圖像融合技術是將兩幅或多幅圖像融合為一幅包含更多清晰、有效信息的圖像的過程。由于焦距的限制,同一成像設備不能呈現完全清晰的全景圖像。因此,多聚焦圖像融合可以將對同一場景不同聚焦點的多幅圖像進行融合以獲得一張包含所有場景信息的全聚焦圖像。多聚焦圖像融合主要有三種策略:像素級融合、特征級融合和決策級融合。像素級圖像融合方法是目前應用較為廣泛的一類融合方法,主要分為空間域和變換域兩種。基于變換域的圖像融合方法通過多尺度變換對源圖像進行多尺度分解,然后對不同尺度上的圖像系數采用不同的融合規(guī)則進行融合。但是,此類方法常會造成圖像的變形扭曲現象�；诳臻g域的多聚焦圖像融合算法比較簡單易操作,但此類方法可能會產生塊效應。隨著人工神經網絡的快速發(fā)展,基于人工神經網絡的圖像融合算法逐漸獲得各國學者廣泛的認同。本文針對現有算法的不足,利于多尺度分析和人工神經網絡的優(yōu)點,提出了基于脈沖發(fā)放皮層模型（Spiking cortical model,SCM）和殘差網絡（Residual Network,ResNet）的非下采樣剪切波變換（Non-subsampled shearlet transform,NSST... 

【文章來源】：河北大學河北省

【文章頁數】：82 頁

【學位級別】：碩士

【部分圖文】：

圖像融合層次結構圖

河北大學碩士學位論文8符號表iCk示，圖像的最佳清晰度指標值用符號max選齲具體實現流程圖如圖2-1所示。圖2-1基于分塊的多聚焦圖像融合算法流程圖常用測量圖像清晰度的指標包括：局部拉普拉斯能量和、空間頻率和邊緣特征�；趫D像分塊的圖像融合方法操作簡單、計算效率高，可以較好區(qū)分原始圖像區(qū)域特征[37,38]。但此種方法分塊大小難以確定，分塊太小導致圖像塊特征不能很好地表示所選區(qū)域的整體特征，會使融合圖像在子塊交界處產生塊效應。分塊過大會使圖像子塊區(qū)域存在清楚或模糊的圖像塊，使子塊不能很好地表示為清楚或模糊子塊，影響融合結果。2.1.3基于脈沖耦合神經網絡的圖像融合算法PCNN是根據動物大腦皮層神經網絡對刺激的脈沖發(fā)放現象提出的一種新型神經網絡結構。由于神經元的脈沖耦合性和全局同步性，使融合后的圖像與原始圖像差別不大，因此可以很好地應用于圖像融合領域。PCNN是由若干個神經元連接組成的反饋型網絡，每個神經元都由3部分組成：接收域、調制域和脈沖發(fā)生域，如圖2-2所示。圖2-2PCNN網絡結構模型由圖2-2可知：神經元的個數為圖像中像素個數，二者是對應關系。PCNN的表示公式為：

河北大學碩士學位論文8符號表iCk示，圖像的最佳清晰度指標值用符號max選齲具體實現流程圖如圖2-1所示。圖2-1基于分塊的多聚焦圖像融合算法流程圖常用測量圖像清晰度的指標包括：局部拉普拉斯能量和、空間頻率和邊緣特征�；趫D像分塊的圖像融合方法操作簡單、計算效率高，可以較好區(qū)分原始圖像區(qū)域特征[37,38]。但此種方法分塊大小難以確定，分塊太小導致圖像塊特征不能很好地表示所選區(qū)域的整體特征，會使融合圖像在子塊交界處產生塊效應。分塊過大會使圖像子塊區(qū)域存在清楚或模糊的圖像塊，使子塊不能很好地表示為清楚或模糊子塊，影響融合結果。2.1.3基于脈沖耦合神經網絡的圖像融合算法PCNN是根據動物大腦皮層神經網絡對刺激的脈沖發(fā)放現象提出的一種新型神經網絡結構。由于神經元的脈沖耦合性和全局同步性，使融合后的圖像與原始圖像差別不大，因此可以很好地應用于圖像融合領域。PCNN是由若干個神經元連接組成的反饋型網絡，每個神經元都由3部分組成：接收域、調制域和脈沖發(fā)生域，如圖2-2所示。圖2-2PCNN網絡結構模型由圖2-2可知：神經元的個數為圖像中像素個數，二者是對應關系。PCNN的表示公式為：

【參考文獻】：
期刊論文
[1]基于NSST與自適應PCNN的多聚焦圖像融合方法[J]. 楊利素,王雷,郭全.  計算機科學. 2018(12)
[2]基于雙樹復小波變換的自適應PCNN圖像融合算法[J]. 杜進楷,陳世國.  紅外技術. 2018(10)
[3]基于SML和PCNN的NSCT域多聚焦圖像融合[J]. 謝秋瑩,易本順,柯祖福,李衛(wèi)中.  計算機科學. 2017(06)
[4]基于NSST域的自適應區(qū)域和SCM相結合的多聚焦圖像融合[J]. 趙杰,溫馨,劉帥奇,張宇.  計算機科學. 2017(03)
[5]基于區(qū)域特征的SCM多聚焦圖像融合算法[J]. 畢曉君,刁鵬飛,陳春雨.  中南大學學報(自然科學版). 2016(11)
[6]免疫粒子群優(yōu)化算法在多聚焦圖像融合中的應用[J]. 楊粵濤,曹峰,高偉林,張鋒.  電子技術與軟件工程. 2016(13)
[7]基于拉普拉斯金字塔與PCNN-SML的圖像融合算法[J]. 王佺,聶仁燦,金鑫,周冬明,賀康建,余介夫.  計算機科學. 2016(S1)
[8]Image separation using wavelet-complex shearlet dictionary[J]. Shuaiqi Liu,Shaohai Hu,Yang Xiao.  Journal of Systems Engineering and Electronics. 2014(02)
[9]基于Shearlet變換的自適應圖像融合算法[J]. 石智,張卓,岳彥剛.  光子學報. 2013(01)
[10]改進拉普拉斯能量和的尖銳頻率局部化Contourlet域多聚焦圖像融合方法[J]. 屈小波,閆敬文,楊貴德.  光學精密工程. 2009(05)

博士論文
[1]基于多尺度變換和稀疏表示的多源圖像融合算法研究[D]. 張寶華.上海大學 2016
[2]像素級多源圖像融合方法研究[D]. 劉羽.中國科學技術大學 2016
[3]基于多尺度幾何變換的遙感圖像處理算法研究[D]. 劉帥奇.北京交通大學 2013
[4]基于多分辨率分析的多傳感器圖像融合算法研究[D]. 孫巖.哈爾濱工程大學 2012

碩士論文
[1]基于非下采樣剪切波變換的圖像融合方法研究與應用[D]. 孫裕超.北京交通大學 2016
[2]多聚焦圖像融合研究[D]. 向昌成.電子科技大學 2010



本文編號：3349050