基于脉冲耦合神经网络的红外与可见光图像融合算法研究
发布时间：2020-12-27 10:23
红外图像与可见光图像的融合由于所融合的这两种图像的成像方式、图像特点的不同,融合后的图像信息得到极大的丰富,所以该方向是图像融合领域具有代表性的研究方向。脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）是通过模拟哺乳动物处理图像的视神经活动过程,构建的一种人工神经网络,由于其模拟的神经元通过线性相加和非线性相乘全局耦合,能在融合的过程中充分考虑图像信息的全局特征;由于其良好的生物学背景,融合后的图像符合人眼的视觉习惯,信息丰富,应用在红外与可见光图像融合领域取得了很好的效果。但PCNN模型也存在参数过多,对于细节纹理的处理不够细致导致融合结果欠佳等不足。本文针对现有基于PCNN的红外与可见光融合算法的不足,结合非下采样剪切波变换（Nonsubsampled shearlet transform,NSST）提出了两种新的算法。本论文的主要工作内容如下:（1）基于改进简化PCNN和相交视觉皮质模型的红外与可见光图像融合算法针对现有基于PCNN的红外与可见光图像融合模型参数繁多且难以确定及对纹理融合效果差等问题,本文提出了一种改进了外部激励的简化PCNN...
【文章来源】：河北大学河北省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
Shearlet频域
第2章相关理论基础112.1.3非下采样剪切波变换Shearlet变换虽能实现对图像的最优稀疏表示，但在Shearlet变换的多尺度变换由具有下采样的金字塔滤波器实现，方向变换由传统的伪极坐标系下的剪切波滤波器实现。因此Shearlet变换不具备平移不变性，容易引起频谱混叠，导致了伪吉布斯现象，对图像的质量造成坏影响。为了改善Shearlet变换的这一缺点，Easley等提出了NSST变换[46]。NSST变换的实现NSST的实现过程如图2.2所示。相较于Shearlet变换，NSST做的改进在于多尺度变换由非下采样的拉普拉斯金字塔实现[47]，图像经过非下采样的拉普拉斯金字塔滤波器，当进行N层分解时得到N+1个大小不变的子图像；并且NSST改进了Shearlet变换中的传统剪切波滤波器[48]，将其映射到了笛卡尔坐标系中。这两点改进使得NSST变换具有平移不变性，避免了伪吉布斯现象。图2.2NSST实现框图2.2脉冲耦合神经网络PCNN是Eckhorn提出的一种基于哺乳动物的大脑皮层神经元脉冲发放机制简化而成单层人工神经网络。其神经元之间通过线性加合和非线性耦合构成了全局耦合性，网络结构简单且可以考虑图像的全局特征，由于其生物背景在图像处理领域取得了很好的效果。随着广大学者们对耦合神经网络的深入研究，将脉冲耦合脉冲网络逐步改进，发展出改进的PCNN模型和几种神经网络，本节将详细PCNN模型及其改进模型的工作
河北大学硕士学位论文12原理。2.2.1PCNN模型PCNN模型是由与像素点对应个数的神经元构成的反馈激励神经网络。每个神经元均由信号输入、连接调制、脉冲产生器三部分构成。单个神经元的基本模型结构如图2.3所示。图2.3PCNN神经元模型PCNN应用于图像融合时，每个像素对应一个神经元输入到PCNN模型中。PCNN模型的工作过程如下，信号输入域：图像输入PCNN网络时，信号输入域会接收到三个刺激，分别是：反馈通道接收的外部刺激ijS、自身刺激ijF，和连接通道接收的相邻神经元的刺激；连接调制域：将信号输入域接收的到三种刺激进行调制生成内部活动项ijU并传送至脉冲产生器；脉冲产生器：比较动态阈值ijE与内部活动项ijU的大小，如果ijijEU，神经元进行点火输出；反之，神经元则不会点火输出。此工作过程会一直重复，直到网络停止迭代PCNN模型工作过程对应的数学公式如（2-18）到（2-22）所示。iijklijklFjFijFenFnMSnYV11（2-18）11LenLnnYVMiklijklLjFij（2-19）
