鮑程輝，賀新光，蔣衛(wèi)國(guó)

（1.湖南師范大學(xué)資源與環(huán)境科學(xué)學(xué)院，長(zhǎng)沙410081；2.北京師范大學(xué)減災(zāi)與應(yīng)急管理研究院，北京100875）

非下采樣Contourlet變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的遙感圖像融合方法

鮑程輝1，賀新光1，蔣衛(wèi)國(guó)2

（1.湖南師范大學(xué)資源與環(huán)境科學(xué)學(xué)院，長(zhǎng)沙410081；2.北京師范大學(xué)減災(zāi)與應(yīng)急管理研究院，北京100875）

為最優(yōu)保留多光譜圖像光譜信息的同時(shí)，最大限度地融入全色圖像的高空間信息，該文提出了一種基于非下采樣Contourlet（非自適應(yīng)方向多尺度分析方法）變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的圖像融合的方法。根據(jù)目標(biāo)融合區(qū)域地物的空間分布特點(diǎn)，將目標(biāo)融合區(qū)域劃分為邊緣區(qū)域和非邊緣區(qū)域，并對(duì)全色圖像和多光譜圖像I分量在非邊緣區(qū)域進(jìn)行空間域融合，融入更多多光譜圖像的光譜信息。然后，對(duì)多光譜圖像I分量和空間域融合后的圖像進(jìn)行非下采樣Contourlet變換，在低頻子帶和高頻子帶分別采用區(qū)域能量和空間頻率作為源圖像的原始信息，驅(qū)動(dòng)脈沖耦合神經(jīng)網(wǎng)絡(luò)以每個(gè)像元的點(diǎn)火數(shù)作為活躍性測(cè)量，對(duì)圖像進(jìn)行融合。實(shí)驗(yàn)結(jié)果表明：該算法在非邊緣區(qū)很好地保持了多光譜圖像的光譜信息，在邊緣區(qū)融入了更多的全色圖像的空間細(xì)節(jié)信息，提高了融合圖像的空間分辨率。

非下采樣Contourlet變換；NSCT；脈沖耦合神經(jīng)網(wǎng)絡(luò)；PCNN；區(qū)域能量；空間頻率；區(qū)域特征

1 引 言

圖像融合是指通過(guò)采用一定的算法，將兩個(gè)或多個(gè)具有互補(bǔ)和冗余特性的源圖像融合成新的圖像，使得到的圖像最大限度地利用互補(bǔ)信息，減少冗余信息，從而獲得更高清晰度和可理解性的圖像［1］。在遙感技術(shù)的應(yīng)用中，多光譜（Multispectral）成像傳感器可獲得多個(gè)光譜波段的遙感圖像，但成像分辨率低，清晰度差，而全色波段（Panchromatic）成像傳感器可獲得高空間分辨率的全色波段遙感圖像，但其光譜分辨率低。因此，如何利用多光譜圖像的光譜信息和全色圖像的空間信息，獲得高空間分辨率的多光譜圖像，成為遙感圖像融合研究的熱點(diǎn)［2］。目前，遙感圖像融合在土地利用調(diào)查、城區(qū)識(shí)別和森林資源調(diào)查等遙感應(yīng)用領(lǐng)域中發(fā)揮著極其重要的作用［3］。

