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NSST与自适应PCNN的多聚焦图像融合方法

为弥补传统图像融合方法融合质量不高的缺点,提出了基于非下采样剪切波变换(Nonsubsampled Shearlet Transform,NSST)与自适应脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的图像融合方法。首先,利用非下采样剪切波变换对源图像进行剪切波分解;然后,采用基于图像引导滤波器的融合规则对得到的低频分量进行低频融合;其次,对于高频分量,采用改进的空间频率作为PCNN的输入,利用改进的拉普拉斯能量和作为PCNN的链接强度;最后,通过NSST逆变换得到融合后的图像。实验结果表明,相比于传统的融合规则,文中提出的算法在主观效果上能很好地保留细节信息,并抑制伪影和失真的产生;在客观评价上,其在标准差、边缘信息传递量、信息熵和互信息等常用指标上的表现更为优越。     

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PCANet的非下采样剪切波域多聚焦图像融合

近年来,基于深度学习模型的图像融合方法备受关注。而传统的深度学习模型通常需要耗时长和复杂的训练过程,并且涉及参数众多。针对这些问题,文中提出了一种基于简单的深度学习模型PCANet的非下采样剪切波(Non-Subsanmpled Shearlet Transform, NSST)域多聚焦图像融合方法。首先,利用多聚焦图像训练两阶段PCANet,用于提取图像特征。然后,对输入源图像进行NSST分解,得到源图像的多尺度和多方向表示。低频子带利用训练好的PCANet提取其图像特征,并利用核范数构造有效的特征空间进行图像融合。高频子带利用区域能量取大的融合规则进行融合。最后对根据不同融合规则融合后的频率系数进行NSST重构,获取清晰的目标图像。实验结果表明,所提算法的训练和融合速度比基于CNN的方法提高了43%,该算法的平均梯度、空间频率、熵等融合性能分别为5.744,15.560和7.059,可以与现有融合方法相媲美或优于现有的融合方法。     

基于非下采样contourlet变换与脉冲耦合神经网络的图像融合算法

提出一种基于非下采样contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合算法.该方法首先利用非下采样eontourlet变换对输入图像进行多尺度分解、多方向稀疏分解,准确捕获图像中的高维奇异信息,然后利用脉冲耦合神经网络的同步激发特性确定融合规则,选取融合系数,提高融合性能.实验结果表明,算法比小波变换、contourlet变换有更好的融合性能.     

NSCT域内结合相位一致性激励PCNN的多聚焦图像融合

针对传统脉冲耦合神经网络（PCNN）无法准确提取多聚焦图像聚焦区域的问题,提出一种利用相位一致性（PC）来检测图像清晰区域,并结合PCNN的多聚焦图像融合算法。首先,利用非下采样轮廓波变换（NSCT）对源图像进行多尺度分解,分别得到图像的高频子带和低频子带;其次,通过计算高频系数的空间频率值（SF）与低频系数的相位一致性值来提取图像高低频子带中的聚焦区域;然后,将SF与PC作为PCNN外部激励来刺激PCNN神经元点火,分别对图像高低频系数进行融合;最后,利用逆NSCT得到最终融合图像。实验采取多聚焦图像Clock、Pepsi和Lab作为三组实验数据集,与传统融合算法及新近提出的几种算法进行对比,所提算法的客观评价参数：互信息、边缘信息度、信息熵、标准差和平均梯度的数值均大于或十分接近于对比算法的最大值;同时从实验结果图与源图像的差值图中可以发现所提算法的差值图包含源图像清晰区域的痕迹明显更少。实验结果表明所提算法能更加准确地提取出图像的清晰区域,更好地保留图像的边缘与纹理等细节信息,得到更好的融合效果。     

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。     

基于区域分割和非下采样Contourlet变换的多聚焦图像融合算法

针对基于神经网络分割算法计算复杂、运算量大等问题,提出一种根据单焦距图像聚焦区域和失焦区域局部相对清晰度的不同进行区域分割的多聚焦图像融合算法。该算法有效结合了非下采样Contourlet变换(NSCT)在图像分解中的多尺度、方向性、各向异性和平移不变性等特点,利用各方向高频分量的聚类来对低频分量进行分割、融合。实验表明该算法是一种有效的多聚焦图像融合方法。     

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。     

混合多尺度分析和改进PCNN相结合的图像融合方法

为了更好地融合全色图像中的空间细节信息和多光谱图像中的光谱信息,提出一种基于混合多尺度分析和改进脉冲耦合神经网络(PCNN)的多光谱与全色图像融合方法.首先对全色图像和多光谱图像进行非下采样剪切波变换(NSST),并结合不同多尺度分析方法的互补特性,利用平稳小波变换(SWT)对低频分量部分进行二次分解,在混合多尺度域进行系数融合及SWT逆变换;然后采用基于PCNN的融合规则对高频分量部分进行融合;最后对融合后的高低频系数进行NSST逆变换,得到融合图像.在2组卫星拍摄的多光谱和全色图像上的实验结果表明,在主观视觉与客观评价指标的总体效果上,该方法优于其他8种经典以及流行方法.     

