基于nsct与双通道pcnn的多聚焦图像融合探究

《基于nsct与双通道pcnn的多聚焦图像融合探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、1引言多聚焦图像融合将聚焦目标不同的源图像进行融合处理，提取各源图像中清晰区域最终合成同一场景中不同目标都清晰的图像，进而更全面、真实地反映场景信息，利于人眼观察做出对图像的准确分析和理解.根据多聚焦图像的特点，V.Aslantas和R.Kurban采用分块的多聚焦图像融合方法，提出利用标准差分演化算法实现融合.由于基于分块的多聚焦图像融合算法对图像进行固定分块会引起块效应，而基于频域的变换方法可以解决这一问题，因此多尺度分解变换(MSD)广泛应用于图像相融合.其中，CunhaAL提出的非下采样Co

2、ntourlet变换(NonsubsampledContourletTransform,NSCT)具有多尺度、多方向及平移不变性，能够有效地提取图像特征，更适用于图像融合[2].随着压缩感知理论领域的兴起，将图像的稀疏表示用于图像融合，但是稀疏系数的求解过程中需要经过字典练，増大运算量耗时长.Eckhorn根据猫的视觉原理提出的脉冲耦合神经网络(PulseCupledNeuralNetwork,PCNN)能够根据相似性集群而发放同步脉冲，且不需要训练，它广泛应用于图像分割，融合，识别等领域.文献提出

3、NSCT与区域点火PCNN的图像融合算法，对低频子带系数采用区域点火PCNN融合规则，根据区域点火特性确定低频子带融合系数，带通方向子带系数选用改进的拉普拉斯能量的融合规则，能够较好地保留图像的边缘信息.文献提出基于图像分块与PCNN的多聚焦图像融合方法，但是PCNN参数较多，需要经过多次试验确定参数值，而双通道PCNN模型弥补了PCNN融合图像时，计算量大、效率低的缺点.本文提出基于NSCT与双通道PCNN的多聚焦图像融合方法。.2NSCT与DCPCNN图像融合2.1非下采样轮廓波变换(NSCT)

4、结构由非下采样金字塔(NonsubsampledPyramid,NSP)滤波器组和非采样方向滤波器组(NonsubsampledDirectionalFilterBank,NSDFB)构成.NSP先将源图像分解为一个低频子带和••高频子带，再对低频子带进行NSP分解，反复操作实现图像的多分辨率分解，为3级NSP分解.经过k层MSP分解将会得到与源图像尺寸大小相同的k+1个子带图像;NSDFB对k个高频子带图像进行I级多方向分解，得到21个不同方向子带图像，具有更强的方向选择性，如图2所示为四通道方向

5、滤波器组示意图.因此NSCT具有多尺度，多方向及平移不变性，充分捕捉图像的纹理、边缘等细节信息，而且不同子带图像尺寸大小相同，利于制定相应的融合规则.2.2双通道脉冲耦合神经网络(Dual-ChannelPCNN)脉冲耦合神经网络(PCNN)是一种新型反馈网络，PCNN由三个部分组成：接受域(receptivefield)、调制域(modulationfield)和脉冲产生器(pulsegenerator).PCNN由若干个神经元相互连接构成反馈，各神经元之间存在着能量传播，以相似性集群产生同步脉冲

6、发放.一个二维PCNN中MxN神经元对应于二维输入图像的MxN像素.当一个或几个神经元点火引发周围神经元迅速点火，通过计算神经网络中每个像素的点火次数，寻找图像中各像素间的联系进行归类，确定某一类像素的信息特征.但是PCNN在进行图像融合时，对图像中的偏暗区域不敏感，处理效果欠佳，而且需要设置大量的参数，为使操作简便并且保持其耦合特性，采用双通道PCN3本文融合方法NSCT具有多尺度性，方向各异性及平移不变性;双通道PCNN的信号形式和工作原理符合视觉神经系统的生理学特点,处理图像中偏亮或偏暗区域效

7、果较好，更适用于图像处理.本文将NSCT与双通道PCNN相结合，对严格配准的多聚焦图像进行融合.将图像A、B通过NSCT变换进行分解各自得到一个低频子带，记作CLA、CLB,和一系列高频子带图像，记作Cl,kA,Cl,kB，其中，1=1,2，…，L;k=l,2，…，2n,L为分解的最大层数，2n为各层分解的方向数目.低频子带采用基于SML的视觉特性对比度的方法进行融合，高频子带则通过双通道PCNN进行融合.最后进行逆NSCT变换得到融合图像。3.1低频系数融合规则NSCT变换将多聚焦图像分解成高频子

8、带和低频子带.低频子带代表图像的轮廓，大部分的能量和少数的源图像的细节信息都存在于彳氐频子带，因此低频子带系数融合规则的选取对最终融合图像的视觉效果影响相当重要.图像清晰度是描述图像边界的明确程度，源图像中每个图像的清晰度与其邻域密切相关，反映局部邻域的特征信息，而多聚焦图像中清晰目标与模糊目标的清晰度差异大，能够反映相应区域的信息特征.改进的拉普拉斯能量和(SML)作为清晰度评价指标能够较好的应用于多N。聚焦图像融合，其改进拉普拉斯能量(ML)。3.2高频系数融合规