基于NSCT+PCNN的多传感器图像融合算法.docVIP

基于NSCT-PCNN变换的多传感器图像融合 摘要：针对同源和异源的多传感器图像的特征，本文提出了一种基于非下采样Contourlet变换（NSCT）和脉冲耦合神经网络（PCNN）的新的图像融合算法。首先，用NSCT对已配准的源图像进行分解，从而准确地提取出了二维和更高维的边缘纹理信息；其次，对低频子带系数采用区域子带整合规则以得到融合图像的低频子带系数，而对高频子带系数提出了一种改进的基于PCNN 的图像融合方法来确定融合图像的各带通子带系数；最后通过对所有子带系数进行NSCT 逆变换，从而得到了融合图像。实验结果表明，本文方法优于Mallat小波方法和传统的 NSCT 方法，有更好的视觉效果。 关键词：图像融合；非下采样Contourlet变换；脉冲耦合神经网络 中图分类号：TN 文献标志码：A 文章编号： Multi-Sensor Image Fusion based on NSCT-PCNN Transform Abstract：With the character of homologous and heterologous muti-sensor images,a novel image fusion algorithm by NSCT-PCNN transform was proposed.Above all,the registered input images are decomposed by nonsubsampled contourlet transform(NSCT) and the edge textures of two-dimension or high dimension are accurately extracted. Then the improved pulse coupled neural network(PCNN) is applied to high frequent subband coefficients integration, while the regional variance integration rules are for the low-pass subband part. Finally,the fusion image is achieved by inverse NSCT on the above-mentioned subband coefficients.The simulation experiments show that compared with the result of Mallat wavelet transform and Contourlet transform algorithm,that of the proposed method have the better visual effect. Key words: image fusion; nonsubsampled contourlet transform(NSCT);pulse coupled neural networks(PCNN) 1．引言 图像融合是信息融合的一个重要分支。图像融合可以将来自不同传感器的同一图像或者来自同一传感器多次接收的图像，通过一定的规则整合成新的图像【1】。相比源图像，融合后的图像信息量更大，细节更丰富，轮廓更清晰而且包含了更多的冗余信息，因此更加准确地描述了目标图像。近年来，图像融合已经广泛应用于智能交通运输、医疗诊断和军事目标识别系统等各个不同的领域。 根据融合的不同阶段，图像融合可以分为三个层面：像素级融合、特征级融合和决策级融合【2】。就现阶段而言，更多的研究还只停留在像素级融合，其中最有代表性的方法就是基于多分辨率分析的拉普拉斯金字塔分解算法和Mallat小波变换算法等【3】。相比传统的拉普拉斯分解算法，Mallat小波变换可以对图像进行多层分解和水平、竖直、对角线三分向分解，具有多分辨率和多方向性。但是小波变换对具有线状奇异的函数小波系数则不能稀疏地表示，因而不能充分表示图像本身的几何特性。为了解决小波变换的不足，A.L.Cunha等人在2006年提出了非下采样Contourlet变换（Nonsubsampled Contourlet Transform，NSCT）[4]。相比小波变换，NSCT变换省去了采样环节，因此具有平移不变性，而且可以更好地反映图像的纹理信息。 综合分析非下采样Contourlet变换的特点和脉冲耦合神经网络模型，提出了一种基于非下采样Contourlet变换（Nonsubsampled Contourlet Transform，NSCT）和脉冲耦合神经网络（Pulse Coupled N