光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2010年
4期
995-1001
,共7页
陈浩%朱娟%刘艳滢%王延杰
陳浩%硃娟%劉豔瀅%王延傑
진호%주연%류염형%왕연걸
红外图像%图像融合%9/7小波%提升算法%脉冲耦合神经网络
紅外圖像%圖像融閤%9/7小波%提升算法%脈遲耦閤神經網絡
홍외도상%도상융합%9/7소파%제승산법%맥충우합신경망락
为了获得对同一场景更为准确、全面和可靠的图像描述,提出了一种基于脉冲耦合神经网络(PCNN)的图像融合方法.将多源传感器图像配准后的各个源图像用9/7小波变换的提升算法进行分解,从而得到各个源图像的低频分量和高频分量.对于低频分量,采用像素绝对值选大法进行融合;而高频分量则作为PCNN的输入,在迭代结束后,通过比较PCNN点火次数得到一系列融合子图像;然后,用9/7小波的提升算法将获取的一系列多尺度融合子图像进行反变换得到最终的融合图像.设计了可见光图像与红外图像的融合实验,对融合图像的熵、平均梯度、标准差、空间频率进行了定量比较.当使用标准源图像进行融合时,各值比使用传统小波变换与PCNN相结合的图像融合方法分别高0.010 4,0.245 9,0.113 1和0.284 6.
為瞭穫得對同一場景更為準確、全麵和可靠的圖像描述,提齣瞭一種基于脈遲耦閤神經網絡(PCNN)的圖像融閤方法.將多源傳感器圖像配準後的各箇源圖像用9/7小波變換的提升算法進行分解,從而得到各箇源圖像的低頻分量和高頻分量.對于低頻分量,採用像素絕對值選大法進行融閤;而高頻分量則作為PCNN的輸入,在迭代結束後,通過比較PCNN點火次數得到一繫列融閤子圖像;然後,用9/7小波的提升算法將穫取的一繫列多呎度融閤子圖像進行反變換得到最終的融閤圖像.設計瞭可見光圖像與紅外圖像的融閤實驗,對融閤圖像的熵、平均梯度、標準差、空間頻率進行瞭定量比較.噹使用標準源圖像進行融閤時,各值比使用傳統小波變換與PCNN相結閤的圖像融閤方法分彆高0.010 4,0.245 9,0.113 1和0.284 6.
위료획득대동일장경경위준학、전면화가고적도상묘술,제출료일충기우맥충우합신경망락(PCNN)적도상융합방법.장다원전감기도상배준후적각개원도상용9/7소파변환적제승산법진행분해,종이득도각개원도상적저빈분량화고빈분량.대우저빈분량,채용상소절대치선대법진행융합;이고빈분량칙작위PCNN적수입,재질대결속후,통과비교PCNN점화차수득도일계렬융합자도상;연후,용9/7소파적제승산법장획취적일계렬다척도융합자도상진행반변환득도최종적융합도상.설계료가견광도상여홍외도상적융합실험,대융합도상적적、평균제도、표준차、공간빈솔진행료정량비교.당사용표준원도상진행융합시,각치비사용전통소파변환여PCNN상결합적도상융합방법분별고0.010 4,0.245 9,0.113 1화0.284 6.
