NSCT域感受野模型驱动的多传感器图像融合技术

本文主要探讨了一种创新的图像融合方法，该方法基于非下采样轮廓波变换（Non-Subsampled Contourlet Transform, NSCT）域的感受野模型。在多传感器图像融合的问题背景下，这种方法旨在提高图像融合的质量和效率。NSCT 是一种多分辨、多方向的图像分析工具，它能够提供丰富的局部特征表示，这对于处理复杂场景下的图像融合至关重要。 首先，研究者采用NSCT对源图像进行多尺度和多方向的稀疏分解，这有助于分离图像的不同频率成分和结构信息，为后续的融合操作提供精确的特征表示。稀疏分解允许对低频子图像（包含主要的纹理和结构信息）和高频子图像（包含边缘和细节信息）进行有针对性的处理。 针对低频子图像，采用了改进型的感受野模型进行融合。感受野模型是一种模拟人眼视觉系统的概念，用于强调图像中重要的区域并抑制无关或噪声部分。通过改进，该模型可以更好地保留低频子图像中的关键特征，并减少不必要的信息混杂。 对于高频子图像，作者应用了自适应Unit-Fast-Linking脉冲耦合神经网络（Adaptive Unit-Fast-Linking Pulse-Coupled Neural Network, AUF-L PCNN）模型。AUF-L PCNN是一种高效的边缘检测和融合技术，能够在保持图像细节的同时，增强边缘的清晰度，这对融合过程中的边缘一致性非常重要。 最后，所有处理后的子图像通过非下采样轮廓波逆变换（Non-Subsampled Contourlet Inverse Transform, NSCIT）进行合并，得到最终的融合图像。这种方法确保了融合结果既包含源图像的丰富细节，又具有良好的全局一致性。 实验结果显示，该基于NSCT域感受野模型的方法在多传感器图像融合任务上表现出较高的性能，有效提高了图像的质量和可用性。通过对比其他传统融合方法，它在保持图像细节的同时，更好地融合了来自不同传感器的信息，从而在实际应用中展示了其优越性。因此，这种方法对于需要处理复杂场景且追求高质量融合效果的领域，如遥感、医学成像等，具有很大的潜力和价值。