[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

说明书

本发明公开了一种基于忆阻脉冲耦合神经网络的多聚焦图像融合方法。现有脉冲耦合神经网络(Pulse coupled neural network，PCNN)中，连接系数的自适应改变方法完全基于计算机模拟仿真，可能导致PCNN模型在运行过程中时效性较低；同时，参数(连接系数)的自适应变化方程完全由人为设定，无法保证在实际的操作过程中参数自适应变化的可行性。本发明方法首先设计了一种基于忆阻交叉阵列紧密的电路结构的自适应忆阻PCNN模型；然后设计了一个灵活、通用的映射函数(Mapping function)；再将该自适应忆阻PCNN模型应用于多聚焦图像融合中，通过进一步改进其网络结构(单通道→多通道)，得到较好的多聚焦图像融合结果。该方法不仅为众多参数控制的神经网络模型中固有的参数估计问题提供了全新的解决思路，并且有利于促进神经网络硬件化实现。

技术领域

本发明属于多聚焦图像融合技术领域，特别涉及一种基于全新的忆阻交叉阵列结构(包含必要的外围电路)的多图聚焦融合方法。

背景技术

脉冲耦合神经网络(Pulse coupled neural network，PCNN)是由Eckhorn于1990年基于对猫的大脑视觉皮层实验观察得到的简化神经网络模型。PCNN具备众多独特的网络特性，例如：脉冲耦合特性、同步脉冲发放特性、非线性调制特性、阈值动态变化特性等，同时PCNN本身不需要训练就能从复杂的背景下提取有效的数据和信息，且其信号的具体形式和处理机制更符合人类视觉系统(Human Vision System，HVS)的生理学基础。因此，PCNN也被誉为第三代人工神经网络，被广泛应用于数字图像处理领域，完成诸如图像去噪、目标与边缘检测、图像分割、图像增强、图像融合等特定的数字图像处理任务。

PCNN是一种典型的基于参数控制的神经网络系统，其中网络参数估计问题被认为是影响PCNN网络性能最关键的因素之一。为了解决PCNN固有的网络参数估计问题，构建网络参数可变的自适应PCNN模型是一个行之有效的方案。但是，目前的PCNN模型，连接系数的自适应改变方法完全基于计算机模拟仿真，可能导致PCNN模型在运行过程中时效性较低。同时，参数(连接系数)的自适应变化方程完全由人为设定，无法保证在实际的操作过程中参数自适应变化的可行性。

发明内容

本发明的目的在于提供一种基于忆阻脉冲耦合神经网络的多聚焦图像融合方法，通过设计一种基于忆阻的自适应PCNN通用模型，将该自适应忆阻PCNN模型应用于多聚焦图像融合中，通过进一步改进其网络结构(单通道→多通道)，并且设计合理的映射函数，得到较好的多聚焦图像融合结果。本发明通过硬件电路实现自适应PCNN模型能够有效地解决背景技术中的问题，忆阻器的提出为自适应PCNN模型的硬件实现提供了一个全新的思路。

为了实现上述目的，本发明采用如下技术方案：

一种基于忆阻脉冲耦合神经网络的多聚焦图像融合方法，包括以下步骤：

1)初始化操作：主要为参数设定，包括对自适应忆阻PCNN模型参数的设定；

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(N-scale L₀ gradientminimization smoothing filtering)操作，将输入图像分解为两个部分，即基本层(Baselayer)和细节层(Detail layer)。其中基本层主要包含大规模的图像强度变化，细节层主要包含源图像中的细节信息，比如边缘信息、纹理信息等等；