基于FOA优化的自适应PCNN图像融合算法提升

本篇论文研究主要关注于脉冲耦合神经网络（Pulse Coupled Neural Networks, PCNN）在图像融合领域的应用改进。PCNN作为一种基于生物神经网络的模型，因其全局耦合性和脉冲同步性，在图像融合中展现出显著优势。然而，其参数众多且依赖于人工设置，这可能导致处理结果的主观性和效率问题。 针对这一问题，作者提出了一个基于PCNN和果蝇优化算法（Fruit Fly Optimization Algorithm, FOA）的自适应图像融合方法。FOA作为一种全局搜索优化算法，具有较强的寻优能力，能够有效地处理参数优化问题。作者选择平均结构相似度作为FOA的适应度函数，对PCNN的四个关键参数——β、Vθ、αL和αθ进行了自动调整。这些参数直接影响到图像融合的质量，通过FOA的优化，能够减少人工干预，提高融合效果的稳定性。 传统的PCNN方法可能需要通过大量实验反复尝试不同的参数组合，而本文的方法则借助FOA的高效搜索机制，能够快速找到接近最优的参数配置。与基于粒子群进化技术或局部对比度计算参数的方法相比，这种方法具有更广泛的搜索范围和更好的全局优化性能。 实验结果显示，这个自适应图像融合算法在主观视觉效果和客观评价指标上均表现出色，超越了其他常规的图像融合算法，如多尺度变换、神经网络融合和稀疏表示融合。通过将FOA与PCNN的有效结合，本文的工作不仅提升了图像融合的自动化程度，还提高了融合结果的客观性和一致性，对于实际图像处理应用具有重要的理论和实践价值。这项研究为图像融合领域提供了一种新颖且有效的参数优化策略。