粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究

针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法.通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点.实验研究亦表明了上述优点.

基于双通道脉冲耦合神经网络的应用研究

通过对双通道脉冲神经网络模型的改进,提出了一种邻域SEML激励的自适应双通道脉冲耦合神经网络医学图像融合的新方法。即通过提高模型的性能和脉冲神经网络进行自动化图像处理的能力。首先介绍了双通道脉冲耦合神经网络模型及其原理,然后阐述了基于这一模型的一种新融合算法,最后对本文融合算法以及各传统融合算法得到的实验仿真结果进行了分析。

基于小波变换的双通道脉冲耦合神经网络图像融合

提出了一种基于小波变换的双通道脉冲耦合神经网络的图像融合方法.先使用小波变换的方法来分解配准后的各个源图像,进而得到各个源图像的低频分量和高频分量,再把得到的低频和高频系数进行融合处理,使用高斯加权平均的低频融合规则来处理低频子带,利用双通道脉冲耦合神经网络的融合规则处理各高频子带,链接系数为图像的清晰度.融合后的小波系数取决于点火图和点火次数的多少,最后的融合图像由小波逆变换得到.实验结果表明,该方法能更有效地提取原始图像的特征信息,在主观视觉效果以及客观性能指标上较传统算法都有所改善.

基于改进的引导滤波和双通道脉冲耦合神经网络的医学图像融合

为解决多模医学图像融合边缘模糊,互补信息不充分的问题,提出一种基于改进的引导滤波和双通道脉冲耦合神经网络(PCNN)的医学图像融合算法。利用非下采样轮廓波对医学源图像进行变换,采用双通道PCNN融合图像的低频部分,将改进的拉普拉斯能量和作为双通道PCNN的激励输入,将改进的空间频率作为链接强度;采用改进的引导滤波算法融合图像的高频部分。融合后的低频和高频信号进行非下采样轮廓波变换逆变换即可得到融合图像。实验结果表明,多模医学图像融合中,所提算法有效保留了源图像的特征信息,并在互信息量、信息熵、空间频率等客观评价指标上取得了良好的效果。

双通道时延脉冲耦合神经网络的AOV-网拓扑排序

在时延脉冲耦合神经网络DPCNN的基础上提出了双通道时延脉冲耦合神经网络(DCDPCNN,Dual Channels DPCNN)模型,并提出了利用DCDPCNN来实现AOV-网拓扑排序算法。该算法在深度优先搜索的同时兼顾广度优先搜索,同时忽略节点进栈顺序,在求得的拓扑序列的个数、计算中的临时数据量、有向环判断、计算速度方面,比传统算法有了较大的改进。

双模态脉冲耦合神经网络高分辨率光学卫星影像分割

针对应用PCNN分割高空间分辨率光学卫星影像存在的问题,提出一种双模态PCNN算法。利用北京地区QuickBird影像进行实验,结果表明,该算法能够弱化影像目标内部灰度变化信息对结果的影响,并能提取影像目标几何结构特征信息,为高空间分辨率光学卫星影像分割提供了一种新方法。

采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型

为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量。其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测。再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像。最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像。实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升。

利用脉冲耦合神经网络的高光谱多波段图像融合方法

针对高光谱图像波段众多、数据量大的特点,提出了一种基于脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)模型的高光谱多波段图像融合方法.根据高光谱图像多输入的特点对原始PCNN模型进行了扩充,采用多通道PCNN模型来对输入图像进行非线性融合处理.通过分析传统变阈值衰减模型的特点及其不足,提出了修正的变阈值指数增加模型,以改善融合效果和降低PCNN运行的时间复杂度.利用记录点火时刻的赋时矩阵得到带有一定增强效果的融合结果图像.实验结果表明,该方法的融合效果要优于传统的主成分分析融合方法和小波变换融合方法.

