樂人銘 丁旖 姬緯通

【摘 要】本文研究了基于小波變換與脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的圖像融合方法，以實(shí)現(xiàn)對(duì)圖像融合質(zhì)量的提高。論文的主要研究介紹基于區(qū)域點(diǎn)火特性的多聚焦圖像融合。包括基于區(qū)域點(diǎn)火特性的PCNN融合新算法和多尺度分解下的PCNN點(diǎn)火特性。

【關(guān)鍵詞】小波變換 圖像融合 脈沖耦合神經(jīng)網(wǎng)絡(luò)

一、基于區(qū)域點(diǎn)火特性的PCNN融合新算法

為了克服成像鏡頭的有限焦距引起的模糊現(xiàn)象，多聚焦圖像融合應(yīng)運(yùn)而生。PCNN是一種以哺乳動(dòng)物貓的視覺神經(jīng)細(xì)胞原理建立的神經(jīng)網(wǎng)絡(luò)模型，已被成功應(yīng)用于圖像處理中并初步應(yīng)用于圖像融合融合。

在小波變換域內(nèi)應(yīng)用PCNN模型，可以有效的提取原圖像的特征，其信號(hào)形式和處理機(jī)制也符合視覺神經(jīng)系統(tǒng)的生理學(xué)基礎(chǔ)。但是，如果僅僅以單個(gè)像素的點(diǎn)火次數(shù)作為系數(shù)選擇標(biāo)準(zhǔn)，原圖像在過渡區(qū)域的信息提取就不夠充分，將降低融合圖像信息。為增強(qiáng)PCNN對(duì)有效信息的提取，我們提出以PCNN脈沖點(diǎn)火次數(shù)的區(qū)域特性為基礎(chǔ)的融合新算法。

定義點(diǎn)火區(qū)域強(qiáng)度（Regional Fire Intensity，RFI）為式中，為調(diào)節(jié)因子，用以權(quán)衡平均值和標(biāo)準(zhǔn)差在系數(shù)選擇中的重要性。

系數(shù)選取規(guī)則為

式中，，，表示ImageA、ImageB、ImageF的第i個(gè)小波系數(shù)矩陣（小波分解子圖）中（x，y）位置上的元素；、分別表示圖像A和圖像B經(jīng)過PCNN網(wǎng)絡(luò)后點(diǎn)火次數(shù)的強(qiáng)度區(qū)域。

如果圖像A對(duì)應(yīng)像素的區(qū)域強(qiáng)度大于圖像B，就選擇圖像A的小波系數(shù)作為融合圖像的小波系數(shù)，反之選擇圖像B的小波系數(shù)作為融合圖像的小波系數(shù)。

可以看出，與直接以像素的點(diǎn)火次數(shù)為依據(jù)的意義相近，但由于充分考慮到點(diǎn)火次數(shù)具有的區(qū)域特性，可以有效的抑制系統(tǒng)噪聲。如果原圖像的某區(qū)域特性相近，點(diǎn)火次數(shù)的標(biāo)準(zhǔn)差較小，小波系數(shù)選取主要取決于區(qū)域均值的大小，此時(shí)系數(shù)選取方法基本與取最大值法一致。如果圖像某區(qū)域特性差異大，說明該區(qū)域處于邊緣或信息過渡區(qū)，此時(shí)標(biāo)準(zhǔn)差較大，因此，新算法將使圖像的邊緣和過渡區(qū)域信息得以很好保留。

ImageA和ImageB代表兩幅原圖像A和B，ImageF代表融合后的圖像，具體步驟如下：

（1）對(duì)ImageA和ImageB進(jìn)行DWT分解，得到圖像的低頻和高頻系數(shù)。

（2）將低頻和高頻系數(shù)輸入PCNN中，利用PCNN網(wǎng)絡(luò)統(tǒng)計(jì)點(diǎn)火次數(shù)。

（3）對(duì)點(diǎn)火次數(shù)進(jìn)行區(qū)域強(qiáng)度（RFI）計(jì)算，并選擇強(qiáng)度大的小波系數(shù)。

（4）對(duì)以上得到的小波分解系數(shù)，經(jīng)過小波逆變換重構(gòu)得融合圖像ImageF。

二、實(shí)驗(yàn)仿真及分析

評(píng)價(jià)指標(biāo)包括標(biāo)準(zhǔn)差（STD）平均梯度（AG）熵（EN）偏差（MAE）和互信息（MI）。

其中，標(biāo)準(zhǔn)差越大，灰度分布越分散，可含信息量越大；平均梯度越大，圖像微小細(xì)節(jié)及紋理反映越好；熵越大，圖像包含的信息量越大；互信息越大，融合圖像與原圖像關(guān)聯(lián)性越強(qiáng)，包含了更多原圖像的信息；偏差越小，融合圖像與原圖像光譜差異越小，原圖像光譜特性保留越好。

表1表明，基于區(qū)域點(diǎn)火特性的PCNN融合新算法與基于DWT的其它融合算法相比，標(biāo)準(zhǔn)差、平均梯度、熵和互信息都明顯高于其他方法，偏差低于其他方法。

無論是仿真圖像還是評(píng)價(jià)指標(biāo)都可以看出，將PCNN應(yīng)用于圖像的小波域內(nèi)，利用小波變換的多分辨力特性和PCNN從復(fù)雜背景下有效提取信息的特點(diǎn)，同時(shí)充分利用PCNN點(diǎn)火次數(shù)中包含的圖像信息，可以很好地保留了原圖像的邊緣和紋理，與原圖像關(guān)聯(lián)性強(qiáng)，提高融合圖像質(zhì)量。

表1 不同融合算法的指標(biāo)比較

1、最大值法；2、權(quán)重法；3、區(qū)域能量法。4、邊緣強(qiáng)度法；5、PCNN融合算法；6、本文算法

三、結(jié)論

PCNN是一種新型的神經(jīng)網(wǎng)絡(luò)，其信號(hào)形式和處理機(jī)制更符合人類視覺神經(jīng)系統(tǒng)的生理學(xué)基礎(chǔ)，近年來被廣泛應(yīng)用于圖像處理中，本文提出的基于DWT和PCNN的多聚焦圖像融合新算法，在充分保留了小波變換的多分辨率分解特性和PCNN全局耦合、能在復(fù)雜背景下有效提取圖像信息的特性基礎(chǔ)上，詳細(xì)分析了PCNN點(diǎn)火次數(shù)特性與圖像信息之間的關(guān)系，通過定義點(diǎn)火區(qū)域強(qiáng)度實(shí)現(xiàn)圖像特征的有效提取。與基于DWT的其他融合算法相比，標(biāo)準(zhǔn)差、平均梯度、熵和互信息都明顯高于其他方法，偏差低于其他方法。從圖像的主觀視覺效果來看，融合圖像邊緣和紋理清晰，很好地保留原圖像的光譜特性，有效提取了原圖像的圖像特性，多聚焦圖像的清晰區(qū)域得以幾乎完全保留，融合整體效果優(yōu)于其他方法。

【參考文獻(xiàn)】

[1]Kenneth.R.Castleman，朱志剛等譯.數(shù)字圖像處理[M].電子科學(xué)出版社，1998：1-25.

[2]Wilson.J.D，Trunk.G.V，Tracking filters for multiple-platform radar integration[M].NavalResearch Lab，1979.

[3]B.H Cantrell，A.Grindlay.Multiple site radar tracking system[M].IEEE International RadarConference，1980.

[4]夏明革，何友，唐小明，夏仕昌.圖像融合的發(fā)展現(xiàn)狀與展望[J].船舶電子工程，2002，