【参考文献】：
期刊论文
[1]基于拉普拉斯金字塔变换方法的多波段图像融合规则比较[J]. 黄福升,蔺素珍. 红外技术. 2019(01)
[2]基于对比度增强与小波变换相结合的红外与可见光图像融合算法[J]. 涂一枝,郭立强. 淮阴师范学院学报(自然科学版). 2018(03)
[3]基于NSCT红外与可见光图像融合算法优化研究[J]. 肖中杰. 红外技术. 2017(12)
[4]基于多尺度方向引导滤波和卷积稀疏表示的红外与可见光图像融合[J]. 刘先红,陈志斌. 光学学报. 2017(11)
[5]基于视觉显著性和NSCT的红外与可见光图像融合[J]. 傅志中,王雪,李晓峰,徐进. 电子科技大学学报. 2017(02)
[6]基于改进PCNN的压缩感知域图像融合[J]. 刘斌,田中佳. 激光与红外. 2015(11)
[7]基于LNSST与PCNN的红外与可见光图像融合[J]. 陈广秋,高印寒,段锦,林杰. 光电工程. 2014(10)
[8]非下采样轮廓波变快速算法（英文）[J]. 严春满,郭宝龙,易盟. 自动化学报. 2014(04)
[9]基于边缘检测小波变换的红外与可见光图像融合方法[J]. 李茜,郭佳,郭小云. 光学仪器. 2013(01)
[10]基于可操纵金字塔和IHS变换的遥感影像融合[J]. 李博,肖模艳,于加. 地理空间信息. 2011(06)
博士论文
[1]基于非下采样剪切波变换的红外与可见光图像融合算法研究[D]. 刘战文.西北工业大学 2018
[2]基于多尺度变换和稀疏表示的多源图像融合算法研究[D]. 张宝华.上海大学 2016
[3]地面目标的红外成像仿真及多光谱成像真实感融合研究[D]. 王章野.浙江大学 2002
硕士论文
[1]基于PCNN网络的医学图像融合技术研究[D]. 郝敬帅.中北大学 2019
[2]基于多分辨率分析的医学图像融合技术研究[D]. 田宇.哈尔滨工程大学 2018
[3]基于剪切波变换和图像块匹配的图像融合算法研究[D]. 杨东盛.北京交通大学 2017
[4]基于稀疏表示的图像融合方法研究[D]. 李锦兴.重庆大学 2015
本文编号：2941578
【文章来源】：河北大学河北省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
Shearlet频域
第2章相关理论基础112.1.3非下采样剪切波变换Shearlet变换虽能实现对图像的最优稀疏表示，但在Shearlet变换的多尺度变换由具有下采样的金字塔滤波器实现，方向变换由传统的伪极坐标系下的剪切波滤波器实现。因此Shearlet变换不具备平移不变性，容易引起频谱混叠，导致了伪吉布斯现象，对图像的质量造成坏影响。为了改善Shearlet变换的这一缺点，Easley等提出了NSST变换[46]。NSST变换的实现NSST的实现过程如图2.2所示。相较于Shearlet变换，NSST做的改进在于多尺度变换由非下采样的拉普拉斯金字塔实现[47]，图像经过非下采样的拉普拉斯金字塔滤波器，当进行N层分解时得到N+1个大小不变的子图像；并且NSST改进了Shearlet变换中的传统剪切波滤波器[48]，将其映射到了笛卡尔坐标系中。这两点改进使得NSST变换具有平移不变性，避免了伪吉布斯现象。图2.2NSST实现框图2.2脉冲耦合神经网络PCNN是Eckhorn提出的一种基于哺乳动物的大脑皮层神经元脉冲发放机制简化而成单层人工神经网络。其神经元之间通过线性加合和非线性耦合构成了全局耦合性，网络结构简单且可以考虑图像的全局特征，由于其生物背景在图像处理领域取得了很好的效果。随着广大学者们对耦合神经网络的深入研究，将脉冲耦合脉冲网络逐步改进，发展出改进的PCNN模型和几种神经网络，本节将详细PCNN模型及其改进模型的工作
