论文部分内容阅读
随着图像传感器技术的不断发展，作为信息融合技术的一个分支，图像融合技术在很多领域都获得了广泛的应用。为了获得融合效果优良、运算处理速度快的图像融合方法，本文对现有的数字图像融合技术的基本理论和基本概念进行论述和分析，在对国内外已有的图像融合算法进行研究和分析的基础上，对国内外一些典型的图像融合算法进行研究和分析。并根据非下采样Contourlet变换（Nonsubsampled Contourlet Transform,NSCT），以及脉冲耦合神经网络（Pulsecoupled neural networks,PCNN）的特点提出了基于非下采样Contourlet变换和自适应的脉冲耦合神经网络相结合的图像融合方法。论文的主要工作和创新之处如下:1.研究了多尺度分解与重构工具在图像融合方面的应用，并针对小波变换等多尺度分解与重构工具的诸多缺陷以及普通Contourlet变换不具有平移不变性易产生吉布斯现象的缺点，选择NSCT变换对源图像进行频域变换，能够充分挖源图像的方向信息，更稀疏的表示了图像的高维奇异性，体现了图像的多方向性和多尺度特性；并且由于NSCT变换具有平移不变性，有效的克服了吉布斯现象。介绍了非下采样Contourlet变换和脉冲耦合神经网络的一般原理。2.通过实验比较基于NSCT变换的图像融合方法得到的融合图像的性能与采用其他的多尺度分解与重构工具获得的融合图像的性能，得出了基于NSCT变换的图像融合方法的优越性，融合效果更好。并提出了基于非下采样Contourlet变换与自适应PCNN相结合的图像融合方法。3.在图像融合规则的问题的设计上，对原始图像经非下采样Contourlet变换分解得到的带通方向子带系数和低频子带系数分别采用了不同的系数选择规则。针对图像低频子带和带通方向子带的特征分别选择基于图像区域特征的特征量作为低频子带系数的选择规则和基于PCNN作为带通方向子带系数的选择规则。并针对传统的PCNN模型在图像融合时链接强度都是采用一固定数值的缺点，定义了采用基于图像像素的区域特征作为PCNN模型神经元的连接强度的选择规则，从而使PCNN模型的神经元可以根据图像像素不同的区域特征来自适应选择链接强度。4.在传统的基于PCNN模型的图像融合方法中大都采用图像像素点的灰度值做为PCNN神经元的外部输入。然而根据人眼视觉系统对图像的细节信息以及图像边缘比较敏感的特性可知，图像的特征往往不是由单一的像素体现的，仅仅以图像各个像素点的灰度值来作为与之相对应的PCNN模型的各个神经元的外部输入是不够的。为克服传统方法的不足，本文采用基于不同类型待融合图像的图像特征，选择不同的区域特性来作为作为PCNN神经元的外部输入的方法，并且图像的融合系数依据神经元点火次数的多少来确定。通过采用不同的多尺度分解与重构工具对不同传感器获得的图像进行融合获得的图像与本文方法获得的融合图像进行比较证明了本文方法的有效性和优越性。实验结果表明，本文提出的融合方法无论在人眼的视觉效果上还是客观评价标准上都优于基于传统的多次度分解与重构工具的融合方法。