计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2011年
35期
210-213,217
,共5页
图像融合%脉冲耦合神经网络%小波变换%空间频率%点火映射图
圖像融閤%脈遲耦閤神經網絡%小波變換%空間頻率%點火映射圖
도상융합%맥충우합신경망락%소파변환%공간빈솔%점화영사도
利用PCNN(Pulse Coupled Neural Network)在图像处理中的独特优势,提出了一种基于小波变换的PCNN多传感器图像融合方法.对源图像进行小波分解,得到不同尺度下的子带图像;在小波域中利用PCNN的同步脉冲激发特性,制定基于PCNN的融合规则;使用不同尺度下的小波系数的SF( Spatial Frequency)作为对应神经元的链接强度,经过PCNN点火得到源图像在小波域中的点火映射图;通过判决选择算子,选择点火次数多的小波系数作为对应的融合系数,进行区域一致性检验,获到最终的融合系数;对融合后的系数进行小波逆变换得到融合图像.实验结果表明,该方法有效地综合源图像中的重要信息,得到更好视觉效果和更优量化指标的融合图像,在主客观评价上均优于小波、PCNN等方法.
利用PCNN(Pulse Coupled Neural Network)在圖像處理中的獨特優勢,提齣瞭一種基于小波變換的PCNN多傳感器圖像融閤方法.對源圖像進行小波分解,得到不同呎度下的子帶圖像;在小波域中利用PCNN的同步脈遲激髮特性,製定基于PCNN的融閤規則;使用不同呎度下的小波繫數的SF( Spatial Frequency)作為對應神經元的鏈接彊度,經過PCNN點火得到源圖像在小波域中的點火映射圖;通過判決選擇算子,選擇點火次數多的小波繫數作為對應的融閤繫數,進行區域一緻性檢驗,穫到最終的融閤繫數;對融閤後的繫數進行小波逆變換得到融閤圖像.實驗結果錶明,該方法有效地綜閤源圖像中的重要信息,得到更好視覺效果和更優量化指標的融閤圖像,在主客觀評價上均優于小波、PCNN等方法.
이용PCNN(Pulse Coupled Neural Network)재도상처리중적독특우세,제출료일충기우소파변환적PCNN다전감기도상융합방법.대원도상진행소파분해,득도불동척도하적자대도상;재소파역중이용PCNN적동보맥충격발특성,제정기우PCNN적융합규칙;사용불동척도하적소파계수적SF( Spatial Frequency)작위대응신경원적련접강도,경과PCNN점화득도원도상재소파역중적점화영사도;통과판결선택산자,선택점화차수다적소파계수작위대응적융합계수,진행구역일치성검험,획도최종적융합계수;대융합후적계수진행소파역변환득도융합도상.실험결과표명,해방법유효지종합원도상중적중요신식,득도경호시각효과화경우양화지표적융합도상,재주객관평개상균우우소파、PCNN등방법.
