论文部分内容阅读
多聚焦图像融合是图像融合中的一个重要研究领域。它把两幅及以上的背景相同但聚焦部位不同的源图像,按某种算法融合为一幅新图像。目前,随着研究的深入,学者们提出了许多图像融合的方法,例如传统的主分量分析算法、金字塔变换法和小波变换法等。但从融合的性能来看,多聚焦图像融合依旧存在着改进的可能性。脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是一种基于生物背景的神经网络。作为第三代人工神经网络,在图像处理领域,有着非常广泛的应用,主要用于图像去噪、图像分割、图像增强等。在图像融合领域,PCNN模型也有较好的适用性。图像的分块融合法是指将输入的源图像进行分块,分割成大小相等的若干小的图像块,对每一个图像块,采用某种算子作为图像块的清晰度指标,来计算各个图像块的清晰度,以此作为图像融合的依据。本文对PCNN模型做了较为详细的介绍,将这一模型的基本原理及实现方法进行了充分的阐述,并对这一模型在图像处理方面的应用进行了详细的论述,然后对图像分块融合法做了介绍,最后将PCNN模型结合图像分块融合法应用到多聚焦图像融合中。本文的研究工作主要有以下几个方面：一、综述了脉冲耦合神经网络的模型结构、工作原理和特性,以及简化型PCNN模型和改进型PCNN模型,并对PCNN模型在图像处理方面的应用进行了介绍。二、对图像融合的基本概念做了简单的介绍,介绍了多聚焦图像融合以及常见的多聚焦图像融合算法,并对图像融合的主客观评价指标进行了阐述。三、通过对图像进行块分割然后计算各块清晰度的这一思路,本文提出了一种基于简化型PCNN和采用梯度能量作为清晰度度量标准的图像分块融合法的多聚焦图像融合算法。实验结果表明,通过与常见的融合算法作比较,无论从主观还是客观评价角度来看,发现本文的方法都表现出较好的融合性能。四、由于PCNN模型的参数较多,本文提出了一种基于改进型PCNN和采用空间频率作为清晰度度量标准的图像分块融合法的多聚焦图像融合算法。通过仿真实验,与目前常见的融合算法相比较,发现本文提出算法的融合质量从主客观两方面来看均较为不错。