遙感圖像的融合方法主要在空間域和變換域中進(jìn)行的。其中，空間域的融合由于直接對(duì)源圖像進(jìn)行融合，或者進(jìn)行簡(jiǎn)單的變換，算法簡(jiǎn)單易行，但由于沒(méi)有對(duì)源圖像進(jìn)行任何分析分解，融合效果差，已不能滿(mǎn)足空間信息分析和提取的要求，主要的融合方法包括加權(quán)平均法、IHS融合方法［4］、PCA融合方法［5］等。變換域的融合方法，由于其對(duì)源圖像的多尺度分解過(guò)程類(lèi)似于人類(lèi)視覺(jué)對(duì)圖像系統(tǒng)的多層次分解過(guò)程的特性，近幾年來(lái)，成為圖像融合研究的重要手段。主要的分解方法包括Wavelet變換［6－8］、Ridgelet變換［9］、Curvelet變換［10］、Contourlet變換［11］、非下采樣Contourlet（Nonsubsampled Contourlet transfrom，NSCT）（非自適應(yīng)方向多尺度分析方法）變換［12］等。其中，2006年Cunha［12］（非自適應(yīng)方向多尺度分析方法）變換等提出了非下采樣Contourlet變換理論，不但繼承了Contourlet變換的多尺度、多方向性，還消除了頻譜的混疊現(xiàn)象［13］，具有平移不變性，同時(shí)不同尺度和方向的子帶與源圖像具有相同的大小，因此在圖像融合領(lǐng)域得到了廣泛的應(yīng)用［14－17］。

脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled Neural Networks，PCNN）是Eckhorn［18－19］于90年代末在貓等生物視覺(jué)系統(tǒng)的理論基礎(chǔ)上進(jìn)行改進(jìn)而提出的一種新型神經(jīng)網(wǎng)絡(luò)。它模擬了貓等哺乳動(dòng)物視覺(jué)層神經(jīng)細(xì)胞的活動(dòng)情況，具有全局耦合同步脈沖的特性，而這一特性在圖像融合處理中有著非常重要的作用［20－26］。但選用何種信息作為源圖像的原始信息，成為脈沖耦合神經(jīng)網(wǎng)絡(luò)融合方法的研究的重點(diǎn)。方輝等［25］提出直接采用NSCT系數(shù)作為源圖像的原始信息，但單個(gè)系數(shù)值并不能完全表示源圖像的信息。因此，Qu等［26］提出了一種空間頻率驅(qū)動(dòng)PCNN的圖像融合算法，采用區(qū)域空間頻率作為源圖像的原始信息，驅(qū)動(dòng)PCNN，在近紅外和可見(jiàn)光圖像，多焦距圖像融合中的應(yīng)用，取得了非常好的融合效果。但由于全色圖像和多光譜圖像與多焦距圖像、近紅外圖像和可見(jiàn)光圖像不同空間信息和光譜信息分布特點(diǎn)，使得這種融合方法并不適用于全色圖像和多光譜圖像的融合處理。

由于在遙感圖像的融合處理中，保持多光譜圖像的光譜信息和最大限度融入全色圖像的高空間信息是相互矛盾的，因此，需要在兩者中找到平衡。仔細(xì)分析目標(biāo)融合區(qū)域可以發(fā)現(xiàn)不同地物交界的區(qū)域，空間信息集中而光譜信息稀疏，稱(chēng)之為邊緣區(qū)域；而同種地物內(nèi)部，光譜信息集中而空間信息稀疏，稱(chēng)之為非邊緣域。顯然，在圖像融合過(guò)程中，需要在邊緣區(qū)域加入更多的全色圖像的空間信息，而在非邊緣區(qū)域加入更多的多光譜圖像的光譜信息。例如，在城鄉(xiāng)交界處，城市內(nèi)部的交通用地，建筑用地交界等邊緣地區(qū)空間細(xì)節(jié)信息豐富，而郊區(qū)的農(nóng)田、林地等非邊緣地區(qū)光譜信息豐富。因此，利用地物的空間分布特性，首先對(duì)全色圖像和多光譜圖像I分量在非邊緣區(qū)域進(jìn)行空間域融合，使得融合后的圖像在非邊緣地區(qū)具有更多的多光譜圖像的光譜信息，而在邊緣區(qū)域保持全色圖像的空間細(xì)節(jié)信息。然后，對(duì)空間域融合后的圖像和多光譜圖像的I分量進(jìn)行NSCT，根據(jù)NSCT的低頻子帶和高頻子帶分別表示源圖像的平均信息和突變信息的特點(diǎn)，在低頻子帶和高頻子帶分別采用區(qū)域能量和空間頻率作為源圖像的原始信息，驅(qū)動(dòng)脈沖耦合神經(jīng)網(wǎng)絡(luò)，以每個(gè)像元的點(diǎn)火數(shù)作為活躍性度量，對(duì)圖像進(jìn)行融合。實(shí)驗(yàn)結(jié)果表明，融合圖像在非邊緣區(qū)域更好地保持多光譜圖像的光譜信息的同時(shí)，邊緣區(qū)域的空間信息也得到了一定程度的提高。

