应用小波变换的自适应脉冲耦合神经网络在图像融合中的应用
小波变换用于图像融合和去噪
数字图像处理第四次作业1.用wavedec2()函数对b1,b2两幅图像进行小波分解, 采用’haar’小波, 尝试着分解到第二或第三级; 融合两幅图像。
解：分解后，取两幅图中分解系数绝对值较大的系数作为融合后的系数，再进行图像重建，再对超出范围的值做适当处理，显示。
程序如下：a1=imread('b1.jpg');a2=imread('b2.jpg');N=3;[c1,s1]=wavedec2(a1,N,'haar');[c2,s2]=wavedec2(a2,N,'haar');I=abs(c1)>abs(c2);%记下绝对值较大的系数所在位置C=c1.*I+c2.*(~I);%将两个向量中绝对值较大的元素提取出来，组成新的矩阵Cout=waverec2(C,s1,'haar');figure,subplot(131),imshow(a1)subplot(132),imshow(a2)subplot(133),imshow(uint8(abs(out)),[0 255])实验结果如下：（最右侧的图是融合后的结果）可见，融合后的图像各部分都变得清晰。
（仔细观察会发现，融合后的图像仍有部分模糊，这是因为所给的两幅图在对应位置都是模糊的，所以结果也是模糊的）2.阅读冈萨雷斯版数字图像处理7.5节二维小波变换的内容, 在作业报告中阐述基于小波变换的边缘提取及噪声去除的基本原理.答：（1）边缘提取的原理：对一幅图像进行小波变换，近似分量将出现在左上角，细节分量将出现在其他位置；一般情况下，近似分量主要是图像的低频成分，而细节分量一般是图像的高频成分。
而图像中物体的边缘基本上是高频成分。
所以，如果将近似分量置0，再进行小波变换逆变换，则相当于忽略了图像的低频成分，即只剩下边缘。
如果希望提取某个方向上的边缘，比如，垂直方向上的边缘，则可以将近似分量以及各级水平方向上的系数矩阵置0，这样，不仅忽略了图像的低频成分，也忽略了水平方向上的细节，重建后，就显示出垂直方向上的边缘。
改进的小波变换算法在图像融合中的应用
改进的小波变换算法在图像融合中的应用高颖;王阿敏;王凤华;郭淑霞【摘要】为了改善传统图像融合方法在精确制导武器系统中对目标检测模糊、识别率低与实时性差等缺陷，采用了一种将小波变换与Canny算子相结合的图像融合的新方法。
该方法的具体改进在于首先对源图像在垂直和水平方向上进行了适合图像重构的3层小波分解，并依据各分解层不同频率分量的自身特性，采用独特的融合规则，即对低频分量采用加权平均融合算法，对高频分量采用Canny 算子与局部区域均方差准则结合法改变图像的小波系数，最后对融合后的小波系数进行逆变换，得到重构的目标图像。
结果表明，利用该方法不仅降低了融合图像的边缘模糊性，突出了目标色彩，达到良好的视觉效果，而且计算效率高、实时性好，特别有助于伪装目标的检测与识别，具有较好的应用价值。
%In order to overcome the defects of fuzzy detection , low recognition rate and poor real-time of traditional fusion methods used in precision-guided weapons systems , a new image fusion algorithm was proposed combining wavelet transform with Canny operator .Firstly, the source image was decomposed into 3 layers in vertical and horizontal directions , which are suitable for image reconstruction; then due to its own characteristics of the different frequency components , an unique fusion rule was used to change wavelet coefficients of images , that is, for the low frequency components , the weighted average fusion algorithm was adopted , and for the high-frequency components , wavelet coefficients were changed using Canny operator and the local area variance criteria method .Finally, images were reconstructed using the inverse wavelet transform for differentcomponents .Results show the improved method not only reduces the fuzziness of edge , highlights target color , gets better visual effects , but also makes computational efficiency high , real-time good, particularly can detect and recognize pretend targets .It has better theoretical research and application value .