發(fā)布時間：2018-01-05 00:32

  本文關鍵詞：一種改進含噪多聚焦圖像融合方法　出處：《光電子·激光》2017年11期 　論文類型：期刊論文

  更多相關文章： 多聚焦圖像 非下采樣Shearlet變換(NSST) 脈沖耦合神經(jīng)網(wǎng)絡(PCNN) 引導濾波 相位一致性

【摘要】：針對目前多聚焦圖像融合方法處理含噪圖像缺乏有效性而導致融合效果較差的問題,提出一種引導濾波結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(PCNN)的非下采樣Shearlet變換(NSST)域內(nèi)多聚焦圖像融合方法。首先,分別對待融合多聚焦圖像進行NSST獲取其相應高頻子帶和低頻子帶系數(shù);對高頻子帶系數(shù),通過引導濾波結(jié)合改進簡化PCNN模型設置融合規(guī)則;提取相位一致性、清晰度和亮度等底層視覺特性,指導低頻子帶系數(shù)融合權(quán)重;最后反NSST獲取最終融合結(jié)果。實驗結(jié)果表明,本文方法能夠在噪聲干擾情況下有效完成多聚焦融合,并且邊緣和紋理信息保持較好,當20標準差噪聲時互信息提升了近0.15具有有效性。
[Abstract]:In view of the problem that the current multi-focus image fusion method is not effective in processing noisy images, which leads to poor fusion effect. This paper presents a multi-focus image fusion method in the domain of non-downsampling Shearlet transform with guided filtering and pulse coupled neural network (PCNN). The fusion multi-focus images are treated with NSST to obtain the corresponding high-frequency subband and low-frequency subband coefficients. For the high frequency subband coefficient, the fusion rules of simplified PCNN model are improved by the combination of guided filtering and improved PCNN model. The low-level visual characteristics such as phase consistency, sharpness and brightness are extracted to guide the fusion weight of low frequency subband coefficients. Finally, the final fusion results are obtained by inverse NSST. Experimental results show that the proposed method can effectively achieve multi-focus fusion under noise interference, and the edge and texture information can be maintained well. When the noise is 20 standard deviation, the mutual information is improved by 0.15.
【作者單位】： 重慶工商大學機械工程學院制造裝備機構(gòu)設計與控制重慶市重點實驗室;中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所;農(nóng)業(yè)部規(guī)劃設計研究院;
【基金】：國家自然科學基金(31501229) 重慶市基礎科學與前沿技術(shù)研究(一般)項目(csct2015jcyjA40014) 重慶市教委基礎與前沿研究計劃(KJ1400628,KJ1500635)資助項目
【分類號】：TP183;TP391.41
【正文快照】： 1引言可見光成像系統(tǒng)通過調(diào)節(jié)光學鏡頭景深聚焦場景中的目標,無法同時清晰表達復雜場景的全部目標。多聚焦圖像融合算法利用原始圖像間的互補性,合并多幅原始圖像的聚焦區(qū)域得到清晰*E-mail:149495263@qq.com的融合圖像,能夠更加準確和全面的描述圖像中目標或場景,有效提高了

【相似文獻】

相關期刊論文 前10條

1 徐勝男,陳桂友,池海;基于離散小波框架變換的彩色多聚焦圖像融合算法[J];計算機應用;2005年03期

2 李振華,敬忠良,孫韶媛,劉剛;基于不可分離小波框架變換的多聚焦圖像融合算法[J];上海交通大學學報;2005年04期

3 熊先澤;張科;李言俊;;一種改進的多聚焦圖像融合算法[J];火力與指揮控制;2007年08期

4 洪日昌;吳秀清;王超;;基于顯著性保持的多聚焦圖像融合(英文)[J];中國科學技術(shù)大學學報;2008年10期

5 陳超;江濤;徐文學;;基于平均梯度的多聚焦圖像融合方法研究[J];山東建筑大學學報;2009年02期

6 鄧謙;熊邦書;吳開志;;基于小波幀變換的多聚焦圖像融合算法[J];南昌航空大學學報(自然科學版);2009年02期

7 江卓斌;胡斌杰;;彩色多聚焦圖像融合演示平臺[J];計算機工程與設計;2011年11期

8 任真X;魏維;;基于拼接思想的小波域多聚焦圖像融合[J];西安郵電學院學報;2012年02期

9 李凱;劉斌;;非下采樣三通道不可分小波的多聚焦圖像融合[J];計算機工程與應用;2012年17期

10 馬強;劉棟;;基于最小能量小波框架的多聚焦圖像融合算法[J];計算機與數(shù)字工程;2013年02期

相關會議論文 前3條

1 羅少鵬;盧洵;史建軍;;一種基于清晰度指標的多聚焦圖像融合評價方法[A];第九屆全國光電技術(shù)學術(shù)交流會論文集（上冊）[C];2010年

2 楊勇;鄭文娟;黃淑英;魏文明;劉心韻;;一種基于遺傳算法的自適應多聚焦圖像融合新方法[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

3 殷明;吳江敏;褚標;王志成;孔冉冉;;基于四元數(shù)小波變換的多聚焦圖像融合[A];第六屆全國幾何設計與計算學術(shù)會議論文集[C];2013年

相關博士學位論文 前4條

1 張永新;多聚焦圖像像素級融合算法研究[D];西北大學;2014年

2 孫巍;像素級多聚焦圖像融合算法研究[D];吉林大學;2008年

3 徐月美;多尺度變換的多聚焦圖像融合算法研究[D];中國礦業(yè)大學;2012年

4 李華鋒;多聚焦圖像像素級融合方法研究[D];重慶大學;2012年

相關碩士學位論文 前10條

1 龔偉;基于自相似和壓縮感知的多聚焦圖像融合[D];湘潭大學;2015年

2 成芳;基于壓縮感知的多光譜成像和多聚焦圖像融合方法研究[D];南華大學;2015年

3 張建華;基于分塊機制的多聚焦圖像融合算法的研究[D];東北大學;2014年

4 李小松;基于多尺度鄰域技術(shù)的多聚焦圖像融合研究[D];昆明理工大學;2016年

5 張瑞洲;多聚焦圖像融合中算法的研究[D];湘潭大學;2016年

6 楊明偉;多聚焦圖像融合方法研究[D];北方民族大學;2016年

7 鄭家寧;多聚焦圖像融合方法研究[D];重慶大學;2016年

8 王玲玲;基于信號分解和分類器的多聚焦圖像融合算法[D];吉林大學;2017年

9 溫馨;基于自適應區(qū)域和脈沖發(fā)放皮層模型結(jié)合的多聚焦圖像融合[D];河北大學;2017年

10 劉鑫坤;差異圖像驅(qū)動的多聚焦圖像融合性能提升研究[D];昆明理工大學;2017年

，

本文編號：1380825