科学技术与工程
科學技術與工程
과학기술여공정
SCIENCE TECHNOLOGY AND ENGINEERING
2014年
10期
77-83
,共7页
毕硕本%陈东祺%汪大%郭忆
畢碩本%陳東祺%汪大%郭憶
필석본%진동기%왕대%곽억
云图%脉冲耦合神经网络(PCNN)%RLNSW-NSCT
雲圖%脈遲耦閤神經網絡(PCNN)%RLNSW-NSCT
운도%맥충우합신경망락(PCNN)%RLNSW-NSCT
cloud image%PCNN%RLNSW-NSCT
提出了一种基于脉冲耦合神经网络(pulse coupled neural network,PCNN)的冗余提升不可分离小波-非下采样Contourlet变换(redundant lifting non-separable waveletbased non-subsampled Contourlet transform,RLNSW-NSCT)卫星云图融合新方法.首先采用基于冗余提升不可分离小波的非下采样Contourlet变换(non subsampled Contourlet transform,NSCT)变换对卫星云图进行变换.对带通方向子带系数的融合设计了基于PCNN的融合规则,而低通子带系数的融合则采用基于图像区域信息熵的系数加权融合规则.为验证算法的有效性,对不同多尺度变换算法和不同融合规则分别进行了融合实验.结果表明该方法在较多地保留云图红外信息的同时,具有更好图像细节表达能力,融合云图的云层特征更为分明.
提齣瞭一種基于脈遲耦閤神經網絡(pulse coupled neural network,PCNN)的冗餘提升不可分離小波-非下採樣Contourlet變換(redundant lifting non-separable waveletbased non-subsampled Contourlet transform,RLNSW-NSCT)衛星雲圖融閤新方法.首先採用基于冗餘提升不可分離小波的非下採樣Contourlet變換(non subsampled Contourlet transform,NSCT)變換對衛星雲圖進行變換.對帶通方嚮子帶繫數的融閤設計瞭基于PCNN的融閤規則,而低通子帶繫數的融閤則採用基于圖像區域信息熵的繫數加權融閤規則.為驗證算法的有效性,對不同多呎度變換算法和不同融閤規則分彆進行瞭融閤實驗.結果錶明該方法在較多地保留雲圖紅外信息的同時,具有更好圖像細節錶達能力,融閤雲圖的雲層特徵更為分明.
제출료일충기우맥충우합신경망락(pulse coupled neural network,PCNN)적용여제승불가분리소파-비하채양Contourlet변환(redundant lifting non-separable waveletbased non-subsampled Contourlet transform,RLNSW-NSCT)위성운도융합신방법.수선채용기우용여제승불가분리소파적비하채양Contourlet변환(non subsampled Contourlet transform,NSCT)변환대위성운도진행변환.대대통방향자대계수적융합설계료기우PCNN적융합규칙,이저통자대계수적융합칙채용기우도상구역신식적적계수가권융합규칙.위험증산법적유효성,대불동다척도변환산법화불동융합규칙분별진행료융합실험.결과표명해방법재교다지보류운도홍외신식적동시,구유경호도상세절표체능력,융합운도적운층특정경위분명.
