PCNN与引导滤波结合的红外与可见光图像高效融合方法

"结合脉冲耦合神经网络与引导滤波的红外与可见光图像融合" 本文探讨了一种创新的红外与可见光图像融合技术，该技术旨在解决传统融合方法中存在的细节信息不足和伪影问题。作者提出的方法是将脉冲耦合神经网络（PCNN）与引导滤波相结合，以提升融合图像的质量。 首先，文章改进了传统的PCNN模型，通过在脉冲产生单元引入抑制项来防止像素重复点火导致的点火时间矩阵噪声。PCNN是一种模拟生物神经元行为的计算模型，其核心在于模拟神经元间的脉冲耦合，用于信息处理和图像分析。加入抑制项可以更精确地控制点火过程，减少噪声干扰。 接下来，作者应用引导滤波器对点火时间矩阵T进行处理，利用原图像作为引导图像，这样可以保留图像的显著信息和边缘细节。引导滤波是一种用于图像平滑和细节保护的滤波技术，它能够保持图像边缘的清晰度，同时去除噪声。 然后，基于经过引导滤波的多区域加权划分矩阵，对红外与可见光图像进行加权融合。这种方法使得不同区域可以根据其重要性和特征被赋予不同的权重，从而实现更合理的图像融合。 此外，文中还提出了一种新的PCNN模型参数设置方法，该方法引入了约束条件，降低了模型参数设定的复杂度。这使得参数选择更加简化，且能更好地适应不同类型的图像融合任务。 实验结果显示，所提出的融合方法在效率和融合效果上都表现出色。融合后的图像具有丰富的细节信息，没有明显的伪影，而且在交叉熵和空间频率等评价指标上优于现有的其他融合方法。这表明，结合PCNN和引导滤波的图像融合策略能够在保留关键信息的同时，提供高质量的融合图像。 关键词：图像处理，脉冲耦合神经网络，点火时间矩阵，多区域划分，引导滤波，图像加权融合。 这项工作为红外与可见光图像融合领域提供了新的解决方案，通过改进PCNN模型并结合引导滤波，提升了图像融合的效率和质量，对于实际应用如监控、遥感等领域具有重要的理论和实践价值。