基于PCNN和最优化评价准则的曲波域图像融合.docx

基于PCNN和最优化评价准则的曲波域图像融合
一、背景
图像融合是将多幅图像进行融合，获取一个包含更多信息和更丰富细节的新图像过程。曲波域是近年来发展起来的新兴领域，有着广泛的应用，包括图像融合。传统的图像融合方法主要是基于像素级别的，而曲波域图像融合则在分段和小波域感知的基础上，结合了时域和频域的特性，能够更好地保持图像的结构信息和细节特征，因此越来越受到研究者的关注。
二、PCNN介绍
脉冲耦合神经网络（Pulse-CoupledNeuralNetwork，PCNN），是一种模拟大脑处理信息方式的神经网络，可以用于图像处理、识别等领域。PCNN最早由Eckhorn等人于1989年提出[1]，其神经元在只有脉冲输入存在时才被激活，并将脉冲输出给连接的邻居神经元。其突出的优点是通过非线性的方式增强了图像的边缘和边界信息，能有效提取图像中的纹理、轮廓和边缘等信息。
三、图像融合的最优化评价准则
最优化评价准则（OptimizationCriteria，OC）是一种基于像素级别的分析方法，用于评估图像融合后图像的质量。常用的OC包括均值、标准差、互信息等。其中，均值和标准差反映了融合后图像的亮度和对比度，互信息则反映了图像之间的相似度。
四、曲波域图像融合方法
1、曲波变换
曲波变换是一种基于小波变换的变换方法，也称为曲波包变换（CurveletTransform，CVT），主要用于获取图像上的曲线和轮廓特征。它将图像分为不同的段和尺度，然后对每个段和尺度中的图像块进行小波变换，以提取图像的结构信息和细节特征。
2、PCNN滤波
PCNN滤波是在小波域的基础上，结合了PCNN的非线性特点，对分段图像进行滤波而得到的图像。它能够保留图像的细节特征和边缘信息，并且在保留纹理信息的同时，可以有效地去除噪声。
3、融合评价
通过对图像的分段和PCNN滤波，得到的曲波域图像能够更好地保留图像的结构信息和细节特征。在此基础上，采用OC方法对融合后的图像进行评价，以获取优秀的融合效果。常用的OC方法包括均值和标准差、互信息等。
五、实验结果与分析
本文分别采用了传统图像融合方法和曲波域图像融合方法对图像进行融合，并用均值和标准差、互信息两种OC方法对融合效果进行评价。
实验结果表明，曲波域图像融合方法在保持图像结构和细节的同时，能够更好地提取图像的特征和纹理信息，相比传统方法有更好的融合效果。此外，针对不同的OC方法，曲波域图像融合方法也表现出更好的评价结果，均值和标准差的评价准则得分更高，互信息的相关性更大。
六、结论
本文提出了一种基于PCNN和最优化评价准则的曲波域图像融合方法，实验证明该方法可以更好地保持图像的结构信息和细节特征，对图像进行更好的纹理提取和特征描述。此外，采用不同的OC方法对融合效果进行评价，可以更全面地反映图像融合的效果，为图像处理和分析提供了有力的支持。