基于人工神经网络的NSST域多聚焦图像融合算法研究
发布时间：2021-08-18 02:59
图像融合技术是将两幅或多幅图像融合为一幅包含更多清晰、有效信息的图像的过程。由于焦距的限制,同一成像设备不能呈现完全清晰的全景图像。因此,多聚焦图像融合可以将对同一场景不同聚焦点的多幅图像进行融合以获得一张包含所有场景信息的全聚焦图像。多聚焦图像融合主要有三种策略:像素级融合、特征级融合和决策级融合。像素级图像融合方法是目前应用较为广泛的一类融合方法,主要分为空间域和变换域两种。基于变换域的图像融合方法通过多尺度变换对源图像进行多尺度分解,然后对不同尺度上的图像系数采用不同的融合规则进行融合。但是,此类方法常会造成图像的变形扭曲现象。基于空间域的多聚焦图像融合算法比较简单易操作,但此类方法可能会产生块效应。随着人工神经网络的快速发展,基于人工神经网络的图像融合算法逐渐获得各国学者广泛的认同。本文针对现有算法的不足,利于多尺度分析和人工神经网络的优点,提出了基于脉冲发放皮层模型（Spiking cortical model,SCM）和残差网络（Residual Network,ResNet）的非下采样剪切波变换（Non-subsampled shearlet transform,NSST...
【文章来源】：河北大学河北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图像融合层次结构图
河北大学硕士学位论文8符号表iCk示，图像的最佳清晰度指标值用符号max选龋具体实现流程图如图2-1所示。图2-1基于分块的多聚焦图像融合算法流程图常用测量图像清晰度的指标包括：局部拉普拉斯能量和、空间频率和边缘特征。基于图像分块的图像融合方法操作简单、计算效率高，可以较好区分原始图像区域特征[37,38]。但此种方法分块大小难以确定，分块太小导致图像块特征不能很好地表示所选区域的整体特征，会使融合图像在子块交界处产生块效应。分块过大会使图像子块区域存在清楚或模糊的图像块，使子块不能很好地表示为清楚或模糊子块，影响融合结果。2.1.3基于脉冲耦合神经网络的图像融合算法PCNN是根据动物大脑皮层神经网络对刺激的脉冲发放现象提出的一种新型神经网络结构。由于神经元的脉冲耦合性和全局同步性，使融合后的图像与原始图像差别不大，因此可以很好地应用于图像融合领域。PCNN是由若干个神经元连接组成的反馈型网络，每个神经元都由3部分组成：接收域、调制域和脉冲发生域，如图2-2所示。图2-2PCNN网络结构模型由图2-2可知：神经元的个数为图像中像素个数，二者是对应关系。PCNN的表示公式为：
河北大学硕士学位论文8符号表iCk示，图像的最佳清晰度指标值用符号max选龋具体实现流程图如图2-1所示。图2-1基于分块的多聚焦图像融合算法流程图常用测量图像清晰度的指标包括：局部拉普拉斯能量和、空间频率和边缘特征。基于图像分块的图像融合方法操作简单、计算效率高，可以较好区分原始图像区域特征[37,38]。但此种方法分块大小难以确定，分块太小导致图像块特征不能很好地表示所选区域的整体特征，会使融合图像在子块交界处产生块效应。分块过大会使图像子块区域存在清楚或模糊的图像块，使子块不能很好地表示为清楚或模糊子块，影响融合结果。2.1.3基于脉冲耦合神经网络的图像融合算法PCNN是根据动物大脑皮层神经网络对刺激的脉冲发放现象提出的一种新型神经网络结构。由于神经元的脉冲耦合性和全局同步性，使融合后的图像与原始图像差别不大，因此可以很好地应用于图像融合领域。PCNN是由若干个神经元连接组成的反馈型网络，每个神经元都由3部分组成：接收域、调制域和脉冲发生域，如图2-2所示。图2-2PCNN网络结构模型由图2-2可知：神经元的个数为图像中像素个数，二者是对应关系。PCNN的表示公式为：
【参考文献】：
期刊论文
[1]基于NSST与自适应PCNN的多聚焦图像融合方法[J]. 杨利素,王雷,郭全. 计算机科学. 2018(12)
[2]基于双树复小波变换的自适应PCNN图像融合算法[J]. 杜进楷,陈世国. 红外技术. 2018(10)
[3]基于SML和PCNN的NSCT域多聚焦图像融合[J]. 谢秋莹,易本顺,柯祖福,李卫中. 计算机科学. 2017(06)
[4]基于NSST域的自适应区域和SCM相结合的多聚焦图像融合[J]. 赵杰,温馨,刘帅奇,张宇. 计算机科学. 2017(03)
[5]基于区域特征的SCM多聚焦图像融合算法[J]. 毕晓君,刁鹏飞,陈春雨. 中南大学学报(自然科学版). 2016(11)
[6]免疫粒子群优化算法在多聚焦图像融合中的应用[J]. 杨粤涛,曹峰,高伟林,张锋. 电子技术与软件工程. 2016(13)
[7]基于拉普拉斯金字塔与PCNN-SML的图像融合算法[J]. 王佺,聂仁灿,金鑫,周冬明,贺康建,余介夫. 计算机科学. 2016(S1)
[8]Image separation using wavelet-complex shearlet dictionary[J]. Shuaiqi Liu,Shaohai Hu,Yang Xiao. Journal of Systems Engineering and Electronics. 2014(02)
[9]基于Shearlet变换的自适应图像融合算法[J]. 石智,张卓,岳彦刚. 光子学报. 2013(01)
[10]改进拉普拉斯能量和的尖锐频率局部化Contourlet域多聚焦图像融合方法[J]. 屈小波,闫敬文,杨贵德. 光学精密工程. 2009(05)
博士论文
[1]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
