基于对比度自适应PCNN图像融合_.docVIP

基于对比度的自适应PCNN图像融合* 苗启广 王宝树 (西安电子科技大学计算机学院，西安，710071） 摘要：提出了一种结合人眼视觉特性自适应PCNN图像融合新方法使用图像逐像素的对比度做为PCNN对应神经元的链接强度，经过PCNN点火获得参与融合图像的点火映射图，再通过判决选择算子，选择各参与融合图像中的明显特征部分生成融合图像。该方法除几个主要参数外，其它参数如阈值调整常量等对于融合结果影响很小 解决了PCNN用于图像处理时参数多且调整困难的问题。实验结果表明，融合效果优于经典的小波变换方法和Laplacian塔型方法。 关键词: 图像融合, 脉冲耦合神经网络, 人眼视觉系统, 对比度, 链接强度, 点火映射图 中图法分类号：TN911.73; TP183 1 引言 采用符合人眼视觉特性的处理方法，其处理结果应该与人眼的主观视觉效果比较一致，故模拟人眼视觉处理图像的过程，应该是最标准的图像处理方法之一。脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是由Eckhorn为解释在猫的大脑视觉皮层中实验所观察到的与特征有关的神经元同步行为现象而提出的[1-4]有着重要的生物学背景是一种不同于传统人工神经网络的新型神经网络。PCNN的这个生物学背景使它在图像处理中具有先天的优势，有着与传统方法进行图像处理所无法比拟的优越性。PCNN可应用于图像去噪[5,6]、图像边缘检测[6]、图像分割[6-8]、图像增强[8,9]、图像阴影去除[10]和图像识别[11]等方面。在图像融合，文献[11]中，先采用PCNN进行图像分割，然后使用得到的特征目标和原始图像进行融合，融合图像中的待检测目标得到增强，提高了后续的目标识别率；文献[12]中使用神经元的点火次数来表示融合图像的灰度，采用主辅PCNN并行网络结构的方式，该方法需要、参数调整，要求图像目标区域较亮，且有一定的主次关系，适用面比较窄；文献[13]中，采用先将图像进行对比度金字塔分解，而后使用PCNN对逐层的对比度进行选择，最后重构实现对图像的融合，使用了图像的全局特征，效果较好，但是，PCNN本身计算，该方法逐层都使用PCNN，导致其计算复杂度大。由于PCNN使用时需要调整的参数较多，且互相影响较大，在图像融合中应用时不太方便。本文根据人眼视觉系统特性和图像的对比度特点，提出了一种自适应链接强度PCNN图像融合新方法。 2 算法基本原理 2.1 PCNN基本原理和简化模型 图1 PCNN的神经元结构模型PCNN是由若干个PCNN的神经元互连所构成的反馈型网络，其每一神经元由3部分组成：分支树，调制耦合器和脉冲产生器，如图1所示[14]。用PCNN进行二维图像处理时，每个像素的灰度值做为每个神经元的输入。由图1神经元所构成的网络，由于存在大量非线性和漏电容积分等因素，使得对网络的数学分析困难，而且诸多网络参数难于确定。假设各神经元的馈送输入只接受外部刺激输入信号，则图1的神经元模型简化为如图2所示的Kuntimad等给出的简化模型[5]。采用文[7]中的改进方法，将硬限幅函数改为与阈值函数有关的阶梯函数为： （） 这样，当阈值函数输出随时间n线性衰减时，PCNN输出在不同时刻产生对应该时刻阈值强度的点火图。就可以使用神经元的输出阈值来近似表示神经元的点火时间。将PCNN中每个神经元的输出阈值映射到对应图像的灰度范围内，就是一幅点火映射图。与直接采用神经元点火次数来表示图像灰度相比，较大地减少了计算量，效率较高。 2.2 自适应PCNN融合算法 2.2.人眼视觉特性分析与自适应链接强度的确定 在人眼视觉系统中，每个神经元的链接强度，应该与细胞周围微环境的血糖情况、电解质情况、缺氧情况、细胞的年龄、细胞的温度、细胞所处的位置有一定的关系，这些问题相同链接强度的PCNN应用中均未考虑。 一般地，图像对比度C定义为： (2) 式()中，表示图像局部亮度（即局部灰度），表示图像的局部背景亮度（相当于局部低频分量），则相当于局部高频分量。人眼的视觉系统，对于图像的对比度变化十分敏感，而且，根据生理学研究成果，对于黑白图像，人眼视觉系统实际上是对图像的局部对比度敏感[15]，局部对比度的变化反映了图像内各个对象的差异。同时，对比度的定义包含了图像的高频信息及其相对于背景的强度。鉴于此，采用基于对比度的判据可以获得更加符合生理视觉的效果。在文献[13,15~17]中，都使用了对比度作为进行图像融合的判断依据，获得了较好的融合效果。 视觉处理对于特征明显的区域的反应比特征不明显的区域反应强烈，这是人眼视觉处理的方式。PCNN中链接强度也应与图像该像素处的特征有一定的关系。由对