2 數(shù)學(xué)理論基礎(chǔ)

2.1 非下采樣Contourlet變換

NSCT是由非下采樣金字塔（Nonsubsampled Pyramid，NSP）分解和非下采樣方向?yàn)V波器組（Nonsubsampled Directional Filter Banks，NSDFB）相結(jié)合組成的。首先利用NSP對(duì)圖像進(jìn)行多尺度分解，得到一個(gè)低頻子帶和高頻子帶，實(shí)現(xiàn)圖像的多分辨率分解，然后利用NSDFB把高頻子帶分解為多個(gè)方向子帶，實(shí)現(xiàn)高頻子帶的多方向分解，最后對(duì)每一層的低頻子帶重復(fù)上述操作，得到圖像的多層非下采樣Contourlet變換。與Contourlet變換不同的是，在圖像的分解和重構(gòu)過(guò)程中，NSCT沒(méi)有對(duì)NSP以及NSDFB分解后的信號(hào)分量進(jìn)行分析濾波后的降采樣（抽?。┮约熬C合濾波前的上采樣（插值），而是對(duì)相應(yīng)的濾波器進(jìn)行降采樣和上采樣，再對(duì)信號(hào)進(jìn)行分析濾波和綜合濾波，使得NSCT不僅具有多尺度分解、良好的空域和頻域局部特性以及多方向性，同時(shí)還具有平移不變性以及各子帶圖像之間具有相同尺寸大小等特性，使得各子帶圖像之間容易找到對(duì)應(yīng)關(guān)系，從而有利于融合規(guī)則的制定。其變換的結(jié)構(gòu)圖，如圖1所示。對(duì)圖像進(jìn)行j層NSCT，首先，進(jìn)行j層NSP變換輸出為j個(gè)高頻圖像Dj（j＝1，…，J）和一個(gè)低頻子帶AJ，再對(duì)每個(gè)高頻圖像Dj進(jìn)行NSDFB分解得到2lj個(gè)方向高頻圖像，lj表示當(dāng)前NSDFB的方向分解級(jí)數(shù)。得到各尺度上的高頻方向Dkj（j＝1，…，J；k＝1，…，2lj）。

圖1 NSCT結(jié)構(gòu)圖

2.2 脈沖耦合神經(jīng)網(wǎng)絡(luò)

PCNN又稱(chēng)第3代人工神經(jīng)網(wǎng)絡(luò)，是Eckhorn［18－19］于90年代末在生物神經(jīng)系統(tǒng)理論的基礎(chǔ)上進(jìn)行改進(jìn)而提出的一種新型神經(jīng)網(wǎng)絡(luò)。PCNN中的單個(gè)神經(jīng)元的內(nèi)部結(jié)構(gòu)是由接受部分（receptive section）、調(diào)制部分（modulation section）和脈沖產(chǎn)生部分（pulse generator section）3個(gè)功能單元?jiǎng)討B(tài)非線(xiàn)性的組合在一起的。其數(shù)學(xué)公式，如式（1）和式（2）所示。

