图像得到低频子带和高频子带。低频子带系数采用改进参数自适应双通道脉冲耦合神经网络融合策略,明显改善了软组织的纹理细节模糊效果;高频子带系数采用加权求和修正拉普拉算法融合,提升了融合后图像的细节、纹理等信息。最后,通过逆NSCT变换重构出融合图像。通过五组对比实验表明,所提方法的AG、CC、SF、MSE以及CEN客观评价指标分别平均提高了13.30%、6.71%、4.40%、40.23%、19.16%,说明该融合方法在处理纹理细节、边缘轮廓、结构相似性以及图像像素方面性能更好。     

基于非下采样Shearlet变换耦合能量关联度的医学图像融合算法

为了克服当前较多医学图像融合方法在采用图像的能量信息融合图像时,忽略了不同图像能量的关联度,使得融合结果存在细节丢失现象和模糊现象等问题,提出了一种非下采样Shearlet变换(NSST,non-subsampled shearlet transform)耦合能量关联度的医学图像融合算法;借助NSST变换,在多尺度下对输入医学图像进行解析,获取其低频及高频子带系数;以图像的能量信息为依据,构造能量关联度函数,测量不同图像的关联程度;根据不同图像的关联度,设计不同的低频子带融合规则,获取信息含量丰富且连贯性较好的融合低频子带;在空间频率函数的基础上,注入图像的对角信息,使之成为多元空间频率函数,以计算图像的清晰度;引入标准差函数,计算图像的对比度;联合图像的清晰度和对比度信息,获取纹理及对比度等特征都较优良的融合高频子带;基于逆NSST变换,重构融合结果;主观和客观实验结果表明,较当前较为流行的医学图像融合技术而言,所提方法具备更高的融合质量,呈现出更多的纹理细节和更高的清晰度。