基于改进的稀疏表示和PCNN的图像融合算法研究
为提高图像融合的清晰度,本文提出一种基于改进的稀疏表示和脉冲耦合神经网络(pulse coupled neur-al network,PCNN)的图像融合.利用非下采样剪切波变换(non-subsampled shearlet transform,NSST)对源图像进行分解变换,得到相应的低频子带和高频子带具有不同的信息.对于低频子带,采用改进的稀疏表示进行融合,利用K奇异值分解(K-singular value decomposition,K-SVD)算法,并对源图像进行自适应学习的多个子字典构造成联合词典.对于高频子带,则改进PCNN融合系数的选择方法,利用改进的空间频率作为神经元反馈输入来激励PCNN模型,并根据点火输出的总幅度最大的融合规则选择高频系数.最后,将融合后的低频子带和高频子带系数进行NSST逆变换,重构出融合图像.实验结果表明:该算法很好地保留了图像的边缘信息,并且得到的图像在相关的客观评价标准上也取得了良好的效果,表明了本算法的有效性.
图像处理、图像融合、非下采样剪切波变换、稀疏表示、自适应学习字典、联合字典、脉冲耦合神经网络、改进的空间频率
14
TP391.2(计算技术、计算机技术)
国家自然科学基金项目61672265
2019-10-18(万方平台首次上网日期,不代表论文的发表时间)
共7页
922-928