10.11896/j.issn.1002-137X.2017.06.046
基于SML和PCNN的NSCT域多聚焦图像融合
针对融合规则带来的虚假边缘、伪影等问题,提出了改进拉普拉斯能量和(Sum-modified Laplacian,SML)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的非下采样Contourlet变换(Non-Sampled Contourlet Transform,NSCT)域融合方法.首先,采用NSCT将每幅源图像分解成包含基本信息的低频子带图像和多幅包含细节信息的带通子带图像.然后,计算各尺度分解图像的SML值,根据值的大小对低频子带图像各像素点进行像素选择.对于带通子带部分,将计算的SML作为PCNN的输入激励,PCNN输出的点火映射图用来选择各子带图像的像素值.最后,将处理后的各子带系数进行NSCT重构得到融合图像.实验结果表明,此算法能很好地改善融合图像的聚焦清晰度,并且与现有的SIDWT,DTCWT,NSCT以及基于PCNN的融合方法相比,所提算法在互信息量、结构相似度以及边缘信息保留量等客观指标方面得到了提高.
多聚焦图像、图像融合、SML、PCNN、NSCT
44
TP391.41(计算技术、计算机技术)
2017-07-13(万方平台首次上网日期,不代表论文的发表时间)
共5页
266-269,282