發(fā)布時間：2024-01-23 20:05

　　近年來,圖像融合在軍事和民事等領域都有著廣泛的應用。圖像融合是研究如何對多幅源圖像進行特征提取和信息綜合,得到質量更好信息更為豐富的圖像�；谧儞Q域的像素級融合算法的融合效果較好,是目前研究的熱點,多尺度分析工具的選擇和融合規(guī)則的選取是其中的要素。非下采樣輪廓波變換(Nonsubsampled Contourlet Transform,NSCT)是多尺度變換的一種,它擁有豐富的方向性、各向異性以及平移不變性等的優(yōu)點,在圖像融合中更加適用。脈沖耦合神經(jīng)網(wǎng)絡(Pulse Coupled Neural Networks,PCNN)為一類反饋神經(jīng)網(wǎng)絡模型,具有全局耦合和脈沖同步等特征,作為融合規(guī)則與NSCT進行結合能夠得到質量較高的融合圖像。但是傳統(tǒng)的PCNN應用于圖像融合時,通常直接利用像素灰度值當作神經(jīng)元的外部激勵,不能很好地保留源圖像的細節(jié),易出現(xiàn)對比度降低和細節(jié)損失的現(xiàn)象。因此本文將NSCT與PCNN進行結合,提出了一種新的圖像融合方法。對于NSCT分解的子帶系數(shù),利用簡化的PCNN模型,采用改進的空間頻率作為其外部激勵,根據(jù)點火的時間映射選擇系數(shù)實現(xiàn)融合。用多組不同類型的測試圖像進行...

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
字符索引
第一章 緒論
    1.1 課題來源
    1.2 研究背景及意義
    1.3 國內外研究現(xiàn)狀
    1.4 論文的主要內容與章節(jié)安排
第二章 NSCT和 PCNN基本理論
    2.1 小波變換
        2.1.1 連續(xù)和離散小波變換
        2.1.2 多分辨分析
        2.1.3 Mallat算法
        2.1.4 基于小波變換的圖像融合
    2.2 輪廓波變換
        2.2.1 拉普拉斯金字塔
        2.2.2 方向濾波器組
        2.2.3 Contourlet變換存在的問題
    2.3 非下采樣輪廓波變換
        2.3.1 非下采樣拉普拉斯金字塔(NSP)變換
        2.3.2 非下采樣方向濾波器組(NSDFB)
        2.3.3 基于NSCT的圖像融合
    2.4 PCNN的基本理論
        2.4.1 PCNN基本模型
        2.4.2 PCNN簡化模型
        2.4.3 PCNN神經(jīng)元的運行方式
        2.4.4 PCNN特性
        2.4.5 PCNN在圖像處理中的應用
    2.5 本章小結
第三章 NSCT與 PCNN相結合的圖像融合研究與實驗仿真
    3.1 基于NSCT-MSF-PCNN的融合算法
        3.1.1 改進的空間頻率
        3.1.2 算法模型
        3.1.3 算法流程
    3.2 融合算法評價指標
        3.2.1 主觀評價方法
        3.2.2 客觀評價方法
    3.3 實驗參數(shù)設置
        3.3.1 本文算法參數(shù)設置
        3.3.2 對照組參數(shù)設置
    3.4 實驗與結果分析
        3.4.1 多聚焦融合
        3.4.2 紅外與可見光融合
        3.4.3 綜合分析
    3.5 本章小結
第四章 基于NSCT-PCNN的紅外、可見光顯微圖像融合
    4.1 紅外多聚焦圖像融合
        4.1.1 紅外顯微多聚焦圖像
        4.1.2 圖像融合結果分析
    4.2 紅外與可見光圖像融合
        4.2.1 圖像采集
        4.2.2 圖像配準與預處理
        4.2.3 融合結果分析
        4.2.4 彩色融合探究
    4.3 本章小結
第五章 總結與展望
    5.1 工作總結
    5.2 研究展望
參考文獻
致謝
攻讀碩士學位期間已發(fā)表或錄用的論文



本文編號：3883285