【期刊名称】《激光技术》【年(卷),期】2013(000)005【总页数】6页(P690-695)【关键词】图像处理;图像融合;边缘检测;小波变换;图像评价【作者】高颖;王阿敏;王凤华;郭淑霞【作者单位】西北工业大学航海学院，西安710072;西北工业大学航海学院，西安710072;西北工业大学航海学院，西安710072;西北工业大学无人机特种技术重点实验室，西安710065【正文语种】中文【中图分类】TP391在某些情况下，由于受光照、环境因素（如烟雾、云、雨、噪声等）、目标位置（如远近、障碍物等）、目标状态（如运动、密集目标、伪装目标等）以及传感器固有特性等因素的影响，通过单一传感器所获得的图像信息不足以用来对目标或场景进行更好的检测、分析以及理解，因此便产生了多源图像融合技术，它能够将来自不同传感器探测到的多特征图像综合利用，充分考虑图像之间的冗余与互补信息，从而获得比任何单一图像更为清晰、准确的图像［1］。
小波变换与卷积神经网络的综合应用研究
小波变换与卷积神经网络的综合应用研究随着人工智能的快速发展，卷积神经网络（Convolutional Neural Network，CNN）作为一种重要的深度学习模型，已经在图像识别、语音处理等领域取得了显著的成果。
而小波变换（Wavelet Transform）作为一种有效的信号处理方法，可以提取信号的时频特征，被广泛应用于图像压缩、噪声去除等领域。
本文将探讨小波变换与卷积神经网络的综合应用研究，以期发现两者结合的潜力和优势。
首先，我们来了解一下小波变换的基本原理。
小波变换是一种将信号分解成不同频率的子信号的方法，通过对信号进行多尺度的分析，可以获得信号的时频特征。
与传统的傅里叶变换相比，小波变换具有更好的局部性和时频局部化特性，能够更好地捕捉信号的瞬时特征。
因此，小波变换在信号处理中具有广泛的应用前景。
而卷积神经网络是一种模仿人脑神经系统的深度学习模型，通过多层卷积和池化操作，能够从原始数据中提取出高级的特征表示。
卷积神经网络在图像识别、目标检测等领域取得了巨大的成功，成为了计算机视觉领域的重要工具。
小波变换和卷积神经网络有着不同的特点和优势，因此将两者结合起来，可以进一步提升模型的性能和泛化能力。
一种常见的方法是将小波变换作为卷积神经网络的前处理步骤，将原始信号转换为小波系数，然后再输入到卷积神经网络中进行特征提取和分类。
这样做的好处是可以更好地利用小波变换的时频特征，提高模型对信号的理解能力。
另一种方法是将小波变换和卷积神经网络融合在一起，构建小波卷积神经网络（Wavelet Convolutional Neural Network，WCNN）。
WCNN利用小波变换的多尺度分析能力，将小波系数作为卷积核，从而实现了对不同频率的信号进行不同程度的处理。
这样做的好处是可以更好地捕捉信号的时频特征，并且在处理多尺度信号时能够更加高效。
小波变换与卷积神经网络的综合应用研究还有很多其他的方向和方法。
多方向独立小波耦合神经网络的图像融合算法
多方向独立小波耦合神经网络的图像融合算法汪小威;陆涛;刘伟晖;龚向欣【摘要】Because insufficient sampling decomposition leads to redundant information and the contrast and clarity of fu sion image are poor in the current image fusion algorithms,the image fusion algorithm based on NSWMDA coupling adaptive PCNN was proposed.Based on non separable wavelet transform and non down sampling direction filter,a multi scale NSWMDA mechanism was designed to obtain the low frequency sub bands and high frequency ones of the source image.The Laplasse Gauss operator was introduced to extract the high frequency sub band information,and the high frequency fusion criterion of adaptive PC-NN was designed.The low frequency fusion based on Gauss weighted average was adopted.The high