[发明专利]一种基于忆阻脉冲耦合神经网络的多聚焦图像融合方法

权利要求书

1.一种基于忆阻脉冲耦合神经网络的多聚焦图像融合方法，其特征在于，包括以下步骤：

1)初始化操作：对自适应忆阻PCNN模型参数进行设定；

2)自适应连接系数的获取：给定两幅已经配准好的待融合的多聚焦图像P^γ，γ＝[1,2]，得到其对应的图像方向信息O(P^γ)、忆阻电路的输入电流；最终忆阻电路的输出即为与图像方向信息相关的连接系数β^γ；

3)图像分解：通过N阶L₀梯度最小化平滑滤波操作，将输入图像分解为两个部分：基本层和细节层；其中基本层包含大规模的图像强度变化，细节层包含源图像中的细节信息；

4)基本图像的融合：采用改进的拉普拉斯能量和检测图像像素的变化量，完成基本图像的融合，获得融合的基本图像F_b；

5)细节图像的融合，获得融合的细节图像F_dl；

6)图像重构：最终的融合图像由融合的基本图像F_b和融合的细节图像F_dl进一步组合而成。

2.根据权利要求1所述的一种基于忆阻脉冲耦合神经网络的多聚焦图像融合方法，其特征在于：步骤1)中设计了一个采用交叉阵列结构的忆阻电路，用于构建连接系数β可调的自适应PCNN模型：PCNN模型由三个部分组成：接收域、调制域以及脉冲发生器；

非线性调制域中增加了一个交叉阵列结构忆阻器电路以及一个可编程的电流源；作为忆阻器电路的输入信号，可变电流I取决于输入激励S_ti以及相应的映射函数f；设定输入激励S_ti与反馈输入信号F有关，且映射函数f根据PCNN的应用需求进行调整；最终忆阻电路的输出电压形式即为PCNN模型中的连接系数β；

自适应可调的连接系数β的实现中，忆阻器交叉阵列结构包含有m条水平纳米线以及n条垂直纳米线，每个忆阻器安置于交叉阵列的交叉点处；电流序列I_j，j＝[1,n]表示电路的输入，电流幅值取决于输入激励S_ti以及相应的映射函数f；

Ina_ij，Inb_ij以及Inc_ij均为电路的输入/输出端口，M(i,j)表示交叉阵列交叉点(i,j)处的忆阻器电荷控制模型，得到其对应的阻值表达式为：

其中R_L与R_H分别表示忆阻值的极小和极大值，ΔR＝R_H－R_L表示极大忆阻值与极小忆阻值的差值，辅助参数A和k均为固定常数，q表示流经忆阻器的电荷量；

此外，电路中R₁～R₁₄表示阻值不变的常规电阻，I(i,j)表示对应的输入电流，V₁～V₇表示电路中的节点电压，基于基尔霍夫电流定律，得到：

假设电阻R_n，n＝[3,10]均为相同的电阻，则节点电压V₁(i,j)计算为:

同时，假设电阻R₃的阻值远大于等式(3)中其他器件的阻值，则节点电压V₁(i,j)，V₂(i,j)以及V₃(i,j)的值表示为：

作为电路的输出，连接系数β表示为：

其中K表示幅度因子；

将等式(4)带入等式(5)中，得到：

基于等式(1)，将电阻R₁的值设置为极小忆阻值，即R₁＝R_L，等式(6)改写为：

其中调节因子κ＝KR₁₁R₁₄/R₁₂为一个固定常数；当辅助参数A的值趋于0时，连接系数β近似为一个常数，表示为β≈ΔR/κ。