河北大学硕士学位论文12原理。2.2.1PCNN模型PCNN模型是由与像素点对应个数的神经元构成的反馈激励神经网络。每个神经元均由信号输入、连接调制、脉冲产生器三部分构成。单个神经元的基本模型结构如图2.3所示。图2.3PCNN神经元模型PCNN应用于图像融合时，每个像素对应一个神经元输入到PCNN模型中。PCNN模型的工作过程如下，信号输入域：图像输入PCNN网络时，信号输入域会接收到三个刺激，分别是：反馈通道接收的外部刺激ijS、自身刺激ijF，和连接通道接收的相邻神经元的刺激；连接调制域：将信号输入域接收的到三种刺激进行调制生成内部活动项ijU并传送至脉冲产生器；脉冲产生器：比较动态阈值ijE与内部活动项ijU的大小，如果ijijEU，神经元进行点火输出；反之，神经元则不会点火输出。此工作过程会一直重复，直到网络停止迭代PCNN模型工作过程对应的数学公式如（2-18）到（2-22）所示。iijklijklFjFijFenFnMSnYV11（2-18）11LenLnnYVMiklijklLjFij（2-19）
【参考文献】：
期刊论文
[1]基于拉普拉斯金字塔变换方法的多波段图像融合规则比较[J]. 黄福升,蔺素珍. 红外技术. 2019(01)
[2]基于对比度增强与小波变换相结合的红外与可见光图像融合算法[J]. 涂一枝,郭立强. 淮阴师范学院学报(自然科学版). 2018(03)
[3]基于NSCT红外与可见光图像融合算法优化研究[J]. 肖中杰. 红外技术. 2017(12)
[4]基于多尺度方向引导滤波和卷积稀疏表示的红外与可见光图像融合[J]. 刘先红,陈志斌. 光学学报. 2017(11)
[5]基于视觉显著性和NSCT的红外与可见光图像融合[J]. 傅志中,王雪,李晓峰,徐进. 电子科技大学学报. 2017(02)
[6]基于改进PCNN的压缩感知域图像融合[J]. 刘斌,田中佳. 激光与红外. 2015(11)
[7]基于LNSST与PCNN的红外与可见光图像融合[J]. 陈广秋,高印寒,段锦,林杰. 光电工程. 2014(10)
[8]非下采样轮廓波变快速算法（英文）[J]. 严春满,郭宝龙,易盟. 自动化学报. 2014(04)
[9]基于边缘检测小波变换的红外与可见光图像融合方法[J]. 李茜,郭佳,郭小云. 光学仪器. 2013(01)
[10]基于可操纵金字塔和IHS变换的遥感影像融合[J]. 李博,肖模艳,于加. 地理空间信息. 2011(06)
博士论文
[1]基于非下采样剪切波变换的红外与可见光图像融合算法研究[D]. 刘战文.西北工业大学 2018
[2]基于多尺度变换和稀疏表示的多源图像融合算法研究[D]. 张宝华.上海大学 2016
[3]地面目标的红外成像仿真及多光谱成像真实感融合研究[D]. 王章野.浙江大学 2002
硕士论文
[1]基于PCNN网络的医学图像融合技术研究[D]. 郝敬帅.中北大学 2019
[2]基于多分辨率分析的医学图像融合技术研究[D]. 田宇.哈尔滨工程大学 2018
[3]基于剪切波变换和图像块匹配的图像融合算法研究[D]. 杨东盛.北京交通大学 2017
[4]基于稀疏表示的图像融合方法研究[D]. 李锦兴.重庆大学 2015
本文编号：2941578
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2941578.html