式中，O表示外部輸入刺激信號(hào)，即表示源圖像的原始信息；i，j表示源圖像原始信息的行列號(hào)，也是神經(jīng)元的行列號(hào)；l，k分別表示分解尺度和方向分解級(jí)數(shù)；L表示神經(jīng)元的連接輸入；W 表示神經(jīng)元之間的連接權(quán)系數(shù)矩陣；VL表示連接輸入放大常數(shù)；β表示連接強(qiáng)度；U表示神經(jīng)元的內(nèi)部行為；θ和Vθ分別表示變閾值輸出和閾值放大常數(shù)；αL和αθ分別表示為連接輸入和變閾值函數(shù)的時(shí)間常數(shù)；Y表示神經(jīng)元輸出；n表示迭代次數(shù)。當(dāng)U＞θ時(shí)，則神經(jīng)元產(chǎn)生一個(gè)脈沖，稱(chēng)為點(diǎn)火。T表示n次迭代中神經(jīng)元對(duì)應(yīng)的點(diǎn)火次數(shù)。在圖像處理時(shí)，PCNN是一個(gè)單層的二維橫向連接的神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元個(gè)數(shù)與它所要處理圖形的像素點(diǎn)的個(gè)數(shù)相等，且每個(gè)神經(jīng)元都與圖像的像素點(diǎn)存在一一對(duì)應(yīng)的關(guān)系，每個(gè)神經(jīng)元與其周?chē)纳窠?jīng)元都相連接。首先將源圖像的原始信息驅(qū)動(dòng)PCNN，計(jì)算每個(gè)像素的點(diǎn)火次數(shù)，把點(diǎn)火次數(shù)作為活躍性度量，取點(diǎn)火次數(shù)較大的神經(jīng)元對(duì)應(yīng)的系數(shù)。其融合結(jié)構(gòu)和連接模型如圖2所示。

圖2 PCNN融合結(jié)構(gòu)（a）和連接模型（b）

3 基于NSCT和PCNN相結(jié)合的融合方法

根據(jù)NSCT低頻子帶和高頻子帶不同的融合目的，即低頻子帶集中了圖像的主要能量，包含著圖像的近似輪廓信息和平均狀況，主要表示圖像的光譜信息。高頻子帶反映源圖像的亮度突變特性，主要表現(xiàn)為圖像的邊緣、區(qū)域、紋理等細(xì)節(jié)信息，在低頻子帶和高頻子帶分別采用區(qū)域能量和空間頻率作為源圖像的原始信息驅(qū)動(dòng)PCNN。利用PCNN的同步脈沖全局耦合的特點(diǎn)，可以在非邊緣區(qū)域保持多光譜圖像的光譜信息的同時(shí)，提高融合圖像的在邊緣區(qū)域空間的細(xì)節(jié)信息。

3.1 融合步驟

①對(duì)全色圖像和多光譜圖像進(jìn)行圖像預(yù)處理。包括圖像濾波、重采樣、圖像配準(zhǔn)。將多光譜圖像從RGB彩色空間變換到IHS彩色空間，得到I（亮度）、H（色調(diào)）、S（飽和度）3個(gè)分量。

②通過(guò)Sobel算子對(duì)全色圖像和多光譜圖像提取目標(biāo)融合區(qū)的邊緣區(qū)域和非邊緣區(qū)域，對(duì)全色圖像和多光譜圖像I分量進(jìn)行空間域融合?？臻g域融合圖像fs在邊緣區(qū)域取全色圖像fpan的像素值，在非邊緣區(qū)域根據(jù)多光譜圖像I分量fmul＿i和全色圖像fpan灰度值的差值大小，取不同的值。當(dāng)灰度差值大于0.75時(shí)，則fs的像素值取fmul＿i的值；差值在0.25和0.75之間時(shí)，fs的像素值取fmul＿i和fpan的均值；差值小于0.25時(shí)，fs的像素值取fpan的值。

③對(duì)空間域融合圖像fs和多光譜圖像的I分量進(jìn)行J層非下采樣Contourlet變換，得到如下分量：

其中，AJfs、AJfmul＿i表示空間域融合圖像和多光譜圖像I分量的低頻子帶，Dkjfs、Dkjfmul＿i表示空間域融合圖像和多光譜圖像I分量分解的第j層k方向的高頻方向子帶。

