本文關(guān)鍵詞：多目標(biāo)粒子群優(yōu)化PCNN參數(shù)的圖像融合算法

  更多相關(guān)文章： 圖像融合 多目標(biāo)優(yōu)化 粒子群 脈沖耦合神經(jīng)網(wǎng)絡(luò) 雙復(fù)樹(shù)小波 拉普拉斯能量絕對(duì)能量和

【摘要】：目的脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)在圖像融合上往往因?yàn)閰?shù)設(shè)置問(wèn)題而達(dá)不到最佳效果,為了提高圖像融合的質(zhì)量,提出了一種基于多目標(biāo)粒子群優(yōu)化PCNN參數(shù)的圖像融合算法。方法首先用多目標(biāo)粒子群對(duì)PCNN模型參數(shù)進(jìn)行優(yōu)化得到最優(yōu)PCNN參數(shù)模型,然后利用雙復(fù)樹(shù)小波(DTCWT)對(duì)圖像多尺度分解,將高頻分量通過(guò)優(yōu)化好的PCNN模型進(jìn)行高頻融合,低頻分量通過(guò)拉普拉斯分量絕對(duì)和(SML)來(lái)進(jìn)行低頻融合,最后通過(guò)DTCWT逆變換實(shí)現(xiàn)圖像的融合。結(jié)果分別與DTCWT,拉普拉斯金字塔變換(LP)以及非下采樣Contourlet變換(NSCT)進(jìn)行實(shí)驗(yàn)對(duì)比,融合圖像Clock,Lab的融合結(jié)果在客觀指標(biāo)上的互信息(8.062 3,7.908 5)、圖像的品質(zhì)因數(shù)(0.716 2,0.714 2)和標(biāo)準(zhǔn)差(51.213,47.671)都優(yōu)于其他方法,熵和其他方法差不多,融合結(jié)果能夠獲得更好的視覺(jué)效果以及較大的互信息值和邊緣信息保留值。結(jié)論該方法有較好融合圖像的能力,可適用于計(jì)算機(jī)視覺(jué)、醫(yī)學(xué)、遙感等領(lǐng)域。
【作者單位】： 云南大學(xué)信息學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61365001,61463052)~~
【分類號(hào)】：TP391.41
【正文快照】： 王Oz,聶仁燦,周冬明,金鑫,賀康建,余介夫第21卷/第10期/2016年10月多目標(biāo)粒子群優(yōu)化PCNN參數(shù)的圖像融合算法0引言圖像融合是圖像處理技術(shù)研究中的一個(gè)重要研究領(lǐng)域,它將來(lái)自同一場(chǎng)景的兩幅或多幅源圖像融合為一幅新的單一圖像[1],已成為計(jì)算機(jī)視覺(jué)、目標(biāo)識(shí)別、機(jī)器人以及軍事

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 鄒文潔;;基于PCNN神經(jīng)網(wǎng)絡(luò)的圖像去噪算法研究[J];計(jì)算機(jī)仿真;2008年08期

2 齊永鋒;火元蓮;張家樹(shù);;基于簡(jiǎn)化的PCNN與類內(nèi)最小離散度的圖像自動(dòng)分割方法[J];光電子.激光;2008年09期

3 王念一;馬義德;綻琨;;PCNN理論研究進(jìn)展及其語(yǔ)音識(shí)別中的應(yīng)用[J];自動(dòng)化與儀器儀表;2013年01期

4 鐘亞平;;基于PCNN的手腕骨圖像自動(dòng)分割方法研究[J];軟件導(dǎo)刊;2013年07期

5 顧曉東,郭仕德,余道衡;一種基于PCNN的圖像去噪新方法[J];電子與信息學(xué)報(bào);2002年10期

6 趙峙江;趙春暉;張志宏;;一種新的PCNN模型參數(shù)估算方法[J];電子學(xué)報(bào);2007年05期

7 火元蓮;;一種基于PCNN的圖像自動(dòng)分割方法[J];自動(dòng)化與儀器儀表;2008年06期

8 李敏;蔡騁;談?wù)?;基于修正PCNN的多傳感器圖像融合方法[J];中國(guó)圖象圖形學(xué)報(bào);2008年02期

9 劉R，

本文編號(hào)：1193162