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。     

结合NSST与GA参数优化PCNN图像融合

针对传统多尺度融合算法不具平移性、融合效果较差以及PCNN参数设置复杂等问题,提出了一种结合非下采样剪切波变换（NSST）与遗传算法（GA）优化脉冲耦合神经网络（PCNN）参数的图像融合方法,将融合指标（互信息[MI]、边缘信息保留度[QAB/F]、熵[EN]、空间频率[SF]、图像标准差[STD]和图像平均梯度[AG]）的最大值设为GA优化算法的目标函数,从而获得最优解对PCNN的链接强度、阈值等参数进行优化。首先利用NSST对图像进行多尺度分解,其次高频采用空间频率引导PCNN进行融合,低频采用改进拉普拉斯能量和（SML）进行融合,最后进行NSST逆变换得到最终的融合图像。根据主观评价与客观评价指标对多聚焦图像、医学图像和红外及可见光图像的融合效果进行评价分析。实验结果表明,该算法在客观评价指标上优于其他算法,有较好的融合效果。     

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。     

基于NSCT和PCNN的遥感图像融合算法

为能同时获得空间信息与光谱信息,提出一种基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的遥感图像融合算法。通过NSCT分解得到多光谱与高分辨率图像,并对其高低频分量采用不同的准则进行融合。实验结果表明,该算法能较好地保留图像光谱信息,提高图像的空间分辨率。     

基于改进NSST-PCNN的光学与SAR图像融合去云方法

由于光学遥感穿透性差,光学图像常受到云层等天气因素干扰而影响其遥感应用。现有基于多时相或单幅图像修复的方法受地物变化及缺乏先验信息的影响,难以恢复云下真实地物信息。利用SAR图像不受云层、光照等因素干扰的特点,提出一种与SAR图像融合的光学图像去云方法。首先利用分形网络演化算法（FNEA）结合形状及光谱特性对云区进行检测,接着采用非下采样剪切波变换（NSST）对光学与SAR图像进行分解,最后对分解后系数结合云区检测结果进行融合,其中低频信息基于改进加权能量和进行融合,高频则结合方向信息熵及脉冲耦合神经网络（PCNN）模型进行融合。以高分一号、二号光学和高分三号SAR图像数据进行实验。结果表明,该方法相较其他5种算法在云区与参考图像有更高的相似性,可以更好地保持纹理及细节特征,在有效解决云层遮挡问题的同时实现图像增强,有利于后续图像分类、目标识别以及图像判别等遥感应用。     

基于PCNN和最优化评价准则的曲波域图像融合

利用曲波变换能够准确捕获图像高维奇异信息的特点,提出了一种在曲波域中基于脉冲耦合神经网络和最优化评价准则的图像融合方法。该方法用曲波变换对输入图像进行多尺度分解,再利用脉冲耦合神经网络的全局耦合特性对高频子带曲波系数进行选取,定义图像融合的目标函数,根据最优化目标函数确定低频曲波系数的融合权值,进行曲波逆变换得到融合图像。实验结果以及与其他算法的比较分析表明了算法的有效性和优越性。     

脉冲耦合神经网络自适应图像融合算法研究

作为一种新型的神经网络模型,脉冲耦合神经网络（PCNN）已经在众多领域得到了应用。针对现有脉冲耦合神经网络图像融合算法存在的不足,提出了一种新的自适应PCNN图像融合算法。提取原始待融合图像的互补特征作为PCNN的外部输入,并通过提取待融合图像的对比度特征自适应确定PCNN的链接强度参数;分析了传统PCNN获取最优图像融合结果的方法,探索性地将结构相似度引入到PCNN融合结果的评价中,为PCNN最优融合结果的获取提供了很好的借鉴作用。通过红外和可见光等图像的仿真实验结果表明,提出的融合算法是有效的。     

基于NSST 域隐马尔可夫树模型的SAR 和灰度可见光图像融合

针对合成孔径雷达(SAR) 图像和可见光图像融合问题, 提出一种基于非下采样剪切波变换域的隐马尔可夫树模型的图像融合方法(NHMM), 图像经过非下采样剪切波变换(NSST) 分解形成一个低频子带和多个高频子带.在NSST 域中, 对低频系数采用基于标准差的融合策略; 针对高频子带, 建立NSST 域隐马尔可夫树(HMT) 模型对高频系数进行训练, 并根据梯度能量对训练后的高频系数进行选择, 最后通过NSST 逆变换得到融合图像. 实验结果表明, 所提出的方法可提高图像的融合质量, 并能降低图像噪声, 具有一定的有效性和实用性.