④在低頻子帶系數(shù)融合中，采用3×3窗口計(jì)算源圖像的區(qū)域能量，如式（5）和式（6）所示。作為原始信息，代入式（1）和式（2），驅(qū)動(dòng)PCNN，得到關(guān)于多光譜圖像I分量和空間域融合圖像低頻子帶系數(shù)的點(diǎn)火次數(shù)為AJLETmul＿i（x，y）、AJLETf（x，y）。當(dāng)AJLETmul＿i（x，y）≥AJLETf（x，y）時(shí)，融合系數(shù)AJf（x，y）就取多光譜圖像低頻子帶系數(shù)AJfmul＿i（x，y），否則，就取空間域融合圖像的低頻子帶系數(shù)AJfs（x，y）。

⑤在高頻子帶系數(shù)融合中，采用空間頻率作為源圖像的原始信息，其計(jì)算如式（7）和式（8）所示，代入式（1）和式（2），驅(qū)動(dòng)PCNN，得到關(guān)于多光譜圖像I分量和空間域融合圖像高頻方向子帶的點(diǎn)火次數(shù)為當(dāng)時(shí)，融合系數(shù)取多光譜圖像分量的高頻子帶系數(shù)否則，就取空間域融合圖像的高頻子帶系數(shù)

⑥將得到融合系數(shù)進(jìn)行NSCT逆變換，得到新的I分量，將得到新的I分量和多光譜圖像的H分量、S分量執(zhí)行HIS逆變換，得到融合圖像。

4 仿真實(shí)驗(yàn)與分析

為驗(yàn)證本文所提出算法的實(shí)用性和有效性。本文選用兩組全色圖像（圖3（a）和圖3（b））和兩組多光譜圖像（圖3（c）和圖3（d））進(jìn)行了融合實(shí)驗(yàn)，其中第1組全色圖像和多光譜圖像分別來(lái)自SPOT衛(wèi)星和Landsat衛(wèi)星，第2組圖像均來(lái)自WorldView衛(wèi)星。對(duì)本文提出的融合方法與其他3種融合方法進(jìn)行比較。用來(lái)比較的3種融合方法分別是：①傳統(tǒng)的基于彩色空間變換的IHS變換的融合方法［4］，將多光譜圖像從RGB空間轉(zhuǎn)化到IHS空間，然后直接用全色圖像替換I分量。簡(jiǎn)稱(chēng)為T(mén)－IHS，結(jié)果如圖4（a）和圖4（e）所示。②對(duì)多光譜圖像和全色圖像進(jìn)行NSCT變換，低頻子帶和高頻子帶分別采用區(qū)域能量取大和空間頻率取大的融合算法，簡(jiǎn)稱(chēng)為N＿LSM，結(jié)果如圖4（b）和圖4（f）所示。③首先，對(duì)多光譜圖像和全色圖像采用本文提出的空間域融合方法，然后對(duì)多光譜圖像和空間域融合圖像進(jìn)行NSCT變換，低頻子帶和高頻子帶分別采用區(qū)域能量取大和空間頻率取大的融合方法，簡(jiǎn)稱(chēng)SN＿LSM，結(jié)果如圖4（c）和圖4（g）所示。本文提出的算法，簡(jiǎn)稱(chēng)SN－LSP，結(jié)果如圖4（d）和圖4（h）所示。實(shí)驗(yàn)中，NSCT采用“9－7”的非下采樣金字塔濾波器組和“pkva”的非下采樣方向?yàn)V波器組，尺度分解級(jí)數(shù)為0，1，3，4，4，對(duì)應(yīng)的方向分解級(jí)數(shù)為0，2，8，16，16。PCNN的參數(shù)設(shè)置為αθ＝0.5，最大迭代次數(shù)為250。

從主觀上說(shuō)，4種融合圖像都比原多光譜圖像清晰，能夠清晰地分辨融合區(qū)域中的道路和房屋，但圖4（a）和圖4（e）明顯比其他3種融合圖像光譜偏差都大，如在圖中稻田明顯出現(xiàn)了光譜扭曲。圖4（c）、圖4（g）、圖4（d）和圖4（h）與圖4（b）和圖4（f）相比，顯然在方框等非邊緣區(qū)域，如稻田，光譜信息保持較好。圖4（d）和圖4（h）與圖4（c）和圖4（g）相比，在圖中邊緣區(qū)域（如圓圈處），空間分辨率更高。