frequency and low frequency information were processed using NSWMDA transform,the fusion image was synthesized.Results of experiments show contrasted with the current image fusion algorithm,using the proposed method can maintain better mutual information of the fused image,and improve the peak signal to noise ratio as well as the fusion efficiency.%针对当前图像融合算法因利用下采样分解导致信息冗余、融合图像对比度和清晰度不高等不足,提出基于非分离小波多方向分析NSWMDA(non-separable wavelet multi-directional analysis)与脉冲耦合神经网络PCNN (pulse coupled neural network)的图像融合算法.根据非分离小波变换和非下采样方向滤波器,设计多尺度NSWMDA机制,获取源图像的低频、高频子带;引入高斯-拉普拉斯算子,提取高频子带的高频信息,设计自适应PCNN融合准则,完成高频信息融合;基于高斯加权平均的低频融合规则,对低频子带完成融合;利用NSWMDA重构,输出融合图像.仿真结果表明,与当前图像融合算法相比,该算法的融合图像具有更优的交互信息、PSNR (peak signal to noise ratio),以及融合效率.【期刊名称】《计算机工程与设计》【年(卷),期】2017(038)011【总页数】7页(P3118-3124)【关键词】图像融合;非分离小波多方向分析;脉冲耦合神经网络;高斯拉普拉斯算子;频域融合规则;交互信息【作者】汪小威;陆涛;刘伟晖;龚向欣【作者单位】南宁学院信息工程学院,广西南宁530200;南宁学院信息工程学院,广西南宁530200;广西大学计算机与电子信息学院,广西南宁530004;南京理工大学计算机科学与工程学院,江苏南京210094【正文语种】中文【中图分类】TP391图像融合可保留源图像的重要信息，为决策者提供更可靠、更准确的观察和判断，广泛应用于医学影像、工业控制、目标识别等领域[1-3]。
课程设计—小波-图像融合
目录摘要 (1)1、设计目的与意义 (2)2、题目分析 (3)3、设计原理 (6)4、总体设计 (6)5、算法设计与功能描述 (7)6、测试结果与分析 (10)7、设计总结.........................................11 8、设计体会 (11)参考文献 (12)摘要小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间一频率窗口，是进行信号时频分析和处理的理想工具。
它的主要特点是通过变换能够充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用，特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。
从此，小波变换越来越引进人们的重视，其应用领域来越来越广泛。
数据融合是80 年代形成和发展起来的一种自动化信息综合处理技术, 它将来自多传感器或多源的信息和数据进行综合处理, 从而得出更为准确可信的结论, 它充分利用多源数据的互补性和计算机的高速运算与智能来提高结果信息的质量。
图像融合是数据融合技术在数字图像处理方面的一个应用。
高效的图像融合方法可以根据需要综合处理多源通道的信息，从而有效地提高了图像信息的利用率、系统对目标探测识别地可靠性及系统的自动化程度。
本文着重讨论了基于小波变换的图像融合。
关键词：图像融合，小波变换1设计目的与意义通常地, 图像融合是指将来自不同探测器的图像进行合并, 以得到一个更为完整的图片或场景。
图像融合的主要目的是通过对多幅图间的冗余数据的处理来提高图像的可靠性, 通过对多幅图像间的互补信息的处理来提高图像的清晰度。
高效的图像融合方法可以根据需要综合处理多源通道的信息，从而有效地提高了图像信息的利用率、系统对目标探测识别地可靠性及系统的自动化程度。
其目的是将单一传感器的多波段信息或不同类传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，以增强影像中信息透明度，改善解译的精度、可靠性以及使用率，以形成对目标的清晰、完整、准确的信息描述。
基于自适应PCNN模型的四元数小波域图像融合算法
基于自适应PCNN模型的四元数小波域图像融合算法
朱芳;刘卫
【期刊名称】《红外技术》
【年(卷),期】2018(040)007
