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

基于FDST和双通道PCNN的红外与可见光图像融合

戴进墩 刘亚东 毛先胤 盛戈皞 江秀臣

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[J]. 红外与激光工程, 2019, 48(2): 204001-0204001(8). doi: 10.3788/IRLA201948.0204001
引用本文: 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[J]. 红外与激光工程, 2019, 48(2): 204001-0204001(8). doi: 10.3788/IRLA201948.0204001
Dai Jindun, Liu Yadong, Mao Xianyin, Sheng Gehao, Jiang Xiuchen. Infrared and visible image fusion based on FDST and dual-channel PCNN[J]. Infrared and Laser Engineering, 2019, 48(2): 204001-0204001(8). doi: 10.3788/IRLA201948.0204001
Citation: Dai Jindun, Liu Yadong, Mao Xianyin, Sheng Gehao, Jiang Xiuchen. Infrared and visible image fusion based on FDST and dual-channel PCNN[J]. Infrared and Laser Engineering, 2019, 48(2): 204001-0204001(8). doi: 10.3788/IRLA201948.0204001

基于FDST和双通道PCNN的红外与可见光图像融合

doi: 10.3788/IRLA201948.0204001
基金项目: 

国家自然科学基金(51307109)

详细信息
    作者简介:

    戴进墩(1993-),男,硕士生,主要从事图像处理与信息融合方面的研究。Email:jddai1993@qq.com

  • 中图分类号: TP391

Infrared and visible image fusion based on FDST and dual-channel PCNN

  • 摘要: 为提高融合图像的细节表现力和信息冗余度,针对红外与可见光图像,提出一种基于有限离散剪切波变换(FDST)和双通道脉冲耦合神经网络(PCNN)的图像融合方法。首先,利用FDST分解红外与可见光图像得到各自的高低频子带系数;再对高低频子带系数分别采用不同链接强度的改进的空间频率激励的双通道PCNN进行融合;最后,通过FDST反变换得到融合图像。实验结果表明该算法能够有效增强图像清晰度和整体视觉效果,融合效果跟其他融合方法相比,在互信息、边缘信息传递量、标准差多个客观评价指标上具有明显提高。
  • [1] Guo Quanmin, Dong Liang, Li Daiti. Vehicles anti-halation system based on infrared and visible images fusion[J]. Infrared and Laser Engineering, 2017, 46(8):0818005. (in Chinese)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[J]. 红外与激光工程, 2017, 46(8):0818005.
    [2] Wang Xin, Ji Tongbai, Liu Fu. Fusion of infrared and visible images based on target segmentation and compressed sensing[J]. Optics and Precision Engineering, 2016, 24(7):1743-1753. (in Chinese)王昕, 吉桐伯, 刘富. 结合目标提取和压缩感知的红外与可见光图像融合[J]. 光学精密工程, 2016, 24(7):1743-1753.
    [3] Peng Yiyue, He Weiji, Gu Guohua, et al. Visible and infrared image fusion based on multi-level method and image contrast improvement[J]. Infrared and Laser Engineering, 2013, 42(4):1095-1099. (in Chinese)彭逸月, 何伟基, 顾国华, 等. 多层级及对比度提升的红外和可见光图像融合[J].红外与激光工程, 2013, 42(4):1095-1099.
    [4] Hauser S, Steidl G. Convex multiclass segmentation with shearlet regularization[J]. International Journal of Computer Mathematics, 2013, 90(1):62-81.
    [5] El-taweel G S, Helmy A K. Image fusion scheme based on modified dual pulse coupled neural network[J]. IET Image Processing, 2013, 7(5):407-414.
    [6] Liu Shengpeng, Fang Yong. Infrared image fusion algorithm based on contourlet transform and improved pulse coupled neural network[J]. Journal of Infrared and Millimeter Waves, 2007, 26(3):217-221. (in Chinese)刘盛鹏, 方勇. 基于Contourlet变换和IPCNN的融合算法及其在可见光与红外线图像融合中的应用[J]. 红外与毫米波学报, 2007, 26(3):217-221.
    [7] Qu X B, Yan J W, Xiao H Z, et al. Image fusion algorithm based on spatial frequency-motivated pulse coupled neural networks in nonsubsampled contourlet transform domain[J]. Acta Automatica Sinica, 2008, 34(12):1508-1514.
    [8] Geng P, Wang Z Y. Zhang Z G, et al. Image fusion by pulse couple neural network with shearlet[J]. Optical Engineering, 2012, 51(6):067005.
    [9] Kong W W, Zhang L J, Lei Y. Novel fusion method for visible light and infrared images based on NSST-SF-PCNN[J]. Infrared Physics Technology, 2014, 65:103-112.
    [10] Jiang Ping, Zhang Qiang, Li Jing, et al. Fusion algorithm for infrared and visible image based on NSST and adaptive PCNN[J]. Laser Infrared, 2014, 44(1):108-113. (in Chinese)江平, 张强, 李静, 等. 基于NSST和自适应PCNN的图像融合算法[J]. 激光与红外, 2014, 44(1):108-113.
