NSST与GA优化PCNN图像融合提升融合效果

本文研究主要关注"结合NSST与GA参数优化PCNN图像融合"这一主题，针对传统的多尺度融合算法存在的不足，如缺乏平移不变性、融合效果欠佳以及PCNN参数设置复杂等问题，提出了创新性的解决方案。NSST（非下采样剪切波变换）被引入作为关键工具，它是一种有效的图像分解技术，能够捕捉图像的多尺度细节信息。 作者们利用NSST对输入图像进行多尺度分解，将高频部分交给PCNN进行处理，这是通过空间频率指导PCNN的融合过程，以提高融合精度。对于低频信息，采用了一种改进的拉普拉斯能量和（SML）方法进行融合，确保了融合的鲁棒性和稳定性。为了优化PCNN的参数，如链接强度和阈值，遗传算法（GA）被巧妙地运用，将融合指标如互信息（MI）、边缘信息保留度（QAB/F）、熵（EN）、空间频率（SF）、图像标准差（STD）和图像平均梯度（AG）作为目标函数，以寻求最大化的融合性能。 通过对多聚焦图像、医学图像和红外及可见光图像的实验，研究者们评估了该方法的性能。实验结果显示，与传统方法相比，该算法在客观评价指标上表现出色，显示出显著的融合效果提升。这不仅证明了NSST与GA结合的优势，还强调了优化PCNN参数对于图像融合质量的重要性。 这篇论文提供了一种有效的图像融合策略，通过结合NSST的多尺度特性与GA的全局优化能力，优化了PCNN参数，从而实现了更好的图像融合效果。这对于图像处理领域的实际应用具有重要的理论和实践价值，特别是在需要精确融合不同来源图像的场景中。