[發明專利]一種基于改進模型的PCNN多源圖像融合方法

有效

• 申請號: 201210362080.6
• 申請日: 2012-09-25
• 公開（公告）號: CN103679670A
• 公開（公告）日: 2014-03-26
• 發明（設計）人: 宋亞軍;朱振福
• 申請（專利權）人: 中國航天科工集團第二研究院二〇七所
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 核工業專利中心 11007
• 代理人: 高尚梅

技術領域

本發明涉及一種基于改進模型的PCNN多源圖像融合方法，特別是涉及一種適合于可見光、中波和長波紅外三個波段同時融合的基于改進模型的PCNN多源圖像融合方法。

背景技術

人工神經網絡是一種試圖仿效生物神經系統信息處理方式的新型計算處理模型。一個神經網絡由多層處理單元或節點組成，可以采用各種方法進行互聯。有些學者己經應用人工神經網絡來進行多源圖像融合。目前，神經網絡在圖像融合中的應用主要有：雙模態神經元網絡（Bimodal?Neurons），多層感知器（Multi-layered?Perceptron）和脈沖耦合神經網絡（Pulse-coupled?Neural?Network，PCNN）等。其中PCNN是近年來提出的一種新型神經網絡，國際上稱之為第三代人工神經網絡。

1981年，E．A．Newman，P．H．Hartline等提出了6種不同類型的雙模態神經元（包括AND，OR，Visible-Enhanced?Infrared，Visible-Suppressed-Infrared，Infrared-Enhanced-Visible和Infrared-Suppressed-Visible）用于可見光和紅外圖像的融合。1995年，Fechner和Godlewski提出了基于多層感知器神經網絡的圖像融合方法。通過訓練多層感知器識別前視紅外圖像中感興趣的像素，將其融入可見光圖像中。從20世紀90年代開始，由Eckhorn等對貓、猴的視覺皮層神經脈沖串同步振蕩現象的研究，得到了哺乳動物神經元模型，并由此發展形成了脈沖耦合神經網絡模型。該模型具有對圖像二維空間相似、灰度相似的像素進行分組的特點，并能減小圖像局部灰度差值，彌補圖像局部微小間斷。1999年，BrocssardR．P．等論證了PCNN神經元的點火頻率與圖像灰度的關系，證實了PCNN用于圖像融合的可行性?；谠撃Ｐ?，相關學者提出了各種改進模型，并將其用于各種圖像的融合。

目前，基于PCNN的圖像融合方法研究主要集中以下幾個方面：

網絡參數的自動化選?。河捎赑CNN網絡涉及的參數較多，并且不同參數值都會影響最終的處理結果。通過輔助方法自動計算PCNN網絡中的關鍵參數，可以取得更好的處理結果。

對PCNN基本模型的改進：根據實現功能，處理對象以及思維方式的不同，不同研究者先后提出了不同的改進模型。

因此亟需提供一種新型的基于改進模型的PCNN多源圖像融合方法。

發明內容

本發明要解決的技術問題是提供一種提高多源圖像融合效果，使融合后圖像目標特征更明顯、更有利于目標辨識的基于改進模型的PCNN多源圖像融合方法。

為解決上述技術問題，本發明一種基于改進模型的PCNN多源圖像融合方法，依次包括以下步驟：

步驟一、對輸入的三幅原始圖像A、B和C在空間上進行像素級配準，保證三幅圖像大小均為X×Y；

步驟二、設定網絡參數W，V_L，β，V_θ，α_θ和Δt的值；

V_L和V_θ分別為L_ij[n]和θ_ij[n]中的固有電勢，θ_ij[n]為動態門限值，L_ij[n]為線性連接輸入；

α_θ為θ_ij[n]的衰減時間常數；Δt為時間采樣間隔；β為突觸之間連接強度常數；Y_ij[n]為PCNN脈沖輸出；Y_kl[n-1]為PCNN上一次脈沖輸出；內部連接矩陣W中的w_ijkl對應L_ij[n]中Y_kl[n-1]的加權系數；n為網絡的運行次數，n＝1，2，...，N-1，N，N為最大運行次數；

步驟三、在每幅輸入圖像中查找S_{ij_max}、S_{ij_min}；S_{ij_max}＜V_θ，S_{ij_min}＞0；

步驟四、得到網絡最大運行次數N和閾值查找表LT(s)，s為LT(s)的函數變量；