【摘要】针对红外和可见光图像的自身特点,本文提出一种基于四元数小波变换(QWT)和自适应脉冲耦合神经网络(PCNN)模型相结合的红外图像与可见光图像融合的新算法.首先将红外图像与可见光图像分别进行四元数小波变换,分别得到低频子带和高频子带系数;其次,采用局部区域方差匹配的融合准则处理低频子带系数,并用自适应的PCNN模型处理高频子带系数,用一种改进的空间频率作为PCNN模型的刺激输入,且采用拉普拉斯算子调节PCNN模型的阈值;最后经过四元数小波逆变换实现图像的融合.将本文提出的新算法与经典的图像融合算法进行对比分析,实验结果说明,新方法取得了较好地视觉改进效果,并在客观标准上也达到一定的提高.【总页数】8页(P660-667)
【作者】朱芳;刘卫
【作者单位】安徽新华学院通识教育学院,安徽合肥 230088;中国科学院合肥智能机械研究所,安徽合肥 230031
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于自适应PCNN的紫外图像融合算法 [J], 马立新;周小波;单宇
2.基于NSST和自适应PCNN的图像融合算法 [J], 江平;张强;李静;张锦
3.基于Shearlet域的改进加权法结合自适应PCNN的图像融合算法 [J], 王英;刘帆;陈泽华
4.基于改进PCNN模型的偏振图像融合算法 [J], 姜兆祯;韩裕生;任帅军;张延厚
5.基于双树复小波变换的自适应PCNN图像融合算法 [J], 杜进楷;陈世国
因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波变换的图像动态融合技术
作者单位
的效果。整体来看，本例 中使用 的小波 变换 方 银 川能源学院信 息传媒 学院 宁夏回族 自治 区
近值选 择 ｒ ａｉ ｎ ，对于细 节值 则选 择 ｍｉ ｎ ，发现 细 节值选 择 ｒ ａｉ ｎ比 ｍａ ｘ和其 他的值 来 比较，
法融 合图像取得 了 － 较好的效果 ，在今后 的研 究 银 川 市
平 台下 通 过 测 试 和 验 证 。
【 关键词 】ｔ ｒ ｉ ｍ ａ ｐ ｍ ａ ｓ ｋ小波 变换融合
图１ ： 抠 图与 融 合 流 程 图
小 波 分 析 具 有 多 分 辨 等 特 点 ， 可 以 有 效
地将特 征明显、分辨率高的 图像融 合在一起 ， 得到 比任 何一幅源图像效果都好的 图像 ，因此 本 文 中的 融合 方法均 采用 小波 分解 和 你小波 重 构的 方法 。本 文采 用 了泊松抠 图 的思 想 的 ｌ ｅ ａ ｍｉ ｎ ｇ Ｂ ａ ｓ ｅ ｄ Ｍａ ｔ ｔ ｉ ｎ ｇ ，首先将彩色 原图转换 为
综Ｊ 所述 ，本文采用 ｒ基于小波变换 的图
谢鹏 （ １ ９ ７ ５ 一）， 男 ， 山 西 省 运 城 市 人 。 硕 士
２获得背景图像
本文 中获 得 前景 的方法 和步 骤 是，住 获 得带有 ｍａ ｓ ｋ范围的背景图之 前，要 先将 ｍａ ｓ ｋ
图 进 行 求 补， 获 得 新 的 ｍａ ｓ ｋ ， 对 原 图 和 ｍａ ｓ ｋ图 分 别 进 行 ２级 的 ｈ ａ ａ ｒ小波 分解 ， 对 逼
融合后逆小波变换得到 的图像边缘比较精细 ，
后重构成最终的融合图像，实现的步骤如图 １ 相对光滑， 锯齿状不明显， 效果较好。
所示。
１ 获得 前 景 图像
基于小波变换的图像融合技术研究的开题报告
基于小波变换的图像融合技术研究的开题报告一、研究背景随着数字图像处理技术的发展，图像融合成为研究热点之一。
图像融合是指将多幅图像信息融合成一幅新的图像。
图像的融合可以使得图像的细节更加清晰，且能够提高图像处理的效率。
随着卫星遥感、医学图像、航空图像等领域的发展，图像融合在相关领域具有广泛的应用价值。
小波变换作为一种用于信号处理和图像处理的数学工具，已经被广泛应用于图像融合。
在图像融合中，小波变换可以对图像进行分解，对各个频率子带进行加权求和，最终实现图像的融合。
二、研究目的本文的目的是探究基于小波变换的图像融合技术的研究。
具体来说，本文将从以下三个方面进行研究：1. 探究小波变换在图像融合中的应用，了解其工作原理并进行分析。
2. 分析不同的小波变换在图像融合中的适用性，包括Haar小波、Daubechies小波、Symlet小波等。
3. 设计并实现基于小波变换的图像融合算法，对比不同小波变换对图像融合算法的影响，分析图像融合效果的优劣。
三、研究内容1. 小波变换与图像融合的基本原理介绍小波变换的基本概念和图像融合的相关原理。
2. 不同小波变换的特点和适用性分析比较Haar小波、Daubechies小波和Symlet小波等不同小波变换的特点，分析其在图像融合中的优缺点。
3. 基于小波变换的图像融合算法设计以Haar小波为基础，设计一个基于小波变换的图像融合算法，并将其应用于卫星遥感图像、医学图像等实际应用场景中。
4. 实验与分析对比不同小波变换对图像融合的影响，分析算法的融合效果。
四、研究意义本文的主要意义在于探究基于小波变换的图像融合技术的研究，为提高图像融合效果和应用场景的拓展提供理论支持。
同时，本文的研究结果也有助于改进和优化现有的图像融合算法。
基于小波变换的图像融合性能的研究
基于小波变换的图像融合性能的研究鄢树（成都大学学前教育学院，四川成都，610021)摘要：基于小波变换的图像融合方法已成为现今研究的热点，针对图像融合过程中由于各种因素不同将会对最后融合的性能产生较大的影响，利用了不同的小波基和分解层次对比分析了融合结果，深入研究了影响性能的关键因素。