圖3 兩組多光譜和全色圖像

圖4 兩組圖像的融合結(jié)果

為了客觀地評(píng)價(jià)融合圖像，本文分別采用空間頻率、平均梯度、信息熵、標(biāo)準(zhǔn)差、相關(guān)系數(shù)和相對(duì)偏差等6個(gè)客觀參數(shù)對(duì)融合圖像進(jìn)行客觀評(píng)價(jià)。其中，空間頻率表示圖像在空間域的總體活躍程度，其值越大，清晰度越高；平均梯度可敏感地反映圖像對(duì)微小細(xì)節(jié)反差表達(dá)的能力，可用來(lái)評(píng)價(jià)圖像的模糊程度，平均梯度越大，圖像越清晰；信息熵是衡量圖像信息豐富程度的一個(gè)重要指標(biāo)，圖像的熵值越大，表示融合圖像的信息量增加，融合圖像所含的信息越豐富；標(biāo)準(zhǔn)差反映圖像各個(gè)像素點(diǎn)灰度值相對(duì)均值的離散程度，標(biāo)準(zhǔn)差越大，表示圖像的像素點(diǎn)的灰度值越分散，圖像信息越豐富；相關(guān)系數(shù)能反映融合圖像與源多光譜圖像的光譜特征的相似程度，即保持光譜特性的能力，相關(guān)系數(shù)越大，說(shuō)明融合圖像從源圖像中獲得的信息越多，光譜保持能力越好；相對(duì)偏差表示融合圖像與源多光譜圖像的光譜差異程度，相對(duì)偏差越小，光譜信息保持越好。兩組圖像的客觀評(píng)價(jià)參數(shù)如表1和表2所示。

從表1、表2中可以看出：①比較文中的4種融合算法，在空間頻率、平均梯度、信息熵和標(biāo)準(zhǔn)差方面都優(yōu)于多光譜圖像，表明4種融合方法都融入全色圖像的空間信息。其中，T＿IHS融合圖像的相關(guān)系數(shù)比較小，且相對(duì)偏差比較大，說(shuō)明T＿IHS融合圖像的光譜扭曲比較大。②N＿LSM、SN＿LSM和SN＿LSP融合圖像，在空間頻率、平均梯度、信息熵和標(biāo)準(zhǔn)差方面都接近甚至超過(guò)T＿IHS融合圖像，但相關(guān)系數(shù)比T＿IHS融合圖像大，相對(duì)偏差比T＿IHS融合圖像小，說(shuō)明基于NSCT變換融合方法的可行性和有效性。③SN＿LSM、SN＿LSP融合圖像與N＿LSM融合圖像相比，空間頻率、平均梯度和信息熵相差微小，但相關(guān)系數(shù)大于、相對(duì)偏差小于N＿LSM融合圖像，說(shuō)明基于非邊緣區(qū)域的空間域融合方法，有助于保持多光譜圖像的光譜信息。其中，標(biāo)準(zhǔn)差有所降低，說(shuō)明基于非邊緣區(qū)域的融合圖像空間信息方面有所降低，但損失的空間信息都是在非邊緣區(qū)域內(nèi)部，如在森林或稻田的內(nèi)部，對(duì)融合圖像的應(yīng)用影響不大。④SN＿LSP融合圖像與SN＿LSM融合圖像相比，在空間頻率、平均梯度、信息熵和標(biāo)準(zhǔn)差方面都優(yōu)于SN＿LSM融合圖像，且相關(guān)系數(shù)大于相對(duì)偏差小于SN＿LSM融合圖像。說(shuō)明SN＿LSP融合圖像在邊緣地區(qū)融入更多全色圖像的空間細(xì)節(jié)信息，提高了融合圖像的空間信息，在非邊緣地區(qū)融入更多的多光譜圖像的光譜信息，很好地保持了多光譜圖像的光譜信息。

表1 第1組全色和多光譜圖像的融合圖像的客觀評(píng)價(jià)參數(shù)