[2]像素级多源图像融合方法研究[D]. 刘羽.中国科学技术大学 2016
[3]基于多尺度几何变换的遥感图像处理算法研究[D]. 刘帅奇.北京交通大学 2013
[4]基于多分辨率分析的多传感器图像融合算法研究[D]. 孙岩.哈尔滨工程大学 2012
硕士论文
[1]基于非下采样剪切波变换的图像融合方法研究与应用[D]. 孙裕超.北京交通大学 2016
[2]多聚焦图像融合研究[D]. 向昌成.电子科技大学 2010
本文编号：3349050
【文章来源】：河北大学河北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图像融合层次结构图
河北大学硕士学位论文8符号表iCk示，图像的最佳清晰度指标值用符号max选龋具体实现流程图如图2-1所示。图2-1基于分块的多聚焦图像融合算法流程图常用测量图像清晰度的指标包括：局部拉普拉斯能量和、空间频率和边缘特征。基于图像分块的图像融合方法操作简单、计算效率高，可以较好区分原始图像区域特征[37,38]。但此种方法分块大小难以确定，分块太小导致图像块特征不能很好地表示所选区域的整体特征，会使融合图像在子块交界处产生块效应。分块过大会使图像子块区域存在清楚或模糊的图像块，使子块不能很好地表示为清楚或模糊子块，影响融合结果。2.1.3基于脉冲耦合神经网络的图像融合算法PCNN是根据动物大脑皮层神经网络对刺激的脉冲发放现象提出的一种新型神经网络结构。由于神经元的脉冲耦合性和全局同步性，使融合后的图像与原始图像差别不大，因此可以很好地应用于图像融合领域。PCNN是由若干个神经元连接组成的反馈型网络，每个神经元都由3部分组成：接收域、调制域和脉冲发生域，如图2-2所示。图2-2PCNN网络结构模型由图2-2可知：神经元的个数为图像中像素个数，二者是对应关系。PCNN的表示公式为：
河北大学硕士学位论文8符号表iCk示，图像的最佳清晰度指标值用符号max选龋具体实现流程图如图2-1所示。图2-1基于分块的多聚焦图像融合算法流程图常用测量图像清晰度的指标包括：局部拉普拉斯能量和、空间频率和边缘特征。基于图像分块的图像融合方法操作简单、计算效率高，可以较好区分原始图像区域特征[37,38]。但此种方法分块大小难以确定，分块太小导致图像块特征不能很好地表示所选区域的整体特征，会使融合图像在子块交界处产生块效应。分块过大会使图像子块区域存在清楚或模糊的图像块，使子块不能很好地表示为清楚或模糊子块，影响融合结果。2.1.3基于脉冲耦合神经网络的图像融合算法PCNN是根据动物大脑皮层神经网络对刺激的脉冲发放现象提出的一种新型神经网络结构。由于神经元的脉冲耦合性和全局同步性，使融合后的图像与原始图像差别不大，因此可以很好地应用于图像融合领域。PCNN是由若干个神经元连接组成的反馈型网络，每个神经元都由3部分组成：接收域、调制域和脉冲发生域，如图2-2所示。图2-2PCNN网络结构模型由图2-2可知：神经元的个数为图像中像素个数，二者是对应关系。PCNN的表示公式为：
【参考文献】：
期刊论文
[1]基于NSST与自适应PCNN的多聚焦图像融合方法[J]. 杨利素,王雷,郭全. 计算机科学. 2018(12)
[2]基于双树复小波变换的自适应PCNN图像融合算法[J]. 杜进楷,陈世国. 红外技术. 2018(10)
[3]基于SML和PCNN的NSCT域多聚焦图像融合[J]. 谢秋莹,易本顺,柯祖福,李卫中. 计算机科学. 2017(06)
[4]基于NSST域的自适应区域和SCM相结合的多聚焦图像融合[J]. 赵杰,温馨,刘帅奇,张宇. 计算机科学. 2017(03)
[5]基于区域特征的SCM多聚焦图像融合算法[J]. 毕晓君,刁鹏飞,陈春雨. 中南大学学报(自然科学版). 2016(11)
[6]免疫粒子群优化算法在多聚焦图像融合中的应用[J]. 杨粤涛,曹峰,高伟林,张锋. 电子技术与软件工程. 2016(13)
[7]基于拉普拉斯金字塔与PCNN-SML的图像融合算法[J]. 王佺,聂仁灿,金鑫,周冬明,贺康建,余介夫. 计算机科学. 2016(S1)
[8]Image separation using wavelet-complex shearlet dictionary[J]. Shuaiqi Liu,Shaohai Hu,Yang Xiao. Journal of Systems Engineering and Electronics. 2014(02)
[9]基于Shearlet变换的自适应图像融合算法[J]. 石智,张卓,岳彦刚. 光子学报. 2013(01)
[10]改进拉普拉斯能量和的尖锐频率局部化Contourlet域多聚焦图像融合方法[J]. 屈小波,闫敬文,杨贵德. 光学精密工程. 2009(05)
博士论文
[1]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
[2]像素级多源图像融合方法研究[D]. 刘羽.中国科学技术大学 2016
[3]基于多尺度几何变换的遥感图像处理算法研究[D]. 刘帅奇.北京交通大学 2013
[4]基于多分辨率分析的多传感器图像融合算法研究[D]. 孙岩.哈尔滨工程大学 2012
硕士论文
[1]基于非下采样剪切波变换的图像融合方法研究与应用[D]. 孙裕超.北京交通大学 2016
[2]多聚焦图像融合研究[D]. 向昌成.电子科技大学 2010
本文编号：3349050
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3349050.html
