论文部分内容阅读
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模型与相交视觉皮质模型相结合的算法,用以融合NSST域内的红外与可见光图像。NSST分解后的低频分量根据边缘和梯度能量融合,2、3级高频分量通过改进的简化PCNN模型融合,4级高频分量通过ICM融合,最后通过NSST逆变换得到最终的融合图像。该算法使用的PCNN模型经过简化,减少了模型参数;改进了PCNN的外部激励,使其可以更好的捕捉图像各个方向的边缘细节信息,ICM模型本身善于捕捉细微的图像特征,整体可以增强融合图像的边缘特征的提取。该算法经实验对比验证了其优越性,在主观评价和客观评价中都表现良好。(2)NSST域内基于连接突触计算网络的红外与可见光图像融合算法针对现有基于PCNN红外与可见光图像融合算法获得的融合结果中细节信息缺失、边缘轮廓信息保留不够的缺点,本文提出了连接突触计算网络(Linking synaptic computation network,LSCN)模型和共现滤波(Co-occurrence filtering,COF)结合的NSST域内红外与可见光图像融合算法。LSCN模型很好的克服了伪吉布斯现象,图像细节信息保留完整,用以融合图像的低频分量;COF滤波结合最大最小滤波,能极大程度上的提取图像的轮廓信息,并平滑纹理信息,用以融合图像的高频分量。并且在算法中针对红外图像和可将光图像各自的问题分别通过直方图均衡化和LSCN模型进行了图像增强。实验结果表明融合后的图像目标与背景之间边缘清晰,在主观评价与客官评价都表现良好。