留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

李新娥 任建岳 吕增明 沙巍 张立国 何斌

李新娥, 任建岳, 吕增明, 沙巍, 张立国, 何斌. NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法[J]. 红外与激光工程, 2013, 42(11): 3096-3102.
引用本文: 李新娥, 任建岳, 吕增明, 沙巍, 张立国, 何斌. NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法[J]. 红外与激光工程, 2013, 42(11): 3096-3102.
Li Xin'e, Ren Jianyue, Lv Zengming, Sha Wei, Zhang Liguo, He Bin. Fusion method of multispectral and panchromatic images based on improved PCNN and region energy in NSCT domain[J]. Infrared and Laser Engineering, 2013, 42(11): 3096-3102.
Citation: Li Xin'e, Ren Jianyue, Lv Zengming, Sha Wei, Zhang Liguo, He Bin. Fusion method of multispectral and panchromatic images based on improved PCNN and region energy in NSCT domain[J]. Infrared and Laser Engineering, 2013, 42(11): 3096-3102.

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

基金项目: 

国家“863”高技术研究发展计划(863-2-5-1-13B)

详细信息
    作者简介:

    李新娥(1976-),女,副研究员,博士,主要从事遥感图像处理方面的研究。Email:amylxe@sohu.com

  • 中图分类号: TP391.4

Fusion method of multispectral and panchromatic images based on improved PCNN and region energy in NSCT domain

