基于IPCNN的红外与可见光图像融合算法

为充分保留源图像的细节信息,提高融合图像的清晰度、对比度,提出一种基于改进脉冲耦合神经网络(improved pulse coupled neural network,IPCNN)的红外与可见光图像融合算法。对源图像进行非降采样轮廓波变换(nonsubsampled contourlet transform,NSCT),采用基于静态小波变换(static wavelet transform,SWT)的融合策略对低频子带进行融合,对高频子带采用绝对值取大与IPCNN相结合的融合方式,在融合过程中引入链接突触计算神经网络(linking synaptic computation network,LSCN)进行图像增强,通过NSCT逆变换得到融合图像。实验结果表明,该算法的融合图像在清晰度、对比度、图像信息熵等方面均具有较好的优势。

基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法

针对传统红外与可见光图像融合算法中存在的目标不够突出、背景缺失、边缘信息保留不够充分等问题,提出了一种基于改进引导滤波和双通道脉冲发放皮层模型(DCSCM)的红外与可见光图像融合算法。首先,对源图像进行非降采样Shearlet变换(NSST),得到相应的低频和高频分量。然后,分别采用改进的引导滤波算法和DCSCM模型对低频、高频分量进行融合。最后,对融合得到的高低频分量进行NSST逆变换得到最终的融合图像。与其他几种方法进行比较,实验结果表明,本文算法的融合图像目标突出,背景信息丰富,且在图像清晰度、对比度、信息熵等方面均有优势。

结合脉冲耦合神经网络与引导滤波的红外与可见光图像融合

针对红外与可见光图像融合细节信息不够丰富、易出现伪影等问题,提出了一种结合脉冲耦合神经网络(PCNN)与引导滤波的红外与可见光图像融合方法。改进传统PCNN模型结构,在脉冲产生单元加入抑制项,避免像素重复点火对点火时间矩阵带来噪声;以原图为引导图像对点火时间矩阵T进行引导滤波,得到兼具显著信息与边缘细节信息的多区域加权划分矩阵;基于该多区域加权划分矩阵,对红外与可见光图像进行加权融合。同时,根据PCNN数学模型点火行为分析,提出了一种包含约束的PCNN模型参数设置方法,可降低PCNN模型参数设置的复杂度。实验结果表明该融合方法具有较高的融合效率,同时融合图像细节信息丰富,无明显伪影,交叉熵、空间频率指标相对于当前常用融合方法均较优。