發(fā)布時(shí)間：2020-12-27 10:23

　　紅外圖像與可見(jiàn)光圖像的融合由于所融合的這兩種圖像的成像方式、圖像特點(diǎn)的不同,融合后的圖像信息得到極大的豐富,所以該方向是圖像融合領(lǐng)域具有代表性的研究方向。脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled Neural Network,PCNN）是通過(guò)模擬哺乳動(dòng)物處理圖像的視神經(jīng)活動(dòng)過(guò)程,構(gòu)建的一種人工神經(jīng)網(wǎng)絡(luò),由于其模擬的神經(jīng)元通過(guò)線性相加和非線性相乘全局耦合,能在融合的過(guò)程中充分考慮圖像信息的全局特征;由于其良好的生物學(xué)背景,融合后的圖像符合人眼的視覺(jué)習(xí)慣,信息豐富,應(yīng)用在紅外與可見(jiàn)光圖像融合領(lǐng)域取得了很好的效果。但PCNN模型也存在參數(shù)過(guò)多,對(duì)于細(xì)節(jié)紋理的處理不夠細(xì)致導(dǎo)致融合結(jié)果欠佳等不足。本文針對(duì)現(xiàn)有基于PCNN的紅外與可見(jiàn)光融合算法的不足,結(jié)合非下采樣剪切波變換（Nonsubsampled shearlet transform,NSST）提出了兩種新的算法。本論文的主要工作內(nèi)容如下:（1）基于改進(jìn)簡(jiǎn)化PCNN和相交視覺(jué)皮質(zhì)模型的紅外與可見(jiàn)光圖像融合算法針對(duì)現(xiàn)有基于PCNN的紅外與可見(jiàn)光圖像融合模型參數(shù)繁多且難以確定及對(duì)紋理融合效果差等問(wèn)題,本文提出了一種改進(jìn)了外部激勵(lì)的簡(jiǎn)化PCNN... 

【文章來(lái)源】：河北大學(xué)河北省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Shearlet頻域

第2章相關(guān)理論基礎(chǔ)112.1.3非下采樣剪切波變換Shearlet變換雖能實(shí)現(xiàn)對(duì)圖像的最優(yōu)稀疏表示，但在Shearlet變換的多尺度變換由具有下采樣的金字塔濾波器實(shí)現(xiàn)，方向變換由傳統(tǒng)的偽極坐標(biāo)系下的剪切波濾波器實(shí)現(xiàn)。因此Shearlet變換不具備平移不變性，容易引起頻譜混疊，導(dǎo)致了偽吉布斯現(xiàn)象，對(duì)圖像的質(zhì)量造成壞影響。為了改善Shearlet變換的這一缺點(diǎn)，Easley等提出了NSST變換[46]。NSST變換的實(shí)現(xiàn)NSST的實(shí)現(xiàn)過(guò)程如圖2.2所示。相較于Shearlet變換，NSST做的改進(jìn)在于多尺度變換由非下采樣的拉普拉斯金字塔實(shí)現(xiàn)[47]，圖像經(jīng)過(guò)非下采樣的拉普拉斯金字塔濾波器，當(dāng)進(jìn)行N層分解時(shí)得到N+1個(gè)大小不變的子圖像；并且NSST改進(jìn)了Shearlet變換中的傳統(tǒng)剪切波濾波器[48]，將其映射到了笛卡爾坐標(biāo)系中。這兩點(diǎn)改進(jìn)使得NSST變換具有平移不變性，避免了偽吉布斯現(xiàn)象。圖2.2NSST實(shí)現(xiàn)框圖2.2脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN是Eckhorn提出的一種基于哺乳動(dòng)物的大腦皮層神經(jīng)元脈沖發(fā)放機(jī)制簡(jiǎn)化而成單層人工神經(jīng)網(wǎng)絡(luò)。其神經(jīng)元之間通過(guò)線性加合和非線性耦合構(gòu)成了全局耦合性，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單且可以考慮圖像的全局特征，由于其生物背景在圖像處理領(lǐng)域取得了很好的效果。隨著廣大學(xué)者們對(duì)耦合神經(jīng)網(wǎng)絡(luò)的深入研究，將脈沖耦合脈沖網(wǎng)絡(luò)逐步改進(jìn)，發(fā)展出改進(jìn)的PCNN模型和幾種神經(jīng)網(wǎng)絡(luò)，本節(jié)將詳細(xì)PCNN模型及其改進(jìn)模型的工作

