论文部分内容阅读
脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)是20世纪90年代初,提出的一种模拟哺乳动物视觉神经细胞特性的网络模型,由于它本身拥有变阈值、捕获、自动波以及综合时空等生物视觉背景特性,非常适合应用在图像处理领域。本文对PCNN原理和模型进行了深入研究,针对现有PCNN图像分割中参数多,设置困难,分割评价不具体全面;PCNN图像融合中对源图像清晰区域划分不精确,传统区域清晰度特征抗噪性能较差,融合结果质量不高等问题,将PCNN与粒子群优化(Particle Swarm Optimization,PSO)和非下采样Contourlet变换(Nonsubsampled Countourlet Transform,NSCT)算法相结合,提出了新的图像分割方法和融合算法。为了解决PCNN在图像分割中多参数设定以及评价准则单一的问题,提出了一种结合PSO和综合评价准则的PCNN图像自动分割方法。采用单调递增阈值搜索策略的PCNN改进模型,将PSO优化原理与由交叉熵参数,边缘匹配度和噪点控制度共同构成的综合评价相结合,以综合评价作为粒子的适应度函数,自动寻优获取PCNN图像分割模型的目标时间常数a,连接系数?以及迭代次数n,从而实现全参数自适应的PCNN图像分割。实验结果表明算法在保证PCNN运行效率下对不同类型图像都能进行正确完整的分割并兼顾纹理细节的保留。本文算法在综合评价和通用综合指标上均优于其他对比算法。客观评价结果与视觉主观评价相一致,分割较理想,算法具有较高鲁棒性。在图像融合中,将NSCT和双通道PCNN(Dual-Channel PCNN,DCPCNN)相结合,提出分式结构内部活动项和分段式动态阈值DCPCNN融合模型,利用NSCT对融合源图像进行多尺度变换,低频融合规则使用DCPCNN,以源图像的归一化低频子带系数,分形特征面积和(Sum of Fractal Feature Area,SFFA)分别作为DCPCNN的外部激励和连接系数输入,输出赋时矩阵确定融合模板图像(Fusion Template Image,FTI),获取低频子带融合系数;高频融合规则采用改进的拉普拉斯能量和(Sum Modified-Laplacian,SML)获取高频子带融合系数。将子带融合系数重构最终得到融合图像。低频系数融合模板实验表明本文分式内部活动项和分段式动态阈值DCPCNN能够在灰度变化平缓区域精确选取低频融合系数,稳定性高;通过多聚焦图像融合显示本文方法无论是在带标准参考融合图像还是在不带标准参考融合图像的实验组上均达到最优,主观视觉与客观分析相一致,稳定性高,融合结果较理想。