基于萤火虫优化的自适应PCNN遥感图像融合

为了提高融合后多光谱图像的质量,本文提出一种基于快速非下采样轮廓波变换(FNSCT)与萤火虫优化的自适应脉冲耦合神经网络(PCNN)相结合的图像融合算法。将通过亮度-色度-饱和度(IHS)变换的多光谱图像亮度分量与全色图像分别进行FNSCT变换,获得相应的高低频系数。针对低频系数,采用区域平均能量法进行融合;对于高频子带,为了确定PCNN模型的最优参数,将PCNN算法的链接强度与链接范围自适应化,并利用萤火虫算法优化其余参数,获得更优的PCNN模型,实现高频系数的融合。最终经过FNSCT逆变换和IHS逆变换得到融合结果。实验结果表明:本文提出的算法既提高了图像的空间分辨率又很好地保留了融合图像的光谱信息。

一种快速的多光谱与全色图像融合算法

针对传统非下采样轮廓波变换(NSCT)在图像融合中计算量大、效率较低的问题,引入快速非下采样轮廓波变换(FNSCT),与IHS变换相结合,提出一种快速的多光谱与全色图像融合算法.该算法首先对多光谱图像进行IHS变换提取亮度I分量,然后利用FNSCT算法分别对多光谱图像的I分量与全色图像进行分解,并采用区域能量自适应加权算法和最大值法融合其低频和高频系数,最后通过FNSCT反变换与IHS反变换得到最终融合的多光谱图像.实验结果表明,与传统NSCT算法相比,此方法在保证融合图像性能的前提下,大幅度提高了融合的效率.

基于图形处理器硬件加速的高精度医学图像融合算法

提出一种基于图形处理器(GPU)硬件加速的频域非下采样轮廓波变换(FNSCT)算法.该算法构造了更加简单、快速的频域非下采样轮廓波变换,有效消除了传统小波变换以及轮廓波变换应用于图像融合算法时引起的振铃和伪吉布斯现象.结合GPU在并行大规模浮点数及快速傅里叶变换(FFT)上的高速运算能力,解决了非下采样轮廓波变换(NSCT)速度慢的问题,实现了一种高精度的医学图像融合加速算法.