河北大學(xué)碩士學(xué)位論文12原理。2.2.1PCNN模型PCNN模型是由與像素點(diǎn)對(duì)應(yīng)個(gè)數(shù)的神經(jīng)元構(gòu)成的反饋激勵(lì)神經(jīng)網(wǎng)絡(luò)。每個(gè)神經(jīng)元均由信號(hào)輸入、連接調(diào)制、脈沖產(chǎn)生器三部分構(gòu)成。單個(gè)神經(jīng)元的基本模型結(jié)構(gòu)如圖2.3所示。圖2.3PCNN神經(jīng)元模型PCNN應(yīng)用于圖像融合時(shí)，每個(gè)像素對(duì)應(yīng)一個(gè)神經(jīng)元輸入到PCNN模型中。PCNN模型的工作過(guò)程如下，信號(hào)輸入域：圖像輸入PCNN網(wǎng)絡(luò)時(shí)，信號(hào)輸入域會(huì)接收到三個(gè)刺激，分別是：反饋通道接收的外部刺激ijS、自身刺激ijF，和連接通道接收的相鄰神經(jīng)元的刺激；連接調(diào)制域：將信號(hào)輸入域接收的到三種刺激進(jìn)行調(diào)制生成內(nèi)部活動(dòng)項(xiàng)ijU并傳送至脈沖產(chǎn)生器；脈沖產(chǎn)生器：比較動(dòng)態(tài)閾值ijE與內(nèi)部活動(dòng)項(xiàng)ijU的大小，如果ijijEU，神經(jīng)元進(jìn)行點(diǎn)火輸出；反之，神經(jīng)元?jiǎng)t不會(huì)點(diǎn)火輸出。此工作過(guò)程會(huì)一直重復(fù)，直到網(wǎng)絡(luò)停止迭代PCNN模型工作過(guò)程對(duì)應(yīng)的數(shù)學(xué)公式如（2-18）到（2-22）所示。iijklijklFjFijFenFnMSnYV11（2-18）11LenLnnYVMiklijklLjFij（2-19）

【參考文獻(xiàn)】：
期刊論文
[1]基于拉普拉斯金字塔變換方法的多波段圖像融合規(guī)則比較[J]. 黃福升,藺素珍.  紅外技術(shù). 2019(01)
[2]基于對(duì)比度增強(qiáng)與小波變換相結(jié)合的紅外與可見(jiàn)光圖像融合算法[J]. 涂一枝,郭立強(qiáng).  淮陰師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(03)
[3]基于NSCT紅外與可見(jiàn)光圖像融合算法優(yōu)化研究[J]. 肖中杰.  紅外技術(shù). 2017(12)
[4]基于多尺度方向引導(dǎo)濾波和卷積稀疏表示的紅外與可見(jiàn)光圖像融合[J]. 劉先紅,陳志斌.  光學(xué)學(xué)報(bào). 2017(11)
[5]基于視覺(jué)顯著性和NSCT的紅外與可見(jiàn)光圖像融合[J]. 傅志中,王雪,李曉峰,徐進(jìn).  電子科技大學(xué)學(xué)報(bào). 2017(02)
[6]基于改進(jìn)PCNN的壓縮感知域圖像融合[J]. 劉斌,田中佳.  激光與紅外. 2015(11)
[7]基于LNSST與PCNN的紅外與可見(jiàn)光圖像融合[J]. 陳廣秋,高印寒,段錦,林杰.  光電工程. 2014(10)
[8]非下采樣輪廓波變快速算法（英文）[J]. 嚴(yán)春滿,郭寶龍,易盟.  自動(dòng)化學(xué)報(bào). 2014(04)
[9]基于邊緣檢測(cè)小波變換的紅外與可見(jiàn)光圖像融合方法[J]. 李茜,郭佳,郭小云.  光學(xué)儀器. 2013(01)
[10]基于可操縱金字塔和IHS變換的遙感影像融合[J]. 李博,肖模艷,于加.  地理空間信息. 2011(06)

博士論文
[1]基于非下采樣剪切波變換的紅外與可見(jiàn)光圖像融合算法研究[D]. 劉戰(zhàn)文.西北工業(yè)大學(xué) 2018
[2]基于多尺度變換和稀疏表示的多源圖像融合算法研究[D]. 張寶華.上海大學(xué) 2016
[3]地面目標(biāo)的紅外成像仿真及多光譜成像真實(shí)感融合研究[D]. 王章野.浙江大學(xué) 2002

碩士論文
[1]基于PCNN網(wǎng)絡(luò)的醫(yī)學(xué)圖像融合技術(shù)研究[D]. 郝敬帥.中北大學(xué) 2019
[2]基于多分辨率分析的醫(yī)學(xué)圖像融合技術(shù)研究[D]. 田宇.哈爾濱工程大學(xué) 2018
[3]基于剪切波變換和圖像塊匹配的圖像融合算法研究[D]. 楊東盛.北京交通大學(xué) 2017
[4]基于稀疏表示的圖像融合方法研究[D]. 李錦興.重慶大學(xué) 2015



本文編號(hào)：2941578