论文部分内容阅读
通过某种融合算法将不同的图像源或者是同一传感器上的两幅或者多幅图像融合成为一幅新的图像称之为图像融合。随着技术的发展,图像融合技术有着质的发展和提升,使得图像的融合效果得到了很大的改善。为了进一步改善图像的融合效果,本论文主要研究了基于非下采样Contourlet变换(Non-Subsampled Contourlet Transform, NSCT)与第三代人工神将网络模型中对交叉视觉皮质模型(Intersecting cortical model, ICM)进行改进相结合的方法对图像进行融合。论文的主要工作和创新如下：1.文章开始部分简要的对图像融合研究的背景、意义以及融合的方法进行了介绍。然后阐述了图像融中由小波变换到Contourlet变换,再到NSCT变换的历程,着重介绍了Contourlet变换和NSCT变换的理论。最后,文章对图像融合方法中的第三代人工神经网络模型之脉冲耦合神经网络模型(Pulse Coupled Neural Network, PCNN)和交叉视觉皮质模型作了详细的介绍。2.对传统的ICM模型作进一步的改进,改进的ICM模型中的参数不需要人工选取,实现了自适应选取,能够满足图像的实时处理。相对于Contourlet变换,NSCT变换具有平移不变性的特性,因此,本文选取NSCT变换作为图像的多尺度、多方向的分解工具,然后结合改进的ICM模型对图像进行融合。3.源图像经过NSCT变换分解后,对于低频部分本文采用改进的拉普拉斯和(Improved Sum-modified of Laplace, ISL)与改进的拉普拉斯能量并(Improved Sum-modified Energy of Laplace, ISE L)相结合的方法进行融合,对于高频部分本文采用与改进的ICM模型相结合的融合规则对图像进行融合。4.最后本文通过三类图像源即医学图像、红外线与可见光图像、多聚焦图像分别进行融合仿真实验,本论文通过主观定性和7个客观定量指标对图形的融合结果进行综合的评价。通过不同图像源以及多组的实验仿真,从实验结果中可以得出：本文提出的算法无论从主观性评价还是7个客观性评价指标均优于其它融合算法,本文不仅提高了融合图像的清晰度,而且较大程度保留了融合图像的细节信息,具有边缘信息突出,亮度对比度高的优点,取得了满意的融合效果。