表2 第2組全色和多光譜圖像的融合圖像的客觀評(píng)價(jià)參數(shù)

5 結(jié)束語(yǔ)

本文提出了一種結(jié)合空間域融合，基于NSCT系數(shù)區(qū)域特征和脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的融合算法。首先，根據(jù)邊緣區(qū)和非邊緣區(qū)側(cè)重不同的信息特點(diǎn)，對(duì)全色圖像和多光譜圖像的I分量進(jìn)行空間域融合，再將空間域融合圖像和多光譜圖像分量I分量采用NSCT，分別采用區(qū)域能量和空間頻率作為源圖像低頻子帶和高頻子帶的原始信息驅(qū)動(dòng)PCNN，采用點(diǎn)火次數(shù)取大作為活躍性測(cè)量，選取融合系數(shù)進(jìn)行逆NSCT變換。實(shí)驗(yàn)證明，本文提出的算法，在非邊緣區(qū)域，很好地保持了多光譜圖像的光譜信息，在邊緣區(qū)域融入了更多的全色圖像的空間細(xì)節(jié)信息。

參考文獻(xiàn)：

［1］ WALTZ E，LLINAS J.Multisensor data fusion［M］.Boston：Artech House，1990.

［2］ VAN GENDEREN J L，POHL C.Image fusion：Issues，techniques and applications［C］.1994.

［3］ 田養(yǎng)軍，薛春紀(jì)，馬智民，等.曲波變換的高光譜遙感圖像融合方法在土地利用調(diào)查中的應(yīng)用［J］.遙感學(xué)報(bào)，2009，13（2）：313－318.

［4］ 瞿繼雙，王超，王正志.基于數(shù)據(jù)融合的遙感圖像處理技術(shù)［J］.中國(guó)圖像圖形學(xué)報(bào)，2002，7（10）：985－992.

［5］ WAKD L.Some terms of reference in data fusion［J］.IEEE Transactions on Geoscience and Remote Sensing，1999，37（3）：1190－1193.

［6］ MALLAT S.A theory for multiresolution signal decomposition：The wavelet representation［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，1989，11（7）：674－693.

［7］ MALLAT S，ZHONG S.Characterization of signals from multiscale edges［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14（7）：710－732.

［8］ MALLAT S，HWANG W L.Singularity detection and processing with wavelets［J］.IEEE Transactions on Information Theory，1992，38（2）：617－643.

［9］ CANDES E J.Ridgelets：Theory and applications［D］.Stanford：Department of Statistics，Stanford University，1998.

［10］ STARCK J L，CANDES E J，DONOHO D L.The curvelet transform for image denoising［J］.Trans Image Processing，2005，14（3）：343－359.

［11］ DO M N，VETTERLI M.Contourlets：A new directional multi－resolution image representation［C］.Conference Record of the 36th Asilmar Conference on Signals，Systems and Computers，2002：497－501.

［12］ ESLAMI R，RADHA H.The contourlet transform for image denoising using cycle spinning［C］.Proceedings of Asilomar Conference on Signals，Systems and Computers，2003：1982－1986.

［13］ CUNHA A L，ZHOU J，DO M N.The nonsubsample contourlet theory design and application［J］.Transactionon Image Processing，2006，15（10）：1780－1792.

［14］ 沈潔，胡學(xué)龍，楊義軍，等.基于非子采樣Contourlet變換的圖像融合算法.微電子學(xué)與計(jì)算機(jī)，2009，26（10）：74－81.

［15］ 吳一全，陳颯，羅子娟.基于無(wú)下采樣Contourlet變換的圖像融合［J］.中國(guó)體視學(xué)與圖像分析，2008，13（2）：111－115.

［16］ 翟軍濤，那彥.基于NSCT的多光譜和全色圖像的融合［J］.激光與紅外，2008，38（3）：282－288.

［17］ 林玉池，周欣，宋樂(lè).基于NSCT變換的紅外與可見(jiàn)光圖像融合技術(shù)研究［J］.傳感器與微系統(tǒng)，2008，27（12）：45－47.

