小波与双通道脉冲耦合神经网络在图像融合中的应用

"王念一和王维兰在2016年提出了一种基于小波变换和双通道脉冲耦合神经网络的图像融合新方法，该方法着重考虑了人类视觉系统的特点，并在低频和高频子带中采用了不同的融合策略。在低频系数上应用最大值选择规则，而在高频系数上利用空间频率作为图像的梯度特征来驱动双通道PCNN网络，生成神经元脉冲。最终，通过逆离散小波变换获得融合后的图像。实验比较和结果证明了该方法的有效性。关键词包括图像融合、离散小波变换、双通道脉冲耦合神经网络。" 详细说明: 1. 离散小波变换(DWT): DWT是一种数学工具，用于将图像分解成不同频率的成分，即低频和高频子带。低频部分通常包含图像的主要结构信息，而高频部分则包含边缘和细节。在图像融合中，DWT能有效地提取这些特征，为后续处理提供基础。 2. 双通道脉冲耦合神经网络(DC-PCNN): PCNN是一种模拟生物神经元脉冲行为的计算模型，具有并行处理和自适应特性。双通道版本则是指两个独立的PCNN网络同时工作，分别处理不同的信息。在图像融合中，DC-PCNN可以被用来捕捉和结合不同图像的细节和结构信息。 3. 融合策略: 王念一和王维兰的方法中，对于低频系数，采用最大值选择规则(MSR)，保留两个输入图像中强度较高的像素值，这有助于保持图像的整体结构。对于高频系数，他们引入空间频率(SF)作为图像的梯度特征，这有助于捕捉图像的边缘和纹理信息。SF驱动双通道PCNN网络，生成的脉冲信号反映了图像局部变化的强度，从而在融合过程中保留了重要细节。 4. 神经元脉冲生成: PCNN中的神经元根据其输入和邻近神经元的状态产生脉冲。在图像融合中，这种脉冲生成过程能够智能地结合来自两个输入图像的信息，形成高质量的融合图像。 5. 逆离散小波变换(IDWT): 通过IDWT，融合后的高频和低频系数被重新组合成单个图像，恢复出融合图像的完整视觉效果。 6. 实验验证: 提出的方法通过与其他融合方法的对比实验，展示了其在保留原始图像信息、提高图像清晰度和对比度方面的优势，证明了这种方法的有效性和实用性。 该研究提出了一种结合了小波分析与双通道脉冲耦合神经网络的创新图像融合技术，旨在充分利用两幅图像的优势，生成更符合人类视觉感知的融合图像。这种方法对于多源图像处理、医学影像分析、遥感图像融合等领域具有重要的理论和实际意义。