红外与可见光图像融合：Curvelet变换结合自适应PCNN新算法

"这篇论文是2011年由赵景朝和曲仕茹在西北工业大学发表的，探讨了一种基于Curvelet变换与自适应脉冲耦合神经网络（PCNN）的红外与可见光图像融合的新算法。这种方法旨在改善图像融合的效果，特别是在目标检测和图像分析中的性能。" 论文中提出的融合算法流程如下： 1. **Curvelet变换**：首先，对红外和可见光的原始图像应用快速离散Curvelet变换。Curvelet变换是一种多分辨率分析工具，它在保持图像细节的同时，具有优秀的方向选择性和稀疏表示能力。这使得它在处理图像边缘和纹理信息时特别有效，相比小波变换，它能减少块状效应。 2. **低频系数处理**：在Curvelet变换后，得到不同尺度和方向的子带系数。对于这些低频系数，论文采用了加权平均融合规则。低频部分通常包含图像的基本结构信息，加权平均可以保留两幅图像的整体结构。 3. **自适应PCNN**：高频系数被输入到PCNN中进行处理。PCNN是一种模拟生物视觉系统的神经网络模型，其特点是全局耦合和脉冲同步，能有效识别和选择图像的局部特征。在这里，区域能量测度作为PCNN的连接强度，用于指导系数的选择。 4. **融合决策**：利用PCNN的特性，根据区域能量测度来选择并融合高频系数。这有助于在融合过程中保留图像的细节和边缘信息。 5. **Curvelet逆变换**：最后，通过Curvelet逆变换将融合后的高频和低频系数组合，生成最终的融合图像。 实验结果显示，这种方法在视觉效果、边缘细节表现以及客观评价指标（如熵、平均梯度、标准差等）上均优于传统的融合方法。因此，该方法对于增强图像的特征分析和目标检测能力，尤其是在复杂环境和光照条件下的应用，具有显著优势。 这篇论文提出了一个创新的图像融合策略，结合了Curvelet变换的优势和PCNN的自适应特性，为红外与可见光图像融合提供了一个有效且高效的解决方案。这一方法不仅在理论上具有重要意义，而且在实际的成像制导武器系统和目标检测技术中具有广阔的应用前景。