結(jié)合視覺注意機制和pcnn的圖像融合方法
【專利摘要】本發(fā)明適用于圖像【技術(shù)領(lǐng)域】，提供了一種結(jié)合視覺注意機制和PCNN的圖像融合方法，所述方法包括：將源圖像A和源圖像B分別進行視覺顯示計算得到源圖像A的顯著圖A、源圖像B的顯著圖B；將源圖像A和源圖像B分別進行多尺度變換得到源圖像A的高頻系數(shù)A和低頻系數(shù)A、源圖像B的高頻系數(shù)B和低頻系數(shù)B；得到低頻融合系數(shù)，依據(jù)高頻系數(shù)A和高頻系數(shù)B得到高頻融合系數(shù)；根據(jù)低頻融合系數(shù)、高頻融合系數(shù)得到融合圖像。本發(fā)明提供的技術(shù)方案具有融合效果好的優(yōu)點。
【專利說明】結(jié)合視覺注意機制和PCNN的圖像融合方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像【技術(shù)領(lǐng)域】，尤其涉及一種結(jié)合視覺注意機制和PCNN的圖像融合方法。
【背景技術(shù)】
[0002]圖像融合是通過某種融合系統(tǒng)，將兩個或多個互補的波段、傳感器的有用信息綜合成統(tǒng)一圖像或綜合圖像特征以供觀察或進一步處理，達到對目標(biāo)或場景更為精確、全面的識別、分析和判決的圖像處理方法。
[0003]目前存在三種典型的視覺注意機制計算方法:
[0004]第一種典型方法于1998年提出的一種經(jīng)典的圖像顯著度方法，該方法首先在多種預(yù)注意特征通道(亮度、紅綠對比色、藍黃對比色、方向等)上計算中心-四周對比度，然后將將對比度線性組合得到顯著圖。
[0005]第二種典型方法由Harel等將圖像定義為有向完全圖，他們將節(jié)點定義為像素，然后通過計算任意兩個像素的差異來獲得邊的權(quán)重，此后，通過隨機游走的方法，在圖上尋找被訪問次數(shù)較少的節(jié)點，并賦予這些節(jié)點較高的顯著度。
[0006]第三種典型方法由Hou定義的一種圖像顯著度(基于圖像DCT變換的符號函數(shù))方法。
[0007]視覺注意機制(Visualattentionmechanism, VAM)是模擬人類視覺過程對場景進行迅速選擇少數(shù)感興趣區(qū)域以供后續(xù)處理的機制，是人類視覺特性研究中的一個重要分支?；谝曈X注意機制的模型能夠?qū)@著目標(biāo)從背景分離，從而又有利于對背景和物象區(qū)別對待，降低分析難度，提高計算效率。將視覺注意機制結(jié)合到圖像融合過程中將有助于保留源圖像中的顯著信息，因此該方面研究已受到極大關(guān)注，并已經(jīng)有一些初步的研究成果。
[0008]脈沖I禹合神經(jīng)網(wǎng)絡(luò)(Pulse-coupledNeuralNetwork, PCNN)是由若干個PCNN的神經(jīng)元互連所構(gòu)成的反饋型網(wǎng)絡(luò)，每一個神經(jīng)元都由接收域、調(diào)制部分和脈沖發(fā)生器3部分組成。脈沖耦合神經(jīng)網(wǎng)絡(luò)的方法是圖像處理的研究熱點。PCNN具有同步脈沖發(fā)送和全局耦合特性，與傳統(tǒng)的加權(quán)平均、取極值以及基于區(qū)域能量的圖像融合規(guī)則相比，PCNN是一種非線性處理方式，不單考慮單個像素或者局部特征，而且兼顧全局特征，與人類視覺神經(jīng)系統(tǒng)對視覺信息的處理方式非常相似，有利于差異化顯著目標(biāo)特征與非顯著目標(biāo)特征，從而更加有效地區(qū)分信號，已被廣泛地應(yīng)用于圖像分割、圖像識別、決策優(yōu)化和圖像融合等方面。
[0009]在實現(xiàn)現(xiàn)有技術(shù)的過程中，發(fā)現(xiàn)現(xiàn)有技術(shù)存在如下問題:
