圖像融合技術(shù)是將兩幅或多幅圖像融合為一幅包含更多清晰、有效信息的圖像的過程。由于焦距的限制,同一成像設(shè)備不能呈現(xiàn)完全清晰的全景圖像。因此,多聚焦圖像融合可以將對同一場景不同聚焦點的多幅圖像進(jìn)行融合以獲得一張包含所有場景信息的全聚焦圖像。多聚焦圖像融合主要有三種策略:像素級融合、特征級融合和決策級融合。像素級圖像融合方法是目前應(yīng)用較為廣泛的一類融合方法,主要分為空間域和變換域兩種�；谧儞Q域的圖像融合方法通過多尺度變換對源圖像進(jìn)行多尺度分解,然后對不同尺度上的圖像系數(shù)采用不同的融合規(guī)則進(jìn)行融合。但是,此類方法常會造成圖像的變形扭曲現(xiàn)象�；诳臻g域的多聚焦圖像融合算法比較簡單易操作,但此類方法可能會產(chǎn)生塊效應(yīng)。隨著人工神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,基于人工神經(jīng)網(wǎng)絡(luò)的圖像融合算法逐漸獲得各國學(xué)者廣泛的認(rèn)同。本文針對現(xiàn)有算法的不足,利于多尺度分析和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點,提出了基于脈沖發(fā)放皮層模型（Spiking cortical model,SCM）和殘差網(wǎng)絡(luò)（Residual Network,ResNet）的非下采樣剪切波變換（Non-subsampled shearlet transform,NSST... 

【文章來源】：河北大學(xué)河北省

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像融合層次結(jié)構(gòu)圖

河北大學(xué)碩士學(xué)位論文8符號表iCk示，圖像的最佳清晰度指標(biāo)值用符號max選齲具體實現(xiàn)流程圖如圖2-1所示。圖2-1基于分塊的多聚焦圖像融合算法流程圖常用測量圖像清晰度的指標(biāo)包括：局部拉普拉斯能量和、空間頻率和邊緣特征�；趫D像分塊的圖像融合方法操作簡單、計算效率高，可以較好區(qū)分原始圖像區(qū)域特征[37,38]。但此種方法分塊大小難以確定，分塊太小導(dǎo)致圖像塊特征不能很好地表示所選區(qū)域的整體特征，會使融合圖像在子塊交界處產(chǎn)生塊效應(yīng)。分塊過大會使圖像子塊區(qū)域存在清楚或模糊的圖像塊，使子塊不能很好地表示為清楚或模糊子塊，影響融合結(jié)果。2.1.3基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合算法PCNN是根據(jù)動物大腦皮層神經(jīng)網(wǎng)絡(luò)對刺激的脈沖發(fā)放現(xiàn)象提出的一種新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。由于神經(jīng)元的脈沖耦合性和全局同步性，使融合后的圖像與原始圖像差別不大，因此可以很好地應(yīng)用于圖像融合領(lǐng)域。PCNN是由若干個神經(jīng)元連接組成的反饋型網(wǎng)絡(luò)，每個神經(jīng)元都由3部分組成：接收域、調(diào)制域和脈沖發(fā)生域，如圖2-2所示。圖2-2PCNN網(wǎng)絡(luò)結(jié)構(gòu)模型由圖2-2可知：神經(jīng)元的個數(shù)為圖像中像素個數(shù)，二者是對應(yīng)關(guān)系。PCNN的表示公式為：

