基于CSR和能量特征的红外与可见光图像融合

传统稀疏表示(SR)分块处理策略降低了图像连续性,使得特征信息损失严重。因此,提出了基于卷积稀疏表示(CSR)和能量特征的红外与可见光图像融合算法。该算法将非下采样轮廓波变换(NSCT)域低频子带分解成低频基础分量和细节特征分量,使用局部拉普拉斯能量法(LLE)和卷积稀疏表示分别进行融合,获得低频子带融合图像。同时,根据底层视觉特征构建新活性度量方法来融合高频子带,最后对高、低频部分进行NSCT反变换重建。实验结果表明:该算法有效结合了源图像的边缘纹理信息,在主观和客观评价上皆优于现有的大部分算法。     

基于稀疏表示和NSCT-PCNN的红外与可见光图像融合

针对小波变换容易造成细节信息丢失、非下采样轮廓波变换(NSCT)分解的低频子带系数不稀疏以及红外与可见光图像融合结果综合性能不佳的问题,提出了一种基于稀疏表示和NSCT-PCNN的红外与可见光图像融合算法。首先将源图像进行NSCT分解,获得低、高频子带;其次,利用K奇异值分解(K-SVD)算法对低频子带进行字典训练,实现低频子带的稀疏表示和低频稀疏系数的融合;然后,利用高频子带的空间频率激励脉冲耦合神经网络(PCNN),选择较大点火次数的系数作为高频子带的融合系数;最后对低、高频子带融合系数进行NSCT逆变换,得到融合的图像。实验结果表明,该算法在视觉效果和客观指标方面均具有较大优势,且融合结果综合性能优于现有算法。     

卷积稀疏表示和邻域特征结合的多聚焦图像融合

稀疏表示的分块处理破环了图像的连续性,导致 多聚焦融合图像的清晰测度信息严重丢失。针对上述 问题,提出了卷积稀疏表示和邻域特征结合的多聚焦图像融合算法。该算法将非下采样轮廓 波变换(NSCT)域低频子图通过高斯滤波分解 成基础层和细节层,然后选用交替方向乘子算法(ADMM)求解稀疏系数,完成细节层特征响 应系数的融合。同时, 根据聚焦程度测量函数设计了合理的邻域特征,完成了NSCT域高频子图的融合。实验结果表 明:该算法边缘信息 传递因子(QAB/F)指标略低于对比算法, 但空间频率(SF)、平均梯度(AG)、清晰度(SP)以及视觉信息保 真度(VIFF)指标相比于对比算法分别提高了约16.31% 、41.87%、19.2%以及12.07%,有效地提取了源图像更深 层次的清晰测度信息,克服了稀疏表示的块效应缺陷。     

基于非下采样剪切波变换的红外与可见光图像融合

由于传统稀疏表示(SR)冗余字典单一,脉冲耦合 神经网络(PCNN)模型参数设置复杂,为了解决上述问题,提 出了基于非下采样剪切波变换(NSST)的红外与可见光图像融合算法。该算法首先通过NSST将 源图像分解成低频子 带和高频子带。然后,使用自适应稀疏表示(ASR)模型进行NSST域低频部分稀疏系数的融合 ;同时,采用参数自适 应脉冲耦合神经网络(PA-PCNN)模型融合相应的高频部分。最后,对融合后的低频和高频波 段进行NSST反变换,重 建得到融合结果图。实验结果表明:该算法解决了传统SR模型的“块效应”问题,克服了PC NN模型中自由参数的设置难点,在主观视觉和客观评价上均优于现有算法。     

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。     

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NSCT和PCNN的可见光与红外图像融合算法

提出了一种基于Contourlet变换的非下采样变换(Nonsubsampled ContourletTransform,NSCT)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的可见光与红外图像融合算法。该算法首先对源图像进行NSCT分解,得到低频子带系数和各带通方向子带系数。然后对低频子带系数提出一种基于可见光与红外图像自身特性的加权平均融合方法,再对各带通子带系数提出基于PCNN的融合方法。最后经过NSCT逆变换得到融合图像。实验证明,该方法优于小波方法和传统的NSCT方法。     

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。     

一种快速的基于稀疏表示和非下采样轮廓波变换的图像融合算法

为了提高图像融合的效率和质量,该文提出一种基于快速非下采样轮廓波变换(NSCT)和4方向稀疏表示的图像融合算法。该方法首先对源图像进行快速NSCT分解,生成一系列低通和高通子带。对于低频子带,利用自适应生成的DCT过完备字典进行快速的4方向稀疏表示和系数融合;对于高频子带,则利用高斯加权区域能量最大的融合规则进行系数融合。快速NSCT将传统NSCT的树形滤波结构转变为多通道滤波结构,能成倍提高分解效率;快速的稀疏融合则抛弃了传统的滑动窗口方法,以水平、垂直、对角线4个方向进行稀疏表示和稀疏融合,进一步提高算法效率。实验结果表明,提出的快速算法能在不影响融合质量的条件下将算法效率提高近20倍。     

一种基于非采样Contourlet变换红外图像与可见光图像融合算法

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法.算法首先采用NSCT对源图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数.然后,针对低频子带系数的选择,提出了一种基于红外图像与可见光图像物理特征的"加权平均"系数选择方案;针对各带通方向子带系数的选择,结合人眼视觉特性,提出了一种基于区域能量匹配的系数选择方案,得到融合图像的NSCT系数.最后经过NSCT逆变换得到融合图像.实验结果表明该算法可获得较理想的融合图像,其融合效果优于传统的基于离散小波变换以及离散小波框架变换的图像融合算法.     

