基于双分解的双通道PCNN红外与可见光图像融合

为解决红外与可见光图像融合过程中存在的对比与清晰度较低和小目标易丢失等问题,提出了基于在双分解模型下的双通道PCNN(dPCNN)图像融合算法。首先对两幅源图像进行预增强处理,通过鲁棒的主成分分析(RPCA)将处理后图像分解为稀疏层与低秩层,接着,再利用非下采用剪切波变换(NSST)对的稀疏层进行多尺度分解得到低频子带与高频子带,然后对低秩层和低频子带采用局部加权能量与拉普拉斯能量两者取大的规则进行融合,对高频子带则利用dPCNN的点火图进行融合,最后将得到的融合成分进行逆变换或合成来得到最终融合图像。实验表明,该算法的融合图像目标信息对比突出、小目标信息明显,对源图像信息保留较好,客观评价指标也明显也优于其他算法,其中互信息有了大幅度的提升,有效地提升了红外与可见光图像的融合效果。

基于FDST和双通道PCNN的红外与可见光图像融合

为提高融合图像的细节表现力和信息冗余度,针对红外与可见光图像,提出一种基于有限离散剪切波变换(FDST)和双通道脉冲耦合神经网络(PCNN)的图像融合方法。首先,利用FDST分解红外与可见光图像得到各自的高低频子带系数;再对高低频子带系数分别采用不同链接强度的改进的空间频率激励的双通道PCNN进行融合;最后,通过FDST反变换得到融合图像。实验结果表明该算法能够有效增强图像清晰度和整体视觉效果,融合效果跟其他融合方法相比,在互信息、边缘信息传递量、标准差多个客观评价指标上具有明显提高。

基于NSCT与双通道PCNN的多聚焦图像融合

为提高多聚焦图像的清晰度及PCNN在图像融合方面的实用性,提出一种基于NSCT与双通道PCNN的多聚焦图像融合新方法.首先对来自同一场景的多聚焦图像分别进行NSCT变换;然后将基于SML的视觉特性对比度用于低频子带系数的融合;对于高频子带则通过改进的空间频率激励双通道PCNN进行融合,两个通道对应不同的连接强度,根据点火次数确定高频子带融合系数;最后进行逆NSCT变换得到最终融合图像.实验结果表明,该融合算法得到的融合图像具有较高的清晰度,在主观和客观评价指标上优于其他算法,具有较好的视觉效果.

基于LatLRR和PCNN的红外与可见光融合算法

针对光谱差异较大的红外与可见光图像,本文提出一种基于潜在低秩表示(LatLRR)和脉冲式耦合神经网络(PCNN)的多尺度融合模型。首先,该算法利用非下采样剪切波变换(NSST)获取图像的低频与高频分量。鉴于图像的低频分量决定最终的融合效果,采用LatLRR算法挖掘源图像内在的显著特征对低频分量自适应加权融合。除此外,针对决定融合图像细节的高频分量,则利用双通道PCNN模型作为它的融合规则。其中平均梯度算子(AVG)和方向梯度和算子(SDG)分别作为PCNN的外界刺激与链接强度,它们能更好地表征图像的纹理特性。通过上述全新的融合规则,可将包含在红外图像内部的显著性特征与可见光图像的梯度特征完美结合,从而获取具有优良视觉效果的融合图像。本文采用3种不同的场景来测试所提方法的融合性能,与其他典型融合方法相比,本文提出的算法具有更佳的视觉效果,同时客观评价参数值增加约2%～5%。