[发明专利]基于双通道PCNN的多聚焦图像融合方法

说明书

技术领域

本发明涉及一种图像处理技术领域的方法，具体是一种基于双通道PCNN(脉冲藕合神经网络，Pulse Coupled Neural Networks)的非下采样Contourlet变换(NSCT)多聚焦图像融合方法。

背景技术

不同类型光学设备，由于其有限景深的特点，造成它们对于同一目标区域内的不同对象所成的像由于焦距不同而产生具有不同焦点的图像，因而造成这些所取得图像的清晰区域也就各异，图像中所有对象不能够达到相同的清晰程度，任何一个图像对信息的表达都是不完整的，但是这些图像表现同一场景的侧重不一样，因此存在互为补充的信息。通过融合不同图像的焦点区域，使得生成的图像具备更为完整的信息内容。

多聚焦图像是由同种传感器采用不同的成像方式(聚焦点的不同)获得的。多聚焦图像融合是将在同一时间或不同时间获取的多聚焦图像信息加以综合，以生成新的有关场景解释的信息处理过程。多聚焦图像融合可以使多个不同距离的目标物体同时清晰地呈现，这为特征提取、图像识别奠定了良好基础。多聚焦图像融合方法大致分为两类：基于空间域的图像融合和基于变换域的图像融合。典型的空域方法是分块融合法，分块法直接选择清晰的图像块作为融合结果，而且不存在下采样环节，具备平移不变性，能有效抑制虚假信息的引入，能准确地保持源图像的有用信息，计算简单，实时性好，但在源图像的清晰区域与模糊区域的交界处容易出现块效应。常用的变换域融合方法包括小波变换及多尺度几何分析方法等。小波变换具有优良的时频局部化性能，它用一组尺度不同的带通滤波器对信号进行滤波，将信号分解为不同频带进行处理。融合图像效果的好坏主要取决于融合方法和融合规则选取的得当与否。但基于小波变换的图像融合方法在过程中会产生伪吉布斯效应，影响融合图像效果。两类方法各自的缺陷使得实现多聚焦图像融合成为一项必要而又相当困难的任务。

中国专利文献号CN1873693，公开日2006-12-06，记载了一种“基于Contourlet变换和改进型脉冲耦合神经网络的图像融合方法”，该技术步骤为：在对输入的可见光与红外线图像进行多尺度、多方向Contourlet分解的基础上，对具有神经生理学背景的PCNN进行改进，利用改进型的IPCNN进行融合策略设计，根据可见光图像和红外线图像的不同特征，对高频细节部分和低频背景部分分别进行融合，生成Contourlet域融合系数，最后经过Contourlet反变换得到融合图像。但该技术的缺点在于：Contourlet变换在离散域内进行，采样过程不具备平移不变性，会产生伪吉布斯效应，影响融合效果，应用对象为多光谱图像，不适合多聚焦图像融合。

经过对现有技术的检索发现，西北工业大学李美丽等人提出“基于NSCT和PCNN的红外与可见光图像融合方法(《光电工程》2010年第6期：90-95)，用非下采样Contourlet变换对已配准的源图像进行分解，得到低频子带系数和各带通子带系数，对各带通子带系数提出了一种改进的基于PCNN的图像融合方法来确定融合图像的各带通子带系数；最后经过非下采样Contourlet逆变换得到融合图像，该方法优于Laplacian方法、小波方法和非下采样Contourlet变换方法，证明利用非下采样Contourlet变换和PCNN进行图像融合是可行的，但该技术的缺点在于：PCNN模型复杂，参数多，计算耗时长，融合对象是包含相同内容的不同光谱图像，不能直接应用到多聚焦图像的融合中。

进一步检索发现，焦竹青、邵金涛、徐保国在“一种新的NSCT域多聚焦图像融合方法”(第21届中国过程控制会议论文，中国杭州，2010年8月)中公开了一种针对同一场景的多聚焦图像，提出一种基于脉冲耦合神经网络(PCNN)的非下采样Contourlet变换(NSCT)域融合方法，该技术首先通过NSCT变换对源图像进行多尺度、多方向分解，将生成的低通子带系数和带通方向子带系数输入PCNN中，使各神经元迭代产生的点火频数构成点火映射图，根据其邻域接近度选择相应的子带系数，最后通过NSCT逆变换得到融合结果。实验分析表明，新方法更大程度的保留了多聚焦图像的清晰区域和特征信息，具有比经典小波变换、Contourlet变换和常规NSCT更好的融合性能。但该技术的缺点在于：PCNN模型复杂，参数多，计算耗时长，融合规则基于系数比较取大，融合图像每个像素对应融合系数仅反映了其中一幅源图像的信息，另一幅图像的影响没有考虑，该方法不适合应用于偏亮或偏暗的图像融合。