一種基于改進模型的pcnn多源圖像融合方法
【專利摘要】本發明涉及一種基于改進模型的PCNN多源圖像融合方法。改進內容有：PCNN中各神經元的反饋輸入只接收外部刺激輸入；鏈接域中各參數的取值對所有神經元都相同；變閾值函數中各參數的取值對所有神經元都相同；引入閾值查找表和索引圖，閾值查找表記錄了與網絡運行次數對應的閾值，這些閾值可以在網絡運行前預先計算得到，避免了網絡運行中的指數運算，加速了網絡的運行。索引圖記錄了全部像素的點火時間，是輸入圖像中空間相鄰的相似像素的整合結果，體現的是輸入圖像的整體視覺特征。本發明引入了記錄全部像素的點火時間的索引圖和記錄與網絡運行次數對應的閾值查找表，采用了基于索引圖的融合規則，取得了比傳統的小波變換融合方法更好的效果。
【專利說明】一種基于改進模型的PCNN多源圖像融合方法
【技術領域】
[0001]本發明涉及一種基于改進模型的PCNN多源圖像融合方法，特別是涉及一種適合于可見光、中波和長波紅外三個波段同時融合的基于改進模型的PCNN多源圖像融合方法。
【背景技術】
[0002]人工神經網絡是一種試圖仿效生物神經系統信息處理方式的新型計算處理模型。一個神經網絡由多層處理單元或節點組成，可以采用各種方法進行互聯。有些學者己經應用人工神經網絡來進行多源圖像融合。目前，神經網絡在圖像融合中的應用主要有:雙模態神經兀網絡(Bimodal Neurons),多層感知器(Mult1-layered Perceptron)和脈沖稱合神經網絡(Pulse-coupled Neural Network, PCNN)等。其中PCNN是近年來提出的一種新型神經網絡，國際上稱之為第三代人工神經網絡。
[0003]1981年，E.A.Newman, P.H.Hartline等提出了 6種不同類型的雙模態神經兀(包括 AND, OR, Visible-Enhanced Infrared, Visible-Suppressed-1nfrared,Infrared-Enhanced-Visible 和 Infrared-Suppressed-Visible)用于可見光和紅外圖像的融合。1995年,Fechner和Godlewski提出了基于多層感知器神經網絡的圖像融合方法。通過訓練多層感知器識別前視紅外圖像中感興趣的像素，將其融入可見光圖像中。從20世紀90年代開始，由Eckhorn等對貓、猴的視覺皮層神經脈沖串同步振蕩現象的研究，得到了哺乳動物神經元模型，并由此發展形成了脈沖耦合神經網絡模型。該模型具有對圖像二維空間相似、灰度相似的像素進行分組的特點，并能減小圖像局部灰度差值，彌補圖像局部微小間斷。1999年，BrocssardR.P.等論證了 PCNN神經元的點火頻率與圖像灰度的關系，證實了 PCNN用于圖像融合的可行性。基于該模型，相關學者提出了各種改進模型，并將其用于各種圖像的融合。
[0004]目前，基于PCNN的圖像融合方法研究主要集中以下幾個方面:
[0005]網絡參數的自動化選取:由于PCNN網絡涉及的參數較多，并且不同參數值都會影響最終的處理結果。通過輔助方法自動計算PCNN網絡中的關鍵參數，可以取得更好的處理結果。
[0006]對PCNN基本模型的改進:根據實現功能，處理對象以及思維方式的不同，不同研究者先后提出了不同的改進模型。
[0007]因此亟需提供一種新型的基于改進模型的PCNN多源圖像融合方法。
【發明內容】
[0008]本發明要解決的技術問題是提供一種提高多源圖像融合效果，使融合后圖像目標特征更明顯、更有利于目標辨識的基于改進模型的PCNN多源圖像融合方法。
[0009]為解決上述技術問題，本發明一種基于改進模型的PCNN多源圖像融合方法，依次包括以下步驟:
[0010]步驟一、對輸入的三幅原始圖像A、B和C在空間上進行像素級配準，保證三幅圖像大小均為XXY ；
[0011]步驟二、設定網絡參數H β，Ve，α 0和At的值；
[0012]'和Ve分別為Ι^_[η]和θ ^.[n]中的固有電勢，Θ [η]為動態門限值，Lij[η]為線性連接輸入；
[0013]α 0為Θ [η]的衰減時間常數；At為時間采樣間隔；β為突觸之間連接強度常數；Yu[n]為PCNN脈沖輸出；Ykl[n-l]為PCNN上一次脈沖輸出；內部連接矩陣W中的Wijkl對應Lij [η]中Ykl [η-1]的加權系數；n為網絡的運行次數，η = 1，2，...，N-1，N，N為最大運行次數；
[0014]步驟三、在每幅輸入圖像中查找Sijmax、Sijfflin Jfflax <Ve, Sijfflin > O ；
[0015]步驟四、得到網絡最大運行次數N和閾值查找表LT(s)，s為LT(S)的函數變量；
[0016]
【權利要求】
1.一種基于改進模型的PCNN多源圖像融合方法，依次包括以下步驟: 步驟一、對輸入的三幅原始圖像A、B和C在空間上進行像素級配準，保證三幅圖像大小均為XXY ; 步驟二、設定網絡參數W，八，β , V0, α 0和At的值； '和Ve分別為Lu[n]和0u[n]中的固有電勢，0u[n]為動態門限值，Lu[n]為線性連接輸入； a e為Θ [η]的衰減時間常數；At為時間采樣間隔；β為突觸之間連接強度常數；Yij [η]為PCNN脈沖輸出；Ykl[n-l]為PCNN上一次脈沖輸出；內部連接矩陣W中的Wukl對應Lij [η]中Ykl [η-1]的加權系數； η為網絡的運行次數，η = 1,2,..., Ν-1, N, N為最大運行次數； 步驟三、在每幅輸入圖像中查找^ij_max'' j_min ?j_max〈 Υθ，Sjj—min〉O ；
步驟四、得到網絡最大運行次數N和閾值查找表LT(s)，s為LT(S)的函數變量；
2.根據權利要求1所述的一種基于改進模型的PCNN多源圖像融合方法，其特征在于:所述步驟二中，保證樹突的反饋輸入Fijn]只接收外部輸入刺激信號Sij ;保證W、\、β、Ve、α θ和At的取值對所有神經元都相同。
3.根據權利要求1所述的一種基于改進模型的PCNN多源圖像融合方法，其特征在于:e=2。
4.根據權利要求1所述的一種基于改進模型的PCNN多源圖像融合方法，其特征在于:三幅原始圖像A、B和C分別為`可見光、中波紅外和長波紅外圖像。
【文檔編號】G06T5/50GK103679670SQ201210362080
【公開日】2014年3月26日 申請日期:2012年9月25日 優先權日:2012年9月25日
【發明者】宋亞軍, 朱振福 申請人:中國航天科工集團第二研究院二〇七所