基于多输入细胞神经网络上下文隐马尔可夫模型的图像融合方法

上下文隐马尔可夫模型(contextual hidden markov model,CHMM)能够有效地利用多尺度系数间的相关性,得到图像系数的精确表示,但是传统的上下文计算方法仅针对邻域内的单个系数进行计算,没有考虑到局部甚至全局系数的影响。针对以上问题,提出了一种新的基于多输入细胞神经网络(multi-input cellular neural network,MCNN)的CHMM模型并用于图像融合。利用MCNN的动态传播效应得到全局优化的上下文变量,并通过网络的迭代循环进一步提高特征提取的准确性和鲁棒性。然后在高频系数上建立CHMM模型,基于系数的细节性采用加权的融合规则得到高频融合子带,低频子带采用基于区域能量取大的融合规则。实验检验了方法的有效性。