河北大學(xué)碩士學(xué)位論文8符號表iCk示，圖像的最佳清晰度指標(biāo)值用符號max選齲具體實現(xiàn)流程圖如圖2-1所示。圖2-1基于分塊的多聚焦圖像融合算法流程圖常用測量圖像清晰度的指標(biāo)包括：局部拉普拉斯能量和、空間頻率和邊緣特征�；趫D像分塊的圖像融合方法操作簡單、計算效率高，可以較好區(qū)分原始圖像區(qū)域特征[37,38]。但此種方法分塊大小難以確定，分塊太小導(dǎo)致圖像塊特征不能很好地表示所選區(qū)域的整體特征，會使融合圖像在子塊交界處產(chǎn)生塊效應(yīng)。分塊過大會使圖像子塊區(qū)域存在清楚或模糊的圖像塊，使子塊不能很好地表示為清楚或模糊子塊，影響融合結(jié)果。2.1.3基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合算法PCNN是根據(jù)動物大腦皮層神經(jīng)網(wǎng)絡(luò)對刺激的脈沖發(fā)放現(xiàn)象提出的一種新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。由于神經(jīng)元的脈沖耦合性和全局同步性，使融合后的圖像與原始圖像差別不大，因此可以很好地應(yīng)用于圖像融合領(lǐng)域。PCNN是由若干個神經(jīng)元連接組成的反饋型網(wǎng)絡(luò)，每個神經(jīng)元都由3部分組成：接收域、調(diào)制域和脈沖發(fā)生域，如圖2-2所示。圖2-2PCNN網(wǎng)絡(luò)結(jié)構(gòu)模型由圖2-2可知：神經(jīng)元的個數(shù)為圖像中像素個數(shù)，二者是對應(yīng)關(guān)系。PCNN的表示公式為：

【參考文獻(xiàn)】：
期刊論文
[1]基于NSST與自適應(yīng)PCNN的多聚焦圖像融合方法[J]. 楊利素,王雷,郭全.  計算機(jī)科學(xué). 2018(12)
[2]基于雙樹復(fù)小波變換的自適應(yīng)PCNN圖像融合算法[J]. 杜進(jìn)楷,陳世國.  紅外技術(shù). 2018(10)
[3]基于SML和PCNN的NSCT域多聚焦圖像融合[J]. 謝秋瑩,易本順,柯祖福,李衛(wèi)中.  計算機(jī)科學(xué). 2017(06)
[4]基于NSST域的自適應(yīng)區(qū)域和SCM相結(jié)合的多聚焦圖像融合[J]. 趙杰,溫馨,劉帥奇,張宇.  計算機(jī)科學(xué). 2017(03)
[5]基于區(qū)域特征的SCM多聚焦圖像融合算法[J]. 畢曉君,刁鵬飛,陳春雨.  中南大學(xué)學(xué)報(自然科學(xué)版). 2016(11)
[6]免疫粒子群優(yōu)化算法在多聚焦圖像融合中的應(yīng)用[J]. 楊粵濤,曹峰,高偉林,張鋒.  電子技術(shù)與軟件工程. 2016(13)
[7]基于拉普拉斯金字塔與PCNN-SML的圖像融合算法[J]. 王佺,聶仁燦,金鑫,周冬明,賀康建,余介夫.  計算機(jī)科學(xué). 2016(S1)
[8]Image separation using wavelet-complex shearlet dictionary[J]. Shuaiqi Liu,Shaohai Hu,Yang Xiao.  Journal of Systems Engineering and Electronics. 2014(02)
[9]基于Shearlet變換的自適應(yīng)圖像融合算法[J]. 石智,張卓,岳彥剛.  光子學(xué)報. 2013(01)
[10]改進(jìn)拉普拉斯能量和的尖銳頻率局部化Contourlet域多聚焦圖像融合方法[J]. 屈小波,閆敬文,楊貴德.  光學(xué)精密工程. 2009(05)

博士論文
[1]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
[2]像素級多源圖像融合方法研究[D]. 劉羽.中國科學(xué)技術(shù)大學(xué) 2016
[3]基于多尺度幾何變換的遙感圖像處理算法研究[D]. 劉帥奇.北京交通大學(xué) 2013
[4]基于多分辨率分析的多傳感器圖像融合算法研究[D]. 孫巖.哈爾濱工程大學(xué) 2012

碩士論文
[1]基于非下采樣剪切波變換的圖像融合方法研究與應(yīng)用[D]. 孫裕超.北京交通大學(xué) 2016
[2]多聚焦圖像融合研究[D]. 向昌成.電子科技大學(xué) 2010



本文編號：3349050