一种单脉冲双通道自跟踪系统快速校相方法

本文阐述了单脉冲双通道跟踪体制的原理,通过数学分析,指出了采用该跟踪体制的测控系统在跟踪前进行校相的必要性。在分析常规校相方法的基础上,给出了改进的快速校相方法及其应用的前提条件。经实际工程验证,该方法切实有效。

基于双通道PCNN的NSST域红外与可见光图像融合

针对传统红外与可见光图像融合中存在的一些不足,提出一种新的基于非下采样剪切波变换(NSST)和双通道脉冲耦合神经网络模型(2APCNN)的红外与可见光图像融合算法.该算法首先对红外图像进行预处理,提高源图像的对比度,再对红外与可见光图像进行NSST分解得到低频和高频子带系数;然后对分解后的低频子带系数进行二维小波分解再次得到相应的低频和高频子带,低频部分采用一种基于显著图的融合策略,高频部分采用绝对值取大的原则,之后再对低频和高频采用小波逆变换得到NSST重构所需的低频部分;接着对NSST分解后的高频子带采用双通道PCNN进行处理;最后对处理过的低频和高频子带进行NSST逆变换得到最终的融合图像.几组图像的实验结果对比显示,该算法相比其他算法在客观评价指标和视觉效果上均取得了一定的改进.

基于双通道PCNN的玉米种子机械裂纹检测方法

针对玉米种子机械裂纹检测准确率低的问题,提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法:1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解,得到各自的高低频子带;2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作,得到融合后的高低频子带系数;3)通过NSCT反变换得到最终的玉米种子机械裂纹图像。试验结果表明:采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2%;图像熵、相关熵、相关系数、均方根误差分别为0.3511、1.7314、0.9835和0.5263,整体优于LoG、DWT、NSCT和PCNN方法;双通道PCNN方法的单张图像的执行时间为14.9007 s,运行时间最长,但效果最优。

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。

基于非下采样双树复轮廓波变换和稀疏表示的红外和可见光图像融合

提出了一种基于非下采样双树复轮廓波变换(NSDTCT)和稀疏表示的红外和可见光图像融合方法,以改善传统的基于小波变换的图像融合方法的不足。该方法首先利用形态学变换处理源图像,利用NSDTCT变换进行图像分解得到低频子带系数和高频子带系数。根据高低频系数的不同特点,提出改进的稀疏表示(ISR)的融合规则用于低频子带;然后将改进的空间频率作为脉冲耦合神经网络的外部输入,提出基于自适应双通道脉冲耦合神经网络(2APCNN)的融合策略用于高频子带。最后通过NSDTCT逆变换获得融合后的图像。实验结果表明:本文方法在客观指标和视觉效果方面均优于传统图像融合的方法。与传统的NSCT-SR方法相比,实验的两组图像中4个客观指标:互信息(MI)、边缘信息保留量QAB/F,平均梯度(AG)和标准差(SD)分别提高了9.89%、6.39%、104.64%、55.09%和9.53%、17.77%、95.66%、52.89%。

基于背景色彩和PCNN的磨粒图像单通道分割

为有效地从磨粒图像中分离出磨粒区域,根据彩色磨粒图像背景相对单一的特点,提出了一种基于背景色彩和脉冲耦合神经网络(PCNN)的磨粒图像单通道分割方法。首先,利用Otsu算法对磨粒图像进行预分割处理,并计算图像背景色彩的统计特征,以此作为背景的特征色彩矢量;然后,引入综合色距函数,通过计算图像中各像素与背景特征色彩之间的色差,将彩色磨粒图像三通道问题转化成单通道问题;最后,利用简化PCNN对构造的色差矩阵进行分割,从而得到彩色磨粒图像的分割结果。实验结果表明,该方法对含有单个磨粒和多个磨粒的彩色磨粒图像均能进行精确自动分割,是一种比较理想的分割方法。

基于NSCT域滚动引导滤波与自适应PCNN的医学图像融合

针对传统CT和MRI医学图像融合后存在边缘轮廓模糊、纹理细节丢失等问题,提出基于NSCT域结合相位一致性滚动引导滤波与改进参数自适应双通道PCNN的图像融合方法。首先,采用相位一致性滚动引导滤波对CT源图像进行增强,提高骨骼轮廓结构清晰度。然后,通过NSCT变换分解增强后的CT和MRI源图像得到低频子带和高频子带。低频子带系数采用改进参数自适应双通道脉冲耦合神经网络融合策略,明显改善了软组织的纹理细节模糊效果;高频子带系数采用加权求和修正拉普拉算法融合,提升了融合后图像的细节、纹理等信息。最后,通过逆NSCT变换重构出融合图像。通过五组对比实验表明,所提方法的AG、CC、SF、MSE以及CEN客观评价指标分别平均提高了13.30%、6.71%、4.40%、40.23%、19.16%,说明该融合方法在处理纹理细节、边缘轮廓、结构相似性以及图像像素方面性能更好。

