基于PCNN的圖像融合方法的研究.pdf

1、脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network,PCNN)是一種基于生物背景的神經(jīng)網(wǎng)絡(luò)。作為第三代人工神經(jīng)網(wǎng)絡(luò)，PCNN在圖像處理領(lǐng)域有著非常廣泛的應(yīng)用，主要應(yīng)用于圖像去噪、圖像分割、圖像增強(qiáng)等。由于PCNN更接近于生物神經(jīng)網(wǎng)絡(luò)，使得其具有傳統(tǒng)神經(jīng)網(wǎng)絡(luò)所沒有的特性，如脈沖發(fā)放同步、變閾值、波的形成與傳播等特性，這些特性可以很好的應(yīng)用于圖像處理這為本文在圖像融合技術(shù)中使用脈沖耦合神經(jīng)網(wǎng)絡(luò)提供了理論意義和支持。<

2、br>　　本文首先介紹 PCNN模型的基本原理，詳細(xì)闡述其運(yùn)行方式；再對PCNN的特性進(jìn)行分析，探討該模型在圖像處理方面的應(yīng)用方式及其優(yōu)勢；通過論述PCNN的特點(diǎn)，可知將多尺度下的非采樣 Contourlet變換(Nonsubsampled Contourlet Transform, NSCT)與PCNN相結(jié)合的融合算法，其應(yīng)用價值更大。
　　相對于傳統(tǒng)的小波變換、離散小波變換、脊波變換，具有平移不變性的非采樣Contourlet

3、變換，在處理圖像融合方面更理想。本文對NSCT變換的理論知識進(jìn)行介紹說明，又針對其組成部分依次詳細(xì)論述，在此基礎(chǔ)上，總結(jié)出 NSCT的諸多優(yōu)良特性特征，表明該變換在圖像處理方面的明顯優(yōu)勢。
　　本文的圖像融合是在對傳統(tǒng) PCNN和NSCT結(jié)合的基礎(chǔ)上改進(jìn)實(shí)現(xiàn)的。將源圖像進(jìn)行 NSCT變換處理，判斷二者的聚焦情況：（1）對二者聚焦均清晰/均模糊的區(qū)域按能量系數(shù)加權(quán)處理；（2）對二者聚焦清晰/模糊情況相反的區(qū)域，以區(qū)域方差作為低頻子帶

4、融合系數(shù)的選取規(guī)則，高頻子帶融合系數(shù)的選取規(guī)則為，采用區(qū)域方差作為低頻子帶融合系數(shù)的選取規(guī)則，將清晰度和區(qū)域能量分別作為PCNN的外界輸入和鏈接強(qiáng)度；然后經(jīng)過NSCT逆變換，得到最終的融合結(jié)果。
　　將 NSCT的平移不變性與 PCNN的全局耦合脈沖同步特性進(jìn)行結(jié)合，提出一種基于雙通道PCNN與NSCT結(jié)合的圖像融合方法。NSML代表在NSCT域低頻子圖的邊緣特征，并用于激勵自適應(yīng)PCNN神經(jīng)元。高頻子帶部分則將NSCT分解后的空