基于提升平稳小波域的新型双通道PCNN图像融合方法

"本文提出了一种基于提升平稳小波变换（LSWT）和新型双通道脉冲耦合神经网络（PCNN）的多源图像融合方法。通过LSWT，可以计算注册图像的灵活多尺度、平移不变表示。在使用LSWT分解原始图像后，提出了一种新的双通道PCNN，它可以克服原版PCNN在图像融合中的某些不足，并直接输出融合图像的子带系数。" 在图像处理领域，图像融合是一种技术，它将来自多个源的图像信息结合在一起，以创建一个具有更全面、更清晰信息的单一图像。该文提出的图像融合方案利用了提升平稳小波变换（LSWT）和新型双通道脉冲耦合神经网络（PCNN）这两个核心工具。 提升平稳小波变换（LSWT）是一种小波分析方法，它是对传统小波变换的改进。LSWT的特点在于其具有更好的平移不变性，这意味着在不同尺度下的小波系数能够更好地保持图像的局部特性。此外，LSWT在计算效率上比其他小波变换有所提高，因为它通过提升框架实现了小波系数的计算，降低了计算复杂度。 脉冲耦合神经网络（PCNN）是由神经元模型组成的网络，神经元之间通过脉冲信号进行通信。在图像融合中，PCNN通常用于选择和组合来自不同源图像的信息。原版PCNN的主要优点是其自适应性和并行性，但可能在某些情况下不能理想地处理图像细节。因此，文中提出了新型的双通道PCNN，旨在解决原版PCNN的不足，这可能包括对边缘和细节的处理能力的增强，以及更有效的信息融合策略。 双通道PCNN的设计是为了更好地控制和协调不同图像特征的融合过程。每个通道可能对应于图像的不同特性，如边缘、纹理或颜色，使得网络能够更灵活地处理这些信息。通过这样的改进，新模型可以直接输出融合图像的子带系数，从而减少了额外的后处理步骤，提高了融合质量。 该论文提出的方法结合了LSWT的多尺度分析能力和双通道PCNN的智能融合策略，为图像融合提供了一个有效且高效的解决方案。这种方法对于遥感、医学成像和多摄像机监控等领域的应用具有重要意义，因为这些领域往往需要从多个视角或传感器获取的图像中提取关键信息。