Texture analysis-based multi-focus image fusion using a modified Pulse-Coupled Neural Network (PCNN)

Multi-focus image fusion is an effective method of information fusion that can take a series of source images and obtain a fused image where everything is in focus. In this paper, a multi-focus image fusion method based on image texture that adopts a modified Pulse-Coupled Neural Network (PCNN) approach is proposed. First, the texture of an image is obtained by means of image cartoon and texture decomposition. An ignition image is then acquired by inputting the image textures into a modified PCNN. Ignition images are compared to each other to obtain an initial decision map. A small object detection and bilateral filter is then applied to the initial decision map to reduce noise and enable smoother processing. Finally, the source images and decision map are used to produce the fused image. Experimental results demonstrate that the proposed method effectively preserves the source images information while delivering good image fusion performance.     

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。     

基于PCNN和最大灰度熵图像分量的彩色图像分割

为提高彩色图像的分割效果,提出了一种最大灰度熵图像分量和脉冲耦合神经网络(PCNN)相结合的彩色图像分割方法.将彩色图像转换到符合人眼视觉特征的色调饱和度亮度(HSV)颜色空间中,选取灰度熵值最大的分量图像,用PCNN增强以增大感兴趣区域对比度,对增强后的分量图像运用PCNN进行循环分割,当二维Renyi熵值不再大于前一次的值时,终止PCNN的循环分割,获得最佳分割结果.运用多种评价指标对所分割的结果进行评价,评价结果表明:提出的算法能够有效实现对彩色图像的分割,尤其在图像细节方面,比传统的彩色图像分割方法表述得更为清晰.     

基于NSPT域PCNN-SC的图像超分辨率重建

结合多尺度变换和脉冲耦合神经网络(PCNN)的 优点,将空域的稀疏编码(SC)算法通过非 下采样金字塔变换(NSPT)转换应用到频率域进行重建,并结合改进的PCNN对SC算法中的 最优系数 采用一种新的方法进行获取,进而提出一种新的超分辨率重建(SRR)模型与算法。首先将 图像进行三次B 样条 放大处理,然后采用NSPT对图像进行多尺度分解得到高低频子带系数。对于低频子带,运 用PCNN-SC 完成重建;对高频子带,将其与预测高分辨(HR)图像的特征图像运用改进的PCNN经图像融合 完成重建。最后 通过逆NSPT得到HR图像。实验表明,本文算法在主观视觉效果和客观数据都获 得了较好的效果。     

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。     

Pulse coupled neural networks and its applications

This paper surveys the extensive usage of pulse coupled neural networks. The visual cortex system of mammalians was the backbone for the development of pulse coupled neural network. PCNN (Pulse Coupled Neural Networks) is unique from other techniques due to its synchronous pulsed output, adjustable threshold and controllable parameters. is Hence the uniqueness of this network utilized in the fields of image processing. The basic model of PCNN and the consecutive changes implemented, to strengthen the pulse coupled neural network are discussed initially. Then the applications of PCNN are broadly discussed. The other miscellaneous applications utilizing pulse coupled neural networks are thrown light in the last section.     

基于Tetrolet变换与PCNN的图像增强

针对传统图像增强方法易损失边缘对比度以及抗噪性不强的缺点提出了一种基于Tetrolet变换与PCNN结合的图像增强方法。对待增强图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带系数,并将分解后的高通子带系数进行软阈值处理;把经处理后的各尺度高通子带轮廓图像序列作为PCNN神经网络增强算子的外部输入,进而得到增强后的高通子带系数;通过Tetrolet反变换获得增强后的结果图像。数值实验结果表明,该增强算法不但能够有效抑制噪声,而且能够很好地增强图像边缘轮廓的清晰度。     

基于PCNN和SVM的帘子布疵点识别算法

为了使用机器对帘子布疵点进行有效的检测和分类,根据帘子布灰度分布的特点,分析和讨论了改进型PCNN模型,利用改进型PCNN对帘子布疵点特征值进行提取,然后将支持向量机作为分类器最终实现疵点图像的识别.实验结果表明,该方法的疵点识别率较高,在90%以上,是一种简单有效的识别方法.     

视觉感知中特征捆绑建模方法的研究

针对视觉感知中特征的捆绑问题,在传统脉冲耦合神经网络(PCNN)的基础上,提出一种基于强度的PCNN模型。在该模型中,神经元邻域内脉冲发放总强度将不同的特征分离开来,而神经元自身的脉冲发放强度又将属于同一感知对象的不同特征捆绑起来。仿真结果证明,该模型可以实现特征的分离和捆绑。     

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。