改进的双通道自适应PCNN和NSST的遥感图像融合

遥感图像融合作为一种整合多光谱和全色图像所包含信息的有效方法,在国土空间规划和灾情检测等应用领域已成为一种强大的技术。针对非下采样剪切波变换(NSST)域的融合策略进行研究,提出一种新的NSST域遥感图像融合方法。首先对源图像进行NSST,将其分解为低频系数和多方向的高频子带;然后,引入基于平均谱半径(MSR)的图像特征加权机制,将能量属性和改进的拉普拉斯能量和进行加权并应用于低频系数融合,以解决能量保存和细节提取问题;其次,开发一种改进的双通道脉冲耦合神经网络,并结合由方向信息确定权重的加权自适应方法来对高频子带进行融合;最后,利用融合后的低频系数和高频子带进行重构,得到融合后的图像。通过GF-2、GeoEye和WorldView-3这3种不同分辨率的共48组卫星影像验证了该方法的有效性。与5种融合方法的对比实验表明,该方法在视觉感知和定量评价指标方面都能取得较好的效果。

结合SIST和压缩感知的CT与MRI图像融合

为了增强医学图像融合质量,提出了一种基于平移不变剪切波(SIST)和压缩感知的CT和MRI图像融合方法。首先,将源CT与MRI图像经过SIST分解后得到低频子带和高频子带;其次,对低频子带,提出了一种结合新的改进空间频率、改进的区域加权能量和局部区域相似匹配度的融合规则;对于高频子带,提出了一种基于自适应2PCNN-CS的融合规则;最后通过SIST逆变换得到融合图像。实验表明:本文方法在客观指标和图像视觉效果上都优于传统的CT与MRI医学图像融合方法。

采用DCT稀疏表示与Dual-PCNN的图像融合算法

针对已有图像融合方法会导致融合图像亮度不均匀,与原图像对比度不一致,不适合人眼视觉效果的缺点,提出将DCT稀疏表示与双通脉冲耦合神经网络相结合的压缩感知域图像融合算法。首先结合图像DCT稀疏表示的特点,设计射线采样矩阵;再对测量值采用基于测量值的信息熵加权平均融合;最后经过全变分优化算法对融合测量值重构得到融合图像。通过对多组不同类型传感器所获图像融合实验的主观视觉分析和客观评价表明,该算法所得的融合图像能从原始图像中获取更多有用信息,更好地保持原图像的边缘信息,从而获得更好的视觉效果。

基于四元数小波变换和2APCNN的NSST域图像融合

针对传统基于非下采样剪切波变换(NSST)的图像融合算法中存在的不足,提出一种基于四元数小波变换(QWT)和脉冲耦合神经网络(PCNN)相结合的NSST域图像融合算法.这种算法结合了两种变换域算法的优势,在图像细节和纹理信息的保留方面取得了很大的改进.从多组实验的对比分析发现,该算法能够在红外与可见光图像融合上达到较好的视觉效果.

结合视觉显著性与Dual-PCNN的红外与可见光图像融合

针对现存的红外与可见光图像融合算法亮度不均、目标不突出、对比度不高、细节丢失等问题,结合非下采样剪切波变换(NSST)具有多尺度、最具稀疏表达的特性,显著性检测具有突出红外目标的优势,双通道脉冲耦合神经网络(Dual-PCNN)具有耦合、脉冲同步激发等优点,提出一种基于NSST结合视觉显著性引导Dual-PCNN的图像融合方法。首先,通过NSST分解红外与可见光图像各方向的高频与低频子带系数;然后,低频子带系数采用基于显著性决策图引导Dual-PCNN融合策略,高频子带系数采用改进的空间频率作为优化Dual-PCNN的激励进行融合;最后,经过NSST逆变换得到融合图像。实验结果表明,融合图像红外目标突出且可见光背景细节丰富。该方法相比于其他融合算法在主观评价与客观评价上都有一定程度的改善。