基于Shearlet域的改进加权法结合自适应PCNN的图像融合算法

摘要：

针对传统多聚焦图像融合算法获得的融合图像对比度低的问题,提出基于改进加权法和自适应脉冲耦合神经网络的多聚焦图像融合算法.首先,源图像经Shearlet分解产生一个低频子带和一系列不同尺度、不同方向的高频子带.将源图像的低频子带的和以及低频子带的差的绝对值进行加权求和,采用平均梯度计算权值,得到融合后的低频子带;高频子带采用自适应脉冲耦合神经网络融合规则,其中,脉冲耦合神经网络采用改进的拉普拉斯能量和作为激励,其链接强度由源图像的区域空间频率自适应计算,根据脉冲耦合神经网络的点火映射图得到融合后的高频子带,最后经Shearlet逆变换得到融合图像.文中选择1组人工仿真多聚焦图像Cameraman和3组真实的多聚焦图像Pepsi,Clock和Peppers进行实验,并与其他7种融合方法进行比较,采用4种常见的质量评价指标对融合图像进行客观评价.实验结果表明,所提方法在主观视觉和客观评价上均有较好的效果.

关键词：多聚焦图像融合、Shearlet变换、脉冲耦合神经网络、平均梯度、空间频率

所属期刊栏目：46

分类号：TP751(遥感技术)

资助基金：国家自然科学基金项目61402319 ,61403273 ,61703299 ,山西省自然科学基金项目201601D202044

在线出版日期：2019-05-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：261-267