基于小波变换和简化型PCNN的多聚焦图像融合研究.docxVIP

基于小波变换和简化型PCNN的多聚焦图像融合研究

一、研究背景与意义

在图像采集过程中，由于光学系统景深的限制，单次拍摄往往难以获得全域清晰的图像，多聚焦图像融合技术应运而生。该技术能够将同一场景下不同聚焦区域的图像融合成一幅全域清晰的图像，在机器视觉、遥感监测、医学成像等领域具有重要的应用价值。

当前，多聚焦图像融合方法众多，其中基于小波变换的方法凭借良好的时频局部化特性得到广泛应用，但在细节信息保留和融合规则设计上仍有提升空间；脉冲耦合神经网络（PCNN）具有模拟生物视觉系统的特性，适用于图像融合，然而传统PCNN结构复杂、参数设置繁琐，限制了其实际应用。因此，将小波变换与简化型PCNN相结合，有望充分发挥两者的优势，提高多聚焦图像融合的效果和效率。

二、相关技术介绍

（一）小波变换

小波变换是一种多分辨率分析工具，能够将图像分解为低频分量和高频分量。低频分量反映了图像的整体轮廓信息，高频分量则包含了图像的边缘、纹理等细节信息。通过对不同聚焦图像进行小波分解，可在不同频率域上对图像信息进行处理，为后续的融合操作奠定基础。

（二）简化型PCNN

简化型PCNN是在传统PCNN基础上简化而来，减少了神经元的连接和参数数量，降低了计算复杂度。其基本原理是利用神经元的脉冲发放特性，对图像的特征信息进行响应，通过设置合适的链接强度和阈值等参数，实现对图像区域重要性的判断，从而指导融合规则的制定。

三、多聚焦图像融合算法设计

（一）图像预处理

对输入的多聚焦图像进行配准，确保图像之间的空间位置精确对应，为后续的融合处理提供准确的基础。配准过程可采用基于特征点的匹配方法，如SIFT算法，提高配准的精度和鲁棒性。

（二）小波分解

对配准后的多聚焦图像分别进行小波变换，得到各自的低频子带和高频子带（水平、垂直、对角线方向）。小波分解的层数可根据图像的具体情况进行选择，一般而言，层数越多，对图像细节的刻画越精细，但计算量也会相应增加。

（三）基于简化型PCNN的融合规则

低频子带融合：低频子带包含图像的主要能量和轮廓信息，采用基于区域能量的简化型PCNN融合规则。计算低频子带中每个像素的区域能量，将其作为简化型PCNN神经元的输入，通过神经元的脉冲发放情况确定该像素在融合图像低频子带中的取值，以保留图像的整体信息。

高频子带融合：高频子带反映了图像的细节信息，采用基于梯度的简化型PCNN融合规则。计算高频子带中每个像素的梯度值，将其输入到简化型PCNN中，根据神经元的响应结果选择梯度值较大的像素作为融合图像高频子带的像素值，以突出图像的边缘和纹理等细节。

（四）小波逆变换

将融合后的低频子带和高频子带进行小波逆变换，得到最终的融合图像。

四、实验结果与分析

（一）实验数据

选取多组不同场景的多聚焦图像作为实验数据，包括室内场景、室外自然场景和工业部件图像等，以全面验证算法的性能。

（二）评价指标

采用客观评价指标对融合结果进行评估，主要包括信息熵（IE）、互信息（MI）、标准差（SD）和空间频率（SF）。信息熵反映了融合图像包含的信息量，值越大越好；互信息衡量了融合图像与源图像之间的信息传递量，值越大说明融合效果越好；标准差体现了图像的灰度变化范围，值越大图像细节越丰富；空间频率反映了图像的清晰度，值越大图像越清晰。

（三）实验结果对比

将本文提出的算法与基于小波变换的传统融合算法、基于PCNN的融合算法进行对比实验。实验结果表明，本文算法在信息熵、互信息、标准差和空间频率等指标上均优于对比算法。例如，在某组室内场景多聚焦图像的融合中，本文算法的信息熵比基于小波变换的传统算法提高了约5%，比基于PCNN的融合算法提高了约3%；空间频率比传统小波算法提高了约8%，比基于PCNN的算法提高了约4%。

从视觉效果来看，本文算法融合后的图像能够更好地保留源图像的清晰区域信息，边缘和纹理细节更加突出，整体视觉效果更优。

五、结论与展望

（一）结论

本文提出的基于小波变换和简化型PCNN的多聚焦图像融合算法，通过合理的小波分解和基于简化型PCNN的融合规则，有效结合了小波变换在多分辨率分析和简化型PCNN在特征响应方面的优势。实验结果表明，该算法能够得到信息量更丰富、细节更清晰的融合图像，优于传统的小波变换融合算法和基于PCNN的融合算法。

（二）展望

未来的研究可以从以下几个方面进行改进和拓展：一是进一步优化简化型PCNN的参数自适应设置方法，提高算法的自适应性和鲁棒性；二是探索将该算法应用于彩色多聚焦图像融合以及其他类型的图像融合任务，如红外与可见光图像融合等；三是结合深度学习技术，提升算法对复杂场景图像的融合效果。