多尺度下脈沖耦合神經(jīng)網(wǎng)絡的圖像融合.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頻局部特性，而廣泛應用于圖像融合領域。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頻局部性，又有多方向性與各向

2、異性，同時解決了Contourlet變換由于次采樣而造成的振鈴效應而具有平移不變性。脈沖耦合神經(jīng)網(wǎng)絡（Pulse-Coupled Neural Networks，PCNN）由于具有哺乳動物視覺系統(tǒng)神經(jīng)細胞信息處理和信號傳導原理而被應用到圖像融合領域。因此把多尺度下的NSCT與PCNN進行結(jié)合的融合方法具有較大的應用價值，也是本文研究的重點之一。
　　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)造與設計進行詳細敘述，并總結(jié)其應用中各種特點與物理意義。對PCNN模型的原理、參數(shù)設置與運行方式進行詳細敘述，結(jié)合圖像融合的目的與特點進行大量實驗和探討。
　　2、針對小波多尺度分解融合方法的缺點，提出對小波系數(shù)進行改進的局部Scharr融合方法，由于Scharr算子具有更強的逼近特性和最優(yōu)旋轉(zhuǎn)不變性，實驗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、慮多尺度的領域系數(shù)影響，使得圖像邊緣細節(jié)清晰度下降，同時利用PCNN點火最大規(guī)則來選取相應系數(shù)，造成邊界效應。根據(jù)局部空間頻率能恰當表征圖像邊緣細節(jié)信息的特點，改進的融合規(guī)則有效消除邊界效應，提出NSCT域下改進的空間頻率PCNN圖像融合方法(NSCTSFPCNN)，并實驗證明其有效性。
　　4、對多尺度PCNN模型圖像融合框架下的各種方法進行分步實驗與討論，比較得出該框架下NSCTSFPCNN方法的優(yōu)點，然后對該方法五個關(guān)鍵參數(shù)