非下采样Contourlet变换结合模糊逻辑与自适应PCNN的图像融合算法

"非下采样Contourlet变换域内结合模糊逻辑和自适应脉冲耦合神经网络的图像融合" 本文主要探讨了针对传统多尺度变换图像融合方法存在的对比度不足和边缘细节丢失问题，提出了一种新型的图像融合算法。该算法结合了非下采样Contourlet变换（NSCT）、模糊逻辑和自适应脉冲耦合神经网络（PCNN），以提高融合图像的质量。 非下采样Contourlet变换是一种多分辨率分析工具，它能够有效捕捉图像的边缘和细节信息，特别是在高频子带中。相比于经典的离散小波变换，NSCT具有更好的方向选择性和局部化特性，这对于图像融合尤其有利。在NSCT域中，图像被分解为多个方向和频率的子带，便于对不同特性进行处理。 在融合过程中，针对低频子带，论文采用了基于自适应模糊逻辑的融合规则。模糊逻辑可以处理不确定和模糊的信息，通过对输入参数的模糊化和推理，实现对融合规则的动态调整，从而优化低频信息的融合。 对于高频子带，研究者利用方向信息来自适应地调整PCNN的链接强度。PCNN是一种模拟生物视觉系统的模型，能有效地识别和增强图像的边缘特征。通过将边缘特征作为输入激励，PCNN可以根据这些特征的强度产生脉冲，其脉冲点火幅度可作为融合子带系数的依据。这种方法能够更好地保护高频信息，特别是图像的边缘和细节部分。 实验结果显示，提出的融合算法能显著提高融合图像的目标信息突出程度，同时提供了丰富的背景细节。在图像清晰度和人眼视觉感知上，该算法都表现出较好的性能。此外，由于结合了自适应机制，该算法对不同的图像内容和场景具有较强的适应性。 该研究为图像融合领域带来了一种新的解决方案，通过非下采样Contourlet变换的精细分析和模糊逻辑与PCNN的智能融合策略，有效地解决了传统方法中的问题，提高了图像融合的效果。这在图像处理、计算机视觉和多媒体应用等领域有着重要的理论和实际意义。