关键字：性能；图像融合；小波变换中图分类号：TP391 文献标志码：AThe Research On the Performance of Image FusionBased On Wavelet TransformYan Shu( Preschool Education College of Chengdu University, Chengdu, 610021) Abstract: Recently the method of image fusion based on wavelet transform has become the research hot spot, and it has great impact on the performance of fusion with the different factors. Through taking measure of the different wavelet basis and decomposition level to analyze the fusion results, it deeply researches the key influence factor of performance.Key words: Performance; Image Fusion; Wavelet Transform0 前言在众多的图像融合技术中，基于小波变换的图像融合方法已成为现今研究的一个热点。
图像融合是将不同传感器得到的多个图像根据某个算法进行综合处理，以得到一个新的、满足某种需求的新图像，它可将同一对象的两个或者更多的图像合成在一幅图像中，以便它比原来的任何一幅图像更容易为人们所理解。
基于小波变换的图像融合算法研究
基于小波变换的图像融合算法研究刘娜;田大为【摘要】The image fusion is an important way to improve the image quality,but the traditional algorithm is difficult to fuse the image effectively. In order to improve the quality of image fusion,an image fusion algorithm based on wavelet transform is proposed. Wavelet transform is performed for two original images to extract their wavelet coefficients. The different rules are used to fuse the wavelet coefficients at different levels,and then the wavelet transform is used to fuse the fused coefficients. The images with different types are adopted to test and analyze the image fusion results. The results show that the image after wavelet transform fusion is more natural and clearer,the proposed algorithm can improve the signal-to-noise ratio of the image,quicken the speed of image fusion,and can obtain more satisfactory image fusion effect than the comparing algorithms.%图像融合是改善图像质量的一个重要途径,传统算法难以正确地对图像进行有效融合.为了提高图像融合的质量,提出一种基于小波变换的图像融合算法.首先对2幅原始图像进行小波变换,提取它们的小波系数,然后采用不同的规则对不同层次的小波系数进行融合,并采用小波变换对融合的系数进行融合,最后采用不同类型对图像融合结果进行测试和分析.结果表明,小波变换融合后的图像更加自然、清晰,提高了图像的信噪比,并且图像融合速度明显加快,获得了比对比算法更加理想的图像融合效果.【期刊名称】《现代电子技术》【年(卷),期】2018(041)007【总页数】5页(P71-74,79)【关键词】图像质量;小波变换;神经网络;加权融合;信噪比;图像融合【作者】刘娜;田大为【作者单位】湖北医药学院卫生管理与卫生事业发展研究中心,湖北十堰442000;湖北医药学院附属东风医院,湖北十堰442000【正文语种】中文【中图分类】TN911.73-34;TP3910 引言当图像采集环境不理想时，采集单一的一幅图像无法准确地描述目标信息，需要通过对目标的多幅图像进行融合，以更加全面、准确地描述目标信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第18卷 第3期2010年3月 光学精密工程 OpticsandPrecisionEngineering Vol.18 No.3 Mar.2010