[0010]1.現(xiàn)有PCNN鏈接強度自適應(yīng)構(gòu)造方法常用于多聚焦圖像融合，不適用于紅外與可見光等異源圖像融合；
[0011]2.在大部分使用PCNN進行圖像處理的文獻中，所有的神經(jīng)元的鏈接強度β都是采用相同的數(shù)值，且是根據(jù)實驗或者經(jīng)驗選擇一個合適的數(shù)值來使用；這一點對于處理的自動化和普遍適用性是一個較大的限制，事實上，真實神經(jīng)元的鏈接強度不可能完全相同；[0012]3.在圖像融合中，低頻部分的融合規(guī)則影響到融合圖像的整體亮度變化，在多傳感器圖像融合中尤為重要。此時簡單的加權(quán)平均方法并不能全面地保護來自源圖像中的顯著目標(biāo)。
[0013]所以現(xiàn)有技術(shù)圖像的融合效果差。

【發(fā)明內(nèi)容】

[0014]本發(fā)明實施例的目的在于提供一種結(jié)合視覺注意機制和PCNN的圖像融合方法，旨在解決現(xiàn)有技術(shù)中的圖像的融合效果差的問題。
[0015]本發(fā)明實施例是這樣實現(xiàn)的，一種結(jié)合視覺注意機制和PCNN的圖像融合方法，所述方法包括:
[0016]將源圖像A和源圖像B分別進行視覺顯示計算得到源圖像A的顯著圖A、源圖像B的顯著圖B;
[0017]將源圖像A和源圖像B分別進行多尺度變換得到源圖像A的高頻系數(shù)A和低頻系數(shù)A、源圖像B的高頻系數(shù)B和低頻系數(shù)B ；
[0018]將顯著圖A作為PCNN模型的鏈接輸入，將低頻系數(shù)A作為PCNN模型的反饋輸入，依據(jù)公式I和顯著圖A構(gòu)造自適應(yīng)鏈接系數(shù)β ij.A ;對PCNN模型點火得到點火映射圖TA(i, j);
[0019]將顯著圖B作為PCNN模型的鏈接輸入，將低頻系數(shù)B作為PCNN模型的反饋輸入，依據(jù)公式I和顯著圖B構(gòu)造自適應(yīng)鏈接系數(shù)β ij.B ;對PCNN模型點火得到點火映射圖TB(i, j);
[0020]
【權(quán)利要求】
1.一種結(jié)合視覺注意機制和PCNN的圖像融合方法，其特征在于，所述方法包括: 將源圖像A和源圖像B分別進行視覺顯示計算得到源圖像A的顯著圖A、源圖像B的顯著圖B; 將源圖像A和源圖像B分別進行多尺度變換得到源圖像A的高頻系數(shù)A和低頻系數(shù)A、源圖像B的高頻系數(shù)B和低頻系數(shù)B ； 將顯著圖A作為PCNN模型的鏈接輸入，將低頻系數(shù)A作為PCNN模型的反饋輸入，依據(jù)公式I和顯著圖A構(gòu)造自適應(yīng)鏈接系數(shù)β ij.A ;對PCNN模型點火得到點火映射圖TA(i，j)； 將顯著圖B作為PCNN模型的鏈接輸入，將低頻系數(shù)B作為PCNN模型的反饋輸入，依據(jù)公式I和顯著圖B構(gòu)造自適應(yīng)鏈接系數(shù)β ij.B d PCNN模型點火得到點火映射圖TB(i，j)；
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述PCNN控制域傳遞函數(shù)為:U=F*(L*i3 ij+1);其中L為PCNN控制域的鏈接輸入，F(xiàn)為PCNN控制域的反饋輸入；β ij為自適應(yīng)鏈接系數(shù)，U為輸出結(jié)果。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多尺度變換為形態(tài)非抽樣小波變換。
【文檔編號】G06T5/50GK103455990SQ201310067764
【公開日】2013年12月18日 申請日期:2013年3月4日 優(yōu)先權(quán)日:2013年3月4日
【發(fā)明者】張基宏, 鄧苗, 柳偉, 楊秀林 申請人:深圳信息職業(yè)技術(shù)學(xué)院