紅外圖像是基于熱輻射特性成像,在光線不足或惡劣天氣條件下仍能捕獲到目標(biāo),但是對場景的細(xì)節(jié)及紋理信息表現(xiàn)較差;而可見光圖像是基于反射特性成像,包含更多細(xì)節(jié)和紋理信息,分辨率較高,但是在低光照或者被遮擋的情況下,捕捉不到目標(biāo)信息。因此,將紅外圖像和可見光圖像進行融合,有利于綜合目標(biāo)信息和豐富的場景信息,為今后的目標(biāo)檢測和識別提供有效依據(jù)。紅外與可見光圖像融合廣泛地應(yīng)用在目標(biāo)探測、安防監(jiān)控、自動目標(biāo)識別、遙感和資源探測等領(lǐng)域并發(fā)揮著重要的作用。脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled Neural Network,PCNN）具有同步脈沖和全局耦合的特性,目前被廣泛應(yīng)用在圖像融合領(lǐng)域。針對目前紅外圖像與可見光圖像融合算法中存在的問題,提出了兩種基于PCNN的紅外與可見光圖像融合算法:（1）針對傳統(tǒng)的基于多尺度變換的圖像融合存在對比度不高、邊緣細(xì)節(jié)等信息保留不理想的問題,提出了一種基于非下采樣Contourlet變換域內(nèi)結(jié)合自適應(yīng)模糊邏輯和自適應(yīng)PCNN的融合算法。首先,采用非下采樣Contourlet變換圖像進行多尺度分解得到低頻子帶系數(shù)和高頻子帶系數(shù);其次,為了充分獲取低頻子帶中的輪廓信... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容及章節(jié)安排
2 紅外與可見光圖像融合概述
    2.1 紅外與可見光圖像融合
    2.2 紅外與可見光圖像融合方法
        2.2.1 基于空間域的圖像融合方法
        2.2.2 基于多尺度變換的圖像融合方法
        2.2.3 其他圖像融合方法
    2.3 紅外與可見光圖像融合的評價方法
        2.3.1 主觀評價
        2.3.2 客觀評價
    2.4 本章小結(jié)
3 基于PCNN的紅外與可見光圖像融合
    3.1 脈沖耦合神經(jīng)網(wǎng)絡(luò)
    3.2 PCNN神經(jīng)元模型
        3.2.1 接受域
        3.2.2 調(diào)制域
        3.2.3 脈沖發(fā)生部分
    3.3 PCNN簡化模型
    3.4 基于PCNN的紅外與可見光圖像融合算法
    3.5 本章小結(jié)
4 基于NSCT域內(nèi)結(jié)合模糊邏輯和自適應(yīng)PCNN的圖像融合算法
    4.1 引言
    4.2 NSCT原理
        4.2.1 非下采樣金字塔分解
        4.2.2 非下采樣方向濾波器組
    4.3 模糊邏輯原理
    4.4 圖像融合算法設(shè)計
        4.4.1 圖像融合算法步驟
        4.4.2 圖像融合規(guī)則設(shè)計
    4.5 實驗結(jié)果與分析
        4.5.1 實驗參數(shù)設(shè)置
        4.5.2 實驗結(jié)果和分析
    4.6 本章小結(jié)
5 基于RGF和改進自適應(yīng)Unit-Linking PCNN的紅外與可見光圖像融合算法.
    5.1 引言
    5.2 相關(guān)理論
        5.2.1 RGF原理
        5.2.2 Unit-Linking PCNN模型
    5.3 改進Unit-Linking PCNN
    5.4 圖像融合算法設(shè)計
        5.4.1 圖像融合算法步驟
        5.4.2 圖像融合規(guī)則設(shè)計
    5.5 實驗結(jié)果與分析
        5.5.1 參數(shù)設(shè)置
        5.5.2 實驗客觀指標(biāo)分析
    5.6 本章小結(jié)
6 基于PCNN的紅外與可見光圖像融合系統(tǒng)
    6.1 引言
    6.2 系統(tǒng)設(shè)計思路
    6.3 系統(tǒng)實現(xiàn)
        6.3.1 系統(tǒng)運行環(huán)境
        6.3.2 系統(tǒng)運行配置
        6.3.3 系統(tǒng)運行界面
    6.4 本章小結(jié)
結(jié)論
致謝
參考文獻
攻讀學(xué)位期間的研究成果


【參考文獻】：
期刊論文
[1]基于超分辨率和組稀疏表示的多聚焦圖像融合[J]. 馮鑫,胡開群,袁毅,張建華,翟治芬.  光子學(xué)報. 2019(07)
[2]基于多尺度方向引導(dǎo)濾波和卷積稀疏表示的紅外與可見光圖像融合[J]. 劉先紅,陳志斌.  光學(xué)學(xué)報. 2017(11)
[3]基于NSST和模糊隸屬度的紅外圖像增強算法[J]. 譚海佩,鞏青歌,劉曼,羅杰.  激光雜志. 2017(07)
[4]NSST域模糊邏輯的紅外與可見光圖像融合[J]. 葛雯,姬鵬沖,趙天臣.  激光技術(shù). 2016(06)
[5]基于多尺度變換的PCNN和FOA圖像融合[J]. 李美麗.  光電子·激光. 2016(07)
[6]NSCT域內(nèi)結(jié)合邊緣特征和自適應(yīng)PCNN的紅外與可見光圖像融合[J]. 閆利,向天燭.  電子學(xué)報. 2016(04)
[7]Curvelet域自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合方法[J]. 王昊鵬,劉澤乾,方興,張會勇,王晶橫.  光電子·激光. 2016(04)
[8]粒子群進化學(xué)習(xí)自適應(yīng)雙通道脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像融合方法研究[J]. 李奕,吳小俊.  電子學(xué)報. 2014(02)
[9]基于邊緣特征的多傳感器圖像融合算法[J]. 童濤,楊桄,孟強強,孫嘉成,葉怡,陳曉榕.  紅外與激光工程. 2014(01)
[10]NSCT域內(nèi)基于改進PCNN和區(qū)域能量的多光譜和全色圖像融合方法[J]. 李新娥,任建岳,呂增明,沙巍,張立國,何斌.  紅外與激光工程. 2013(11)

博士論文
[1]微光與紅外圖像實時融合關(guān)鍵技術(shù)研究[D]. 田思.南京理工大學(xué) 2010

碩士論文
[1]基于模糊邏輯的紅外與可見光圖像融合技術(shù)[D]. 黃曉青.重慶大學(xué) 2012
[2]基于顏色傳感器自動滴定分析技術(shù)研究[D]. 楊凌.南京理工大學(xué) 2012
[3]基于模糊數(shù)學(xué)理論的數(shù)字圖像處理[D]. 吳振華.長沙理工大學(xué) 2010
[4]紅外與可見光圖像融合技術(shù)研究[D]. 劉寶源.華中科技大學(xué) 2009



本文編號：3729344