自适应PCNN驱动的多聚焦图像融合提升方法

需积分: 10 0 下载量 14 浏览量 更新于2024-09-07 1 收藏 579KB PDF 举报
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。