[发明专利]一种基于PCNN与LP变换的多聚焦图像融合方法

说明书

本发明公开了基于脉冲耦合神经网络(PCNN)与拉普拉斯金字塔变换(LP)，提出了一种有效的多聚焦图像融合算法。首先，利用LP对图像进行塔形结构的多尺度分解，并利用PCNN对每一尺度的分解图像进行处理，以获取描述特征聚类的神经元点火频率图。然后，基于点火频率图的局部空间频率(LSF)，实现了图像在每一LP分解尺度上的融合。最后通过LP分解的重构算法实现了对多聚焦图像的融合。实验结果表明，本发明方法得到的多聚焦图像融合结果在主观视觉效果和客观评价指标上均优于多种传统融合算法，体现了良好的性能。

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于PCNN与LP变换的多聚焦图像融合方法。

背景技术

多聚焦图像融合是指将两幅及以上的背景相同但聚焦部位不同的源图像，按特定算法融合为一幅新图像。其广泛应用于计算机视觉、目标识别、机器人以及军事等领域。

传统的像素级多分辨图像融合方法，包括基于拉普拉斯金字塔、比率低通金字塔、梯度金字塔和小波变换等融合方法，它们在对源图像进行多尺度分解和系数选取时，由于大都孤立地处理各像素，从而割裂了像素间的联系。从图像计算的角度上分析图像中的高频分量没有得到优化，即不论用什么方法对图像进行融合高频分量都有所损失。而由于人眼视觉系统主要是对图像的高频分量比较敏感，并且高频部分也主要体现了图像的细节信息。图像的区域空间频率可以很好的反映图像的细节信息量以及高频分量。如果在图像融合过程当中可以加入局部空间频率算法，那么对于细节信息的保留必定是一大提高。

PCNN是上个世纪九十年代发展起来的一种新型神经网络。1990年Eckhorn通过对猫大脑视觉皮层中的同步脉冲发放现象研究，提出了展示这种同步脉冲发放现象的连接模型。1993年Johnson以Eckhorn的连接模型为基础，提出了PCNN。PCNN与其它的神经网络相比有其先天的优势——它是以生物大脑视觉皮层中同步脉冲发放现象为背景提出的。所以，某种意义上说，这种方法与人大脑数据处理方式更为贴近，传统的图像融合只考虑了像素点的空间特性，而利用脉冲耦合神经网络进行图像融合，由于网络自身不但与像素点的空间位置有关，而且具有融合的时间层次性。

本发明基于PCNN模型与拉普拉斯金字塔的图像多尺度分解算法，并结合图像区域空间频率提出了一种有效的融合图像方法。采用拉普拉斯金字塔变换算法对图像进行塔形结构的多尺度分解，并利用PCNN对每一分解尺度的数据进行特征聚类以生成对应的点火频率矩阵。由于区域空间频率可以反应的是图像的局部，因此本发明采用基于局部空间频率的图像融合方法有较强的抗噪能力，可以很好的反映图像中的细节信息。

发明内容

本发明要解决的技术问题是提供一种基于PCNN与LP变换的多聚焦图像融合方法，使融合的图像有效地消除多聚焦对图像局部清晰度的影响，最终体现较好的融合质量。

为了解决上述技术问题，本发明提供如下技术方案：

一种基于PCNN与LP变换的多聚焦图像融合方法，具体步骤为：

步骤一、对已经配准好的源图像A和B分别进行N级的LP分解，以获取各自的塔形分解图像R_A1，R_A2，…R_AN和R_B1，R_B2，…R_BN；

步骤二、让R_A1，R_A2，…R_AN和R_B1，R_B2，…R_BN通过PCNN模型分别计算它们的神经元点火频率矩阵F_A1，F_A2，…F_AN和F_B1，F_B2，…F_BN；