收稿日期:2009203202;修订日期:2009207229. 基金项目:国家863高技术研究发展计划资助项目(No.2006AA703405F)
文章编号 10042924X(2010)0320708208应用小波变换的自适应脉冲耦合神经网络在图像融合中的应用
武治国1,2,王延杰1,李桂菊1(1.中国科学院长春光学精密机械与物理研究所,吉林长春130033;2.中国科学院研究生院,北京100039)
摘要:设计并实现了一种适用于红外与可见光图像融合的基于小波变换的自适应脉冲耦合神经网络(PCNN)融合技术。首先,对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,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。进行了两组图像融合实验,结果显示,在迭代次数为50次时,与经典小波方法相比,两组实验结果的熵分别提高1.1%,0.7%;平均梯度分别提高8.3%,3.7%;空间频率分别提高2.5%,1.5%;标准差分别提高1.9%,0.6%;交叉熵分别缩小5.6%,4.9%,结果表明本文方法用于红外与可见光图像的融合十分有效。关 键 词:图像融合;脉冲耦合神经网络;小波变换;局域熵;点火映射图中图分类号:TP391.41 文献标识码:A
ApplicationofadaptivePCNNbasedonwavelettransformtoimagefusion
WUZhi2guo1,2,WANGYan2jie1,LIGui2ju1(1.ChangchunInstituteofOptics,FineMechanicsandPhysics,ChineseAcademyofSciences,Changchun130033,China;2.GraduateUniversityofChineseAcademyofSciences,Beijing100039,China)
Abstract:AfusionmethodofinfraredandvisiblelightimagesbasedonPulseCoupledNeuralNetwork(PCNN)andwavelettransformisstudied.Firstly,thetwooriginalimagesaredecomposedbywave2lettransform,then,afusionruleinthewaveletdomainisgivenbasedonthePCNN.Thisalgorithmusesthelocalentropyofwaveletcoefficientineachfrequencydomainasthelinkingstrength,thenitsvaluecanbechosenadaptively.AfterprocessingPCNNwiththeadaptivelinkingstrength,newfiremappingimagesareobtained.Accordingtothefiremappingimages,thefiringtimegradientmapsarecalculatedandthefusioncoefficientsaredecidedbythecompare2selectionoperatorwithfiringtimegradientmaps.Finally,thefusionimagesarereconstructedbywaveletinversetransform.Twogroupsofexperimentsareundertakenforthefusionofvisibleandinfraredimages,resultsindicatethatwhenthenumbersofiterationsare50times,theentropyhasincreasedby1.1%and0.7%;theaveragegradsby8.3%and3.7%;thespatialfrequenciesby2.5%and1.5%;thestandarddeviationby1.9%and0.6%,respectively;andthecross2entropyhasreducedby5.6%and4.9%,respectivelyascomparingwiththatofclassicalwaveletmethod.Theseresultsshowthatproposedmethodhasim2provedthedetailsoffusedimagesandissuitableforfusingvisibleandinfraredimages.Keywords:imagefusion;Pulse2CoupledNeuralNetwork(PCNN);wavelettransform;localentropy;firemappingimage
