自适应PCNN驱动的多聚焦图像融合提升方法

本篇论文研究主要关注在计算机工程与应用领域，针对传统形态小波图像融合方法存在的问题，提出了一种自适应脉冲耦合神经网络（PCNN）为基础的多聚焦图像融合方法。传统形态小波方法在重构尺度信号时可能出现位置错误，而在重构细节信号时存在灰度值下溢的问题，这限制了融合图像的质量。 论文的核心创新点在于设计了一种自适应PCNN，它利用形态小波对已配准的源图像进行分解，分解系数的改进拉普拉斯能量和（SML）作为PCNN神经元的反馈输入，反映了图像的局部特征。同时，通过设定图像的清晰度作为神经元间的连接强度，这种自适应策略能够更好地捕捉图像区域的清晰度变化。在PCNN中，通过点火机制生成融合系数的点火映射图，利用判决选择算子指导系数的融合过程，以减少块效应和改善整体融合效果。 相比于多尺度分析方法如金字塔、离散小波等，自适应PCNN方法操作更为简单，但又能克服线性小波变换的局限性，如保持信号范围和增强边缘细节。论文中提到的MWF方法虽然取得了进展，但作者认为有必要进一步提升，以实现更精确的图像融合。 实验部分展示了融合算法的有效性，结果显示融合后的图像不仅具有良好的视觉效果，而且客观评价指标也较高，证明了这种方法在提高多聚焦图像质量方面的优势。通过在《计算机工程与应用》杂志2013年第12期发表，该研究为多聚焦图像融合技术提供了一种新的、性能优越的解决方案，对于图像处理领域的实际应用具有重要意义。