基于Curvelet变换与自适应PCNN的红外与可见光图像融合.docx

基于Curvelet变换与自适应PCNN的红外与可见光图像融合
摘要：
本文针对红外（IR）与可见光（VIS）图像融合领域提出了一种基于Curvelet变换与自适应PCNN的融合方法。该方法融合了两幅不同波段的图像，使得图像融合后的结果具有更为全面、准确的信息，有助于视觉定位与物体识别等任务。本文首先介绍了Curvelet变换的基本原理，并将其应用于红外与可见光图像特征提取中，然后详细阐述了自适应PCNN神经网络的实现机理，以及如何在该神经网络上进行图像融合。最后，通过实验验证本文方法的优越性。实验结果表明，该方法在边缘保留、细节丰富度、对比度及信息增益等方面均优于其他算法。
关键词：Curvelet变换；自适应PCNN;红外与可见光图像融合；信息增益。
一、引言
红外（IR）与可见光（VIS）图像融合技术是信息科学中重要的处理手段之一，其基本原理是将不同波段的图像信息进行相互融合，以获得所需信息。目前，基于多分辨率分析的融合方法已成为研究的主流方法之一[1]。近年来，Wavelet变换[2]和Contourlet变换[3]在该领域得到了广泛应用。但是，在某些应用场合下，这些方法往往存在一定的不足，比如边缘保留不够、细节信息丢失等问题。因此，一些研究者将目光转向了一种新的变换方法——Curvelet变换[4][5]。Curvelet变换是Wavelet变换的拓展和深化，具有处理尖峰、棱角的图像信息能力。因此，本文将采用Curvelet变换作为特征提取的工具，并将其应用于IR/VIS图像融合中，从而克服现有方法的不足。
另一方面，目前的IR/VIS图像融合方法大多基于传统的DSP处理器或FPGA方案，但是这些方法在资源利用、层次处理、实时性等方面存在一定的局限。为此，本文也将采用一种新型的神经网络——自适应PCNN（Pulse-coupledNeuralNetwork）[6][7]，它具有高效、灵活、并行等优点，可为IR/VIS图像融合提供快速、可靠的计算支持。
本文主要研究内容如下：首先介绍Curvelet变换和自适应PCNN神经网络的基本原理；其次，详细描述红外与可见光图像的特征提取过程；然后，介绍本文所提出的基于Curvelet变换和自适应PCNN的红外与可见光图像融合方法，并进行实验结果分析；最后，总结本文工作的主要成果和不足，并展望未来的研究方向。