    [11] Liu S Q, Shi M Z, Zhao J, et al. Multi-focus image fusion based on nonsubsampled shearlet transform and pulse coupled neural network with self-similarity and depth information[J]. International Journal of Applied Mathematics and Machine Learning, 2015, 1(2):47-65.
    [12] Xiang T Z, Yan L, Gao R R. A fusion algorithm for infrared and visible images based on adaptive dual-channel unit-linking PCNN in NSCT domain[J]. Infrared Physics Technology, 2015, 69:53-61.
    [13] Chen Qingjiang, Zhang Yanbo, Chai Yuzhou, et al. Fusion of infrared and visible images based on finite discrete shearlet domain[J]. Chinese Optics, 2016, 9(5):523-531. (in Chinese)陈清江, 张彦博, 柴昱洲, 等.有限离散剪切波域的红外可见光图像融合[J]. 中国光学, 2016, 9(5):523-531.
    [14] Shi Xueping, Han Xiaojun, Zhang Nan, et al. Multi-focus image fusion method based on NSCT and dual PCNN[J]. Microelectronics and Computer, 2016, 33(8):29-33. (in Chinese)石学萍, 韩晓军, 张南, 等. 基于NSCT与双通道PCNN的多聚焦图像融合[J].微电子学与计算机, 2016, 33(8):29-33.
    [15] Qu Xiaobo, Yan Jingwen, Yang Guide. Multi-focus image fusion method of sharp frequency localized Contourlet transform domain based on sum-modified-Laplacian[J]. Optics and Precision Engineering, 2009, 17(5):1203-1212. (in Chinese)屈小波, 闫敬文, 杨贵德. 改进拉普拉斯能量和的尖锐频率局部化Contourlet域多聚焦图像融合方法[J]. 光学精密工程, 2009, 17(5):1203-1212.
    [16] Zhou S J, Sim T. Defocus map estimation from a single image[J]. Pattern Recognition, 2011, 44(9):1852-1858.
    [17] Toet A. The TNO multiband image data collection[J]. Data in Brief, 2017, 15:249-251.
  • [1] 王婷, 税渝阳, 梁浩文, 刘忆琨, 周建英.  强散射背景下的图像感知、融合与可视化技术 . 红外与激光工程, 2022, 51(8): 20220418-1-20220418-11. doi: 10.3788/IRLA20220418
    [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] 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
    [4] 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
    [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] 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
    [7] 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
    [8] 孙斌, 常本康, 张俊举, 王贵圆, 李英杰.  基于红外运动目标分割的夜视融合系统设计 . 红外与激光工程, 2015, 44(7): 2064-2069.
    [9] 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.
    [10] 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.
    [11] 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.
    [12] 杨扬, 戴明, 周箩鱼.  基于NSUDCT的红外与可见光图像融合 . 红外与激光工程, 2014, 43(3): 961-966.
    [13] 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.
    [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] 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.
    [16] 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.
    [17] 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.
    [18] 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 . 红外与激光工程, 2013, 42(11): 3096-3102.
    [19] 彭逸月, 何伟基, 顾国华, 童涛.  多层级及对比度提升的红外和可见光图像融合 . 红外与激光工程, 2013, 42(4): 1095-1099.
    [20] 张俊举, 常本康, 张宝辉, 闵超波, 袁轶慧, 姜斌.  远距离红外与微光/可见光融合成像系统 . 红外与激光工程, 2012, 41(1): 20-24.
  • 加载中
计量
  • 文章访问数:  365
  • HTML全文浏览量:  37
  • PDF下载量:  76
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-09-10
  • 修回日期:  2018-10-20
  • 刊出日期:  2019-02-25

基于FDST和双通道PCNN的红外与可见光图像融合

doi: 10.3788/IRLA201948.0204001
    作者简介:

    戴进墩(1993-),男,硕士生,主要从事图像处理与信息融合方面的研究。Email:jddai1993@qq.com

基金项目:

国家自然科学基金(51307109)

  • 中图分类号: TP391

摘要: 为提高融合图像的细节表现力和信息冗余度,针对红外与可见光图像,提出一种基于有限离散剪切波变换(FDST)和双通道脉冲耦合神经网络(PCNN)的图像融合方法。首先,利用FDST分解红外与可见光图像得到各自的高低频子带系数;再对高低频子带系数分别采用不同链接强度的改进的空间频率激励的双通道PCNN进行融合;最后,通过FDST反变换得到融合图像。实验结果表明该算法能够有效增强图像清晰度和整体视觉效果,融合效果跟其他融合方法相比,在互信息、边缘信息传递量、标准差多个客观评价指标上具有明显提高。

English Abstract

参考文献 (17)

目录

    /

    返回文章
    返回