1 引 言 目前,靶场光测设备多装有红外和可见光传感器,可见光成像传感器在一定照度下能反映场景的细节,但照度不佳时的可见光图像的对比度较低,成像与目标场景的热对比度无关;红外成像传感器对热目标的探测性能较好,具有特殊的识别伪装能力,但红外图像是辐射图像,灰度由目标与背景的温差决定,不能反映真实的场景。如何有效利用不同传感器的成像特点,综合这两种具有互补性图像的特征信息,保证图像边缘,获取更多的细节信息来增强场景理解一直是红外和可见光图像融合的研究热点。脉冲耦合神经网络[1](Pulse2coupledNeural
Network,PCNN)的融合是一种全局的融合算法,可以保留更多的细节信息,且其信号形式和处理原理更符合人类视觉神经系统的生理学基础。1999年Broussard等人利用PCNN进行图像融合以提高目标识别的准确度,并且证实了PCNN应用于图像融合的可行性[2]。WeiLi等人提出了一种将小波包分解与PCNN相结合的方法[3],
该方法将PCNN网络的脉冲输出量作为图像融合的准则,但该方法融合图像后易出现边缘移位的现象。根据工程任务需求,本文设计实现了一种基于自适应PCNN和小波变换的融合技术,目的是开发融合效果优良,图像细节突出的融合方法,为红外和可见光图像融合的实际应用提供新的途径。在小波变换域中,低频子图像反映原图像的近似和平均特性,高频子图像反映原图像的突变特性,即图像的边缘、区域边界特性。本文充分利
用小波变换和PCNN的自身特性进行融合策略设计。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,根据小波系数的点火时间梯度选取融合系数,提高融合性能。实验结果表明了本文算法在红外和可见光图像融合中的有效性和优越性。
2 基于小波变换的红外与可见光图像融合
具有多分辨率特征的小波变换能够把图像分解到不同尺度下,便于分析源图像的近似信息和细节信息,其分解过程与人类视觉系统分层次理解的特点非常类似,其精确重构能力保证图像分解过程没有信息损失,因此,将小波变换应用到红外与可见光图像融合,有利于综合红外图像较好的目标指示特性和可见光图像的清晰场景信息,可以有选择地挑选图像中的细节纹理信息,得到较好的融合结果。基于小波变换的图像融合方法的框架概括如下:步骤1:对待融合的红外与可见光图像分别进行小波变换,建立各源图像的小波金字塔;步骤2:对各分解层从高到低分别进行融合处理,各分解层上的不同频率分量可采用不同的融合规则进行融合处理,最终得到融合后的小波金字塔;步骤3:对融合后所得的小波金字塔进行小波逆变换,所得重构图像即为融合图像。
709第3期
武治国,等:应用小波变换的自适应脉冲耦合神经网络在图像融合中的应用图1给出了基于小波变换的图像融合方法的结构示意图:图1 基于小波变换融合方法的结构示意图Fig.1 Blockdiagramofwavelettransformimagefusion在基于多分辨率小波变换的图像融合中,图像融合准则的选择是决定最终得到的融合结果的一个关键性的因素,也是至今未能很好解决的难点问题。本文提出了一种新的适应于红外与可见光图像融合的基于PCNN的融合策略。3 基于PCNN的融合策略设计3.1 PCNN基本原理及其简化模型脉冲耦合神经网络PCNN是由若干个PC2NN的神经元互连所构成的反馈型网络,每一个神经元都由接收域、调制部分和脉冲产生器3部分组成(如图2所示)。图2 PCNN神经元模型Fig.2 PCNNneuronmodel其原理数学方程描述为: Lj=Ek[Wkjexp(-ALkjt)]áYk(t)+Jj,(1) Fj=Ek[Mkjexp(-AFkjt)]áYk(t)+Ij,(2) Uj=Fj(1+BjLj),(3) (j=exp(-A()(j+V(Yj(t),(4) Yj(t)=1, Uj>(j0,otherwise,(5)接受域接受来自其它神经元与外部的输入。式中,Wkj和Mkj是神经元的突触连接权,ALkj与AFkj
为时间常数,V(与A(分别表示阈值的幅度系数
与时间常数,B表示链接强度。神经元Yj通过接收域接收外界输入信号(Ij和Jj)及几个相邻神经元的输出(Yl,,,Yk)后,将其通过两条通道传输。其中,一条通道称为馈送输入F,另一通道称为链接输入L。F通道的脉冲响应函数随时间的变化比L通道慢。在调制域完成链接输入对馈送输入的调制,进而形成该神经元的内部活动量Uj;接着,Uj进入脉冲产生部分,与该神经元的阈值(j比较大小,输出Yj=1表示神经元J发生点火被激活,产生一个脉冲;Yj=0不激活。从以上分析可知,传统的PCNN模型需要恰当设置其数学模型中各种放大系数、衰减时间常数、连接权值矩阵、连接系数等,才能实现最佳分割。然而,要自适应地确定这些参数是非常困难的。假设神经元的馈送输入Fj只接受外部刺激输入信号,则图1的神经元模型简化为如图3所示的Kuntimad等给出的简化模型[4]。
图3 PCNN神经元的简化模型Fig.3 SimpliedPCNNneuronmodel
3.2 链接强度的确定由图3可知,当链接强度B=0时,PCNN的各神经元之间不存在耦合链接,即PCNN的运行行为是各神经元相互独立运行的简单组合。对于每个神经元,其运行行为是,在外部刺激的作用下,将以一定的自然频率发放脉冲,称为自然点火。小波系数越大,点火频率就越高。当链接强度BX0时,PCNN的各神经元之间存在着耦合链接,当一个神经元点火时,会对其链接的邻近神经元做出贡献。对于神经元Npq,由于邻近神经元