基于人眼视觉特性的NSCT医学图像自适应融合

医学图像融合对于临床诊断具有重要的应用价值。针对多模态医学图像特性,本文提出一种基于人类视觉特性的医学图像自适应融合方法。首先,对经配准的源图像进行非间隔采样轮廓变换（（Nonsubsampled Coutour-let,NSCT）多尺度分解,得到低频子带和若干高频方向子带;其次,根据低频子带集中了大部分源图像能量和决定图像轮廓的特点,采用区域能量与平均梯度相结合的方法进行融合;根据人眼对图像对比度及边缘、纹理的高敏感度,在高频子带系数的选取时提出区域拉普拉斯能量、方向对比度与脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）相结合的融合策略;进而,提出了把与人类视觉高度一致的加权结构相似度（Weighted Structure Similarity,WSSIM）作为图像融合目标函数,自适应地获取各子带的最优权值;最后,对灰度图像和彩色图像进行了大量融合比较实验,并对不同融合方法进行分析对比。实验结果表明：本文算法不仅可以有效保留源图像的信息,而且可以使融合图像灰度级更分散,更好地保留了图像边缘信息,具有更好的视觉效果。     

Technique for multi-focus image fusion based on fuzzy-adaptive pulse-coupled neural network

Multi-focus image fusion technique can solve the problem that not all the targets in an image are clear in case of imaging in the same scene. In this paper, a novel multi-focus image fusion technique is presented, which is developed by using the nonsubsampled contourlet transform (NSCT) and a proposed fuzzy logic based adaptive pulse-coupled neural network (PCNN) model. In our method, sum-modified Laplacian (SML) is calculated as the motivation for PCNN neurons in NSCT domain. Since the linking strength plays an important role in PCNN, we propose an adaptively fuzzy way to determine it by computing each coefficient’s importance relative to the surrounding coefficients. Combined with human visual perception characteristics, the fuzzy membership value is employed to automatically achieve the degree of importance of each coefficient, which is utilized as the linking strength in PCNN model. Experimental results on simulated and real multi-focus images show that the proposed technique has a superior performance to series of exist fusion methods.     

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

针对多光谱和全色图像的融合,提出了一种NSCT域内基于改进脉冲耦合神经网络（PCNN）和区域能量的融合方法。首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带。然后,对分解后的低频子带采用基于区域能量的自适应加权算法进行融合;在带通方向子带,结合改进的脉冲耦合神经网络,使用带通方向子带系数作为PCNN的外部输入激励,经过PCNN点火获得待融合图像的点火映射图,根据点火时间计算点火映射图的区域能量,通过判决算子选择待融合图像的带通方向子带系数作为融合系数。最后,对融合处理后的NSCT变换系数进行重构生成融合图像。实验结果显示:在迭代次数为100次时,与改进小波算法相比,标准差提高了9.48%,熵提高了0.95%,相关系数提高了21.56%,偏差指数降低了29.66%;与Contourlet算法相比,标准差提高了9.73%,熵提高了0.94%,相关系数提高了11.27%,偏差指数降低了9.45%;与NSCT算法相比,标准差提高了3.84%,熵提高了3.34%,相关系数提高了7.89%,偏差指数降低了7.42%。     

Multi-modality medical image fusion based on separable dictionary learning and Gabor filtering

Sparse representation (SR) has been widely used in image fusion in recent years. However, source image, segmented into vectors, reduces correlation and structural information of texture with conventional SR methods, and extracting texture with the sliding window technology is more likely to cause spatial inconsistency in flat regions of multi-modality medical fusion image. To solve these problems, a novel fusion method that combines separable dictionary optimization with Gabor filter in non-subsampled contourlet transform (NSCT) domain is proposed. Firstly, source images are decomposed into high frequency (HF) and low frequency (LF) components by NSCT. Then the HF components are reconstructed sparsely by separable dictionaries with iterative updating sparse coding and dictionary training. In the process, sparse coefficients and separable dictionaries are updated by orthogonal matching pursuit (OMP) and manifold-based conjugate gradient method, respectively. Meanwhile, the Gabor energy as weighting factor is utilized to guide the LF components fusion, and this further improves the fusion degree of low-significant feature in the flat regions. Finally, the fusion components are transformed to obtain fusion image by inverse NSCT. Experimental results demonstrate the more competitive results of the proposal, leading to the state-of-art performance on both visual quality and objective assessment.     

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.