多尺度下脉冲耦合神经网络的图像融合

论文摘要

图像融合的目的是为了得到符合人眼视觉感知的综合图像。目前，小波变换因具有良好的视觉多尺度性和时频局部特性，而广泛应用于图像融合领域。但是对于二维图像数据结构，占据很重要地位的直线、曲线以及边缘方向等细节信息，小波变换不能有效表示。多尺度几何分析中非下采样contourlet变换(NonsubsaJnpled contourlet transfbrm，NSCT)被称为真正的图像最稀疏表示。它继承小波的多尺度性与时频局部性，又有多方向性与各向异性，同时解决了contourlet变换由于次采样而造成的振铃效应而具有平移不变性。咏冲耦合神经网络(Pulse．coupled Neural’Networks，PcNN)由于具有哺乳动物视觉系统神经细胞信息处理和信号传导原理而被应用到图像融合领域。因此把多尺度下的’NSC’T与PcNN进行结合的融合方法具有较大的应用价值，也是本文研究的重点之一。本文研究了多尺度下PcNN的图像融合方法，其内容如下：1、对小波变换、NSCT的原理、滤波器构造与设计进行详细叙述，并总结其应用中各种特点与物理意义。对PcNN模型的原理、参数设置与运行方式进行详细叙述，结合图像融合的目的与特点进行大量实验和探讨。2、针对小波多尺度分解融合方法的缺点，提出对小波系数进行改进的局部Scharr融合方法，由于SchalT算子具有更强的逼近特性和最优旋转不变性，实验表明该方法具有一致优越性和鲁棒性。3、由于传统的基于多尺度分解和PcNN相结合的方法没有考虑多尺度的领域系数影响，使得图像边缘细节清晰度下降，同时利用PcNN点火最大规则来选取相应系数，造成边界效应。根据局部空间频率能恰当表征图像边缘细节信息的特点，改进的融合规则有效消除边界效应，提出NSCT域下改进的空间频率PcNN图像融合方法(NSCTSFPCNN)，并实验证明其有效性。4、对多尺度PcNN模型图像融合框架下的各种方法进行分步实验与讨论，比较得出该框架下NSCTSFPCNN方法的优点，然后对该方法五个关键参数进行逐一实验与讨论，得到最优参数设置的原则与取值范围。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 图像融合的基本概念及发展概况
• 1.2 图像融合体系结构
• 1.3 多尺度分析图像融合的研究方法概述
• 1.4 图像融合的评价标准
• 1.5 论文研究的主要内容及安排
• 1.6 本文的主要研究成果
• 1.7 本章小结
• 第二章 小波多尺度图像融合
• 2.1 小波理论简介
• 2.2 多尺度分析理论
• 2.3 小波滤波器的构造
• 2.4 轮廓波及非下采样轮廓波
• 2.4.1 超小波理论简介
• 2.4.2 contourler变换原理
• 2.4.3 非下采样轮廓波（NscT）
• 2.5 小波多尺度图像融合框架
• 2.6 小波多尺度图像融合规则
• 2.7 基于改进局部scharr算子的小波多尺度图像融合法
• 2.8 各种融合规则的实验结果及讨论
• 2.9 本章小结
• 第三章 PCNN特性在图像融合的作用
• 3.1 引言
• 3.2 PCNN模型及其原理
• 3.2.1 PcNN神经元模型
• 3.2.2 PcNN神经元的运行方式
• 3.3 图像融合目的的PCNN实验
• 3.4 本章小结
• 第四章 NSCT与PCNN相结合的图像融合方法
• 4.1 NSCT与PCNN在图像融合中的意义
• 4.2 NscT与PcNN结合的各种融合规则
• 4.3 各种融合规则的实验结果及分析
• 4.3.1 空域特征的PcNN图像融合实验
• 4.3.2 NscT下空域特征的PcNN图像融合实验
• 4.4 参数调整的实验与讨论
• 4.4.1 特征衡量局部区域大小K×K
• 4.4.2 PCNN模型迭代次数N
• 4.4.3 PCNN模型连接系数β
• 4.4.4 NSCT 分解层数M
• 4.5 本章小结
• 第五章 结论与展望
• 5.1 本论文研究总结
• 5.2 前景展望
• 致谢
• 参考文献
• 攻硕期间取得的研究成果