多尺度下脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合.pdf

1、圖像融合的目的是為了得到符合人眼視覺感知的綜合圖像。目前，小波變換因具有良好的視覺多尺度性和時(shí)頻局部特性，而廣泛應(yīng)用于圖像融合領(lǐng)域。但是對于二維圖像數(shù)據(jù)結(jié)構(gòu)，占據(jù)很重要地位的直線、曲線以及邊緣方向等細(xì)節(jié)信息，小波變換不能有效表示。多尺度幾何分析中非下采樣Contourlet變換(Nonsubsampled contourlet transform，NSCT)被稱為真正的圖像最稀疏表示。它繼承小波的多尺度性與時(shí)頻局部性，又有多方向性與各向

2、異性，同時(shí)解決了Contourlet變換由于次采樣而造成的振鈴效應(yīng)而具有平移不變性。脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse-Coupled Neural Networks，PCNN）由于具有哺乳動物視覺系統(tǒng)神經(jīng)細(xì)胞信息處理和信號傳導(dǎo)原理而被應(yīng)用到圖像融合領(lǐng)域。因此把多尺度下的NSCT與PCNN進(jìn)行結(jié)合的融合方法具有較大的應(yīng)用價(jià)值，也是本文研究的重點(diǎn)之一。
　　本文研究了多尺度下PCNN的圖像融合方法，其內(nèi)容如下：
　　l、對小波變換、

3、NSCT的原理、濾波器構(gòu)造與設(shè)計(jì)進(jìn)行詳細(xì)敘述，并總結(jié)其應(yīng)用中各種特點(diǎn)與物理意義。對PCNN模型的原理、參數(shù)設(shè)置與運(yùn)行方式進(jìn)行詳細(xì)敘述，結(jié)合圖像融合的目的與特點(diǎn)進(jìn)行大量實(shí)驗(yàn)和探討。
　　2、針對小波多尺度分解融合方法的缺點(diǎn)，提出對小波系數(shù)進(jìn)行改進(jìn)的局部Scharr融合方法，由于Scharr算子具有更強(qiáng)的逼近特性和最優(yōu)旋轉(zhuǎn)不變性，實(shí)驗(yàn)表明該方法具有一致優(yōu)越性和魯棒性。
　　3、由于傳統(tǒng)的基于多尺度分解和PCNN相結(jié)合的方法沒有考

4、慮多尺度的領(lǐng)域系數(shù)影響，使得圖像邊緣細(xì)節(jié)清晰度下降，同時(shí)利用PCNN點(diǎn)火最大規(guī)則來選取相應(yīng)系數(shù)，造成邊界效應(yīng)。根據(jù)局部空間頻率能恰當(dāng)表征圖像邊緣細(xì)節(jié)信息的特點(diǎn)，改進(jìn)的融合規(guī)則有效消除邊界效應(yīng)，提出NSCT域下改進(jìn)的空間頻率PCNN圖像融合方法(NSCTSFPCNN)，并實(shí)驗(yàn)證明其有效性。
　　4、對多尺度PCNN模型圖像融合框架下的各種方法進(jìn)行分步實(shí)驗(yàn)與討論，比較得出該框架下NSCTSFPCNN方法的優(yōu)點(diǎn)，然后對該方法五個(gè)關(guān)鍵參數(shù)