［18］ LZHIKEVICHI E M.Class 1neural excitability，conventional synapses，weakly connected networks，and mathematical foundations of pulse coupled models［J］.IEEE Trans.Neural Networks，1999，10（3）：109－115.

［19］ LZHIKEVICHI E M.Weakly pulse－coupled oscillators.FM interactions，synchronization，and oscillatory associative memory［J］.IEEE Trans Neural Networks，1999，10（3）：118－121.

［20］ BROUSSARD R P，ROGERS S K，OXLEY M E，et al.Physiologically motivated image fusion for object detection using apulse coupled neural network［J］.IEEE Transactions on Neural Networks，1999，10（3）：554－563.

［21］ LI M，CAI W，TAN Z.Pulse coupled neural network based image fusion［J］.In：Proceedings of the 2nd International Symposium on Neural Networks.Chongqing，China：Springer，2005：741－746.

［22］ LI W，ZHU X F.A new algorithm of multi－modality medical image fusion based on pulse－coupled neural networks［J］.In：Proceedings of International Conference on Advances in Natural Computation.Changsha，China：Springer，2005：995－1001.

［23］ XU B C，CHEN Z.A multisensor image fusion algorithm based on PCNN［J］.In：Proceeding of the 5th World Congress on Intelligent Control and Automation.Hangzhou，China：IEEE，2004：3679－3682.

［24］ QU X B，YAN J W，ZHU Z Q，et al.Multi－focus image fusion algorithm based on regional ring characteristic of pulse coupled neural networks［J］.In：Proceedings of International Conference on Bio－Inspired Computing：Theories and Applications.Zhengzhou，China：Publishing House of Electronics Industry，2007：563－565.

［25］ 方輝.圖像融合算法研究［D］.成都：西南交通大學(xué)，2009.

［26］ QU X B，YAN J W，XIONG H Z，et al.Image fusion algorithm based on spatial frequency－motivated pulse coupled neural networks in nonsubsampled contourlet transform domain［J］.Acta Automatica Sinica，2008，34（12），1508－1514.

An Image Fusion Method Based on Combination of NSCT and PCNN

BAO Cheng－h(huán)ui1，HE Xin－guang1，JIANG Wei－guo2
（1.College of Resource and Environmental Science，Hunan Normal University，Changsha410081；2.Academy of Disaster Reduction and Emergency Management，Beijing Normal University，Beijing100875）

In order to optimally preserve the spectral information of multi－spectral images and maximally fuse the spatial information of panchromatic images，we present an image fusion method by combining the nonsubsampled Contourlet transform（NSCT）and pulse coupled neural networks（PCNN）in this paper.First，we divide target area into edge area and non－edge area according to spatial distribution characteristics of ground objects.We employ spatial domain fusion with panchromatic image and I component of multispectral image in non－edge area to improve spectral information.Second，spatial fused image and I component of multispectral image are transformed by NSCT，and we regard local energy and spatial frequency as original information of source image to motivate PCNN and fuse image by taking large number of ignition as fused rules.Experimental results demonstrate that the proposed method is feasible in both keeping spectral information at non－edge area and improving spatial information at edge area.

nonsubsampled Contourlet transform；pulse coupled neural networks；local energy；spatial frequency；local feature

10.3969／j.issn.1000－3177.2015.02.008

P237.3

A

1000－3177（2015）138－0050－07

2014－03－03

2014－04－09

湖南省十二五重點(diǎn)學(xué)科地理學(xué)（20110000）；國(guó)家自然科學(xué)基金項(xiàng)目（41171318）。

鮑程輝（1990～），男，碩士研究生，主要研究方向?yàn)檫b感圖像處理和分析。

E－mail：baochenghui71＠163.com

賀新光（1973～），男，博士，教授，研究方向?yàn)檫b感圖像處理、GIS應(yīng)用與開(kāi)發(fā)及與數(shù)值計(jì)算。

E－mail：xghe＠hunnu.edu.cn