  • 摘要: 针对多光谱和全色图像的融合,提出了一种NSCT域内基于改进脉冲耦合神经网络(PCNN)和区域能量的融合方法。首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带。然后,对分解后的低频子带采用基于区域能量的自适应加权算法进行融合;在带通方向子带,结合改进的脉冲耦合神经网络,使用带通方向子带系数作为PCNN的外部输入激励,经过PCNN点火获得待融合图像的点火映射图,根据点火时间计算点火映射图的区域能量,通过判决算子选择待融合图像的带通方向子带系数作为融合系数。最后,对融合处理后的NSCT变换系数进行重构生成融合图像。实验结果显示:在迭代次数为100次时,与改进小波算法相比,标准差提高了9.48%,熵提高了0.95%,相关系数提高了21.56%,偏差指数降低了29.66%;与Contourlet算法相比,标准差提高了9.73%,熵提高了0.94%,相关系数提高了11.27%,偏差指数降低了9.45%;与NSCT算法相比,标准差提高了3.84%,熵提高了3.34%,相关系数提高了7.89%,偏差指数降低了7.42%。
  • [1] Do M N, Vetterli M. Contoulet: a direction multiresolution image representation[C]//IEEE International Conference on Image Processing, 2002: 357-360.
    [2]
    [3]
    [4] Do M N, Vetterli M. The Contourlet transform: an efficient directional multiresolution image respresentation[J]. IEEE Transactions on Image Processing, 2005, 14(12): 2091-2106.
    [5]
    [6] Cunha A L, Zhou J P, Do M N. The nonsubsampled Contourlet transform: theory, design, and applications[J].IEEE Trans on Image Processing, 2006, 15(10): 3089-3101.
    [7]
    [8] Jia Jian, Jiao Licheng, Sun Qiang. The nonsubsampled contourlet transform in multisensor images fusion[J]. Acta Electronica Sinica, 2007, 35(10): 1934-1938. (in Chinese)贾建, 焦李成, 孙强. 基于非下采样Contourlet变换的多传感器图像融合[J]. 电子学报, 2007, 35(10): 1934-1938.
    [9] Yang Yuetao, Zhu Ming, He Baigen, et al. Fusion algorithm based on improved projected gradient NMF and NSCT[J]. Opt Precision Eng, 2011, 19(5): 1143-1150. (in Chinese)杨粤涛, 朱明, 贺柏根, 等. 采用改进投影梯度非负矩阵分解和非采样Contourlet变换的图像融合方法[J]. 光学 精密工程, 2011, 19(5): 1143-1150.
    [10]
    [11] Eckhorn R, Reitboeck H J, Arndt M, et al. A neural network for future linking via synchronous activity: results from cat visual cortex and from simulations[C]//Models of Brain Function, 1989: 255-272.
    [12]
    [13] Roussard R P, Rogers S K, Oxley M E, et al. Physiologically motivated image fusion for object detection using a pulse couple neural network[J]. IEEE Transactions on Neural Networks, 1999, 10(3): 554-563.
    [14]
    [15]
    [16] Wu Zhiguo, Wang Yanjie, Li Guiju. Application of adaptive PCNN based on wavelet transform to image fusion[J]. Opt Precision Eng, 2010, 18(3): 708-715. (in Chinese)武治国, 王延杰, 李桂菊. 应用小波变换的自适应脉冲耦合神经网络在图像融合中的应用[J]. 光学 精密工程, 2010, 18(3): 708-715.
    [17]
    [18] Guo Ming, Fu Zheng, Xi Xiaoliang. Novel fusion algorithm for infrared and visible images based on local energy in NSCT domain[J]. Infrared and Laser Engineering, 2012, 41(8): 2229-2235. (in Chinese)郭明, 符拯, 奚晓梁. 基于局部能量的NSCT域红外与可见光图像融合算法[J]. 红外与激光工程, 2012, 41(8): 2229-2235.
    [19] Yu Xianchuan, Pei Wenjing. Performance evaluation of image fusion quality metrics for the quality of different fusion methods[J]. Infrared and Laser Engineering, 2012, 41(12): 3416-3422. (in Chinese)余先川, 裴文静. 针对不同融合算法的质量评价指性能评估[J]. 红外与激光工程, 2012, 41(12): 3416-3422.
  • [1] 谭威, 宋闯, 赵佳佳, 梁欣凯.  基于多层级图像分解的图像融合算法 . 红外与激光工程, 2022, 51(8): 20210681-1-20210681-9. doi: 10.3788/IRLA20210681
    [2] 闵莉, 曹思健, 赵怀慈, 刘鹏飞.  改进生成对抗网络实现红外与可见光图像融合 . 红外与激光工程, 2022, 51(4): 20210291-1-20210291-10. doi: 10.3788/IRLA20210291
    [3] 高红霞, 魏涛.  改进PCNN与平均能量对比度的图像融合算法 . 红外与激光工程, 2022, 51(4): 20210996-1-20210996-8. doi: 10.3788/IRLA20210996
    [4] 宦克为, 李向阳, 曹宇彤, 陈笑.  卷积神经网络结合NSST的红外与可见光图像融合 . 红外与激光工程, 2022, 51(3): 20210139-1-20210139-8. doi: 10.3788/IRLA20210139
    [5] 沈英, 黄春红, 黄峰, 李杰, 朱梦娇, 王舒.  红外与可见光图像融合技术的研究进展 . 红外与激光工程, 2021, 50(9): 20200467-1-20200467-18. doi: 10.3788/IRLA20200467
    [6] 曾瀚林, 孟祥勇, 钱惟贤.  高斯差分滤波图像融合方法 . 红外与激光工程, 2020, 49(S1): 20200091-20200091. doi: 10.3788/IRLA20200091
    [7] 戴进墩, 刘亚东, 毛先胤, 盛戈皞, 江秀臣.  基于FDST和双通道PCNN的红外与可见光图像融合 . 红外与激光工程, 2019, 48(2): 204001-0204001(8). doi: 10.3788/IRLA201948.0204001
    [8] 张家民, 时东锋, 黄见, 王英俭.  图像融合在偏振关联成像中的应用 . 红外与激光工程, 2018, 47(12): 1226002-1226002(7). doi: 10.3788/IRLA201847.1226002
    [9] 郭全民, 王言, 李翰山.  改进IHS-Curvelet变换融合可见光与红外图像抗晕光方法 . 红外与激光工程, 2018, 47(11): 1126002-1126002(9). doi: 10.3788/IRLA201847.1126002
    [10] 郭全民, 董亮, 李代娣.  红外与可见光图像融合的汽车抗晕光系统 . 红外与激光工程, 2017, 46(8): 818005-0818005(6). doi: 10.3788/IRLA201746.0818005
    [11] 曾祥通, 张玉珍, 孙佳嵩, 喻士领.  颜色对比度增强的红外与可见光图像融合方法 . 红外与激光工程, 2015, 44(4): 1198-1202.
    [12] 杨桄, 童涛, 孟强强, 孙嘉成.  基于梯度加权的红外与可见光图像融合方法 . 红外与激光工程, 2014, 43(8): 2772-2779.
    [13] 张宝辉, 闵超波, 窦亮, 张俊举, 常本康.  目标增强的红外与微光图像融合算法 . 红外与激光工程, 2014, 43(7): 2349-2353.
    [14] 杨风暴, 蔺素珍.  基于变换域多合成规则的双色中波红外图像融合 . 红外与激光工程, 2014, 43(11): 3663-3669.
    [15] 童涛, 杨桄, 孟强强, 孙嘉成, 叶怡, 陈晓榕.  基于边缘特征的多传感器图像融合算法 . 红外与激光工程, 2014, 43(1): 311-317.
    [16] 王金玲, 贺小军, 宋克非.  采用区域互信息的多光谱与全色图像融合算法 . 红外与激光工程, 2014, 43(8): 2757-2764.
    [17] 毛海岑, 刘爱东.  利用证据理论的图像融合方法 . 红外与激光工程, 2013, 42(6): 1642-1646.
    [18] 张勇, 金伟其.  夜视融合图像质量主观评价方法 . 红外与激光工程, 2013, 42(2): 528-532.
    [19] 张勇, 金伟其.  夜视融合图像质量客观评价方法 . 红外与激光工程, 2013, 42(5): 1360-1365.
    [20] 杨扬, 戴明, 周箩鱼.  基于均匀离散曲波变换的多聚焦图像融合 . 红外与激光工程, 2013, 42(9): 2547-2552.
  • 加载中
计量
  • 文章访问数:  219
  • HTML全文浏览量:  19
  • PDF下载量:  219
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-03-11
  • 修回日期:  2013-04-13
  • 刊出日期:  2013-11-25

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

    作者简介:

    李新娥(1976-),女,副研究员,博士,主要从事遥感图像处理方面的研究。Email:amylxe@sohu.com

基金项目:

国家“863”高技术研究发展计划(863-2-5-1-13B)

  • 中图分类号: TP391.4

摘要: 针对多光谱和全色图像的融合,提出了一种NSCT域内基于改进脉冲耦合神经网络(PCNN)和区域能量的融合方法。首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带。然后,对分解后的低频子带采用基于区域能量的自适应加权算法进行融合;在带通方向子带,结合改进的脉冲耦合神经网络,使用带通方向子带系数作为PCNN的外部输入激励,经过PCNN点火获得待融合图像的点火映射图,根据点火时间计算点火映射图的区域能量,通过判决算子选择待融合图像的带通方向子带系数作为融合系数。最后,对融合处理后的NSCT变换系数进行重构生成融合图像。实验结果显示:在迭代次数为100次时,与改进小波算法相比,标准差提高了9.48%,熵提高了0.95%,相关系数提高了21.56%,偏差指数降低了29.66%;与Contourlet算法相比,标准差提高了9.73%,熵提高了0.94%,相关系数提高了11.27%,偏差指数降低了9.45%;与NSCT算法相比,标准差提高了3.84%,熵提高了3.34%,相关系数提高了7.89%,偏差指数降低了7.42%。

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回