色分量，G為綠色分量，B藍(lán)色分量，上述公 式表述的是怎樣將RGB轉(zhuǎn)換到HSV色彩空間，計算得到了圖像在HSV域的表示方式，RGB和HSV只是同一副圖像的不同表示方式。因為處理H、S、V分量比R、G、B分量更有效，所W本 文采用的是對H、S、V分量處理，所W，要將RGB格式的圖像轉(zhuǎn)換成HSV格式的圖像，然后對 HSV=個分量進(jìn)行處理。
[002引B、在服V彩色空間中，利用S-PC順對H分量進(jìn)行特征區(qū)域聚類后，用基于脈沖震 蕩頻圖實驗各源圖像的H分量融合。H分量處理過程：先將H分量送入S-PO^N模型進(jìn)行迭 代，得到0FG(點火頻圖），再對H分量對應(yīng)的S-PO^N點火頻圖（0FG)進(jìn)行局部賭計算處理， 得到0FG局部賭矩陣作為H分量的特征矩陣。最后對比不同源圖像的H分量對應(yīng)像素局部 賭（LE)的大小，取具有較大的局部賭的像素作為融合像素。其中S-PO^N模型如下；
[0029] 對于神經(jīng)元\,，式（7)描述的F通道輸入和式做描述的L通道構(gòu)成了它的接受 域，其中神經(jīng)元的F通道接受外部激勵輸入Si,，即圖像的像素值，而L通道接受鄰域神經(jīng)元 Nki的脈沖激勵輸入Yi,ki，Wk,為鄰域鏈接權(quán)，而Vt為通道幅值。然后在調(diào)制域，神經(jīng)元的F 通道輸出和L通道輸出經(jīng)過非線性的相乘調(diào)制形成了神經(jīng)元的內(nèi)部狀態(tài)值U，P為調(diào)制域 中L通道輸出的鏈接強(qiáng)度。最后，當(dāng)內(nèi)部狀態(tài)值U大于神經(jīng)元的闊值時01,時，神經(jīng)元發(fā)出 脈沖，即\，=1。在迭代計算過程中，闊值0。做非線性的指數(shù)衰減變化，衰減指數(shù)為a0， 但在發(fā)出脈沖后，0 1，在進(jìn)行指數(shù)衰減的同時還疊加了一個幅值系數(shù)If。
[0030]C、圖像拉普拉斯金字塔分解，圖像的拉普拉斯金字塔的變換是在由高斯金字塔的 基礎(chǔ)上得到的。因此，拉普拉斯金字塔分解分為兩步：先將圖像進(jìn)行高斯金字塔分解，然后 得到拉普拉斯金字塔。將高斯算子與原圖像（用GO表示）進(jìn)行卷積（即高斯低通濾波）， 然后進(jìn)行隔行隔列的下采樣，得到圖像在較低分辨率上的近似，分辨率是原圖的一半（高 斯金字塔的第一層）。再對采樣后的圖像進(jìn)低通濾波和下采樣，得到下一層高斯金字塔。如 此反復(fù)進(jìn)行上述操作，得到若干層，用W構(gòu)成高斯金字塔。由上述得到的高斯金字塔的本層 圖像大小為前一層圖像的1/4,然后利用插值法對高斯金字塔進(jìn)行插值膨脹，使第1層圖像 Gi，膨脹后的尺寸與第1-1層圖像Gi1尺寸相同，其計算方式如下：
[0031]
[0036] 其中，上式中W(m，n)為低通窗口函數(shù)，大小為5X5,LPi為拉普拉斯金字塔第1層， LPw為拉普拉斯金字塔第N層。
[0037] D、由拉普拉斯金字塔重建原圖像；拉普拉斯金字塔的各層圖像經(jīng)逐步內(nèi)插放大到 和下一層圖像一樣大，然后再相加即可重建原圖像；當(dāng)拉普拉斯金字塔的層數(shù)在0到N時， 其能量大小可W反映圖像的好壞，所有采用區(qū)域能量的方式選取系數(shù)。
[0038] S-PO^N對圖像的細(xì)節(jié)、邊緣等信息敏感，而拉普拉斯金字塔的高層含有圖像的細(xì) 節(jié)和紋理變化信息，所W在高層系數(shù)采用本發(fā)明S-PO^N模型來選取W保留圖像的細(xì)節(jié)和 紋理信息。將S、V分量分別進(jìn)行拉普拉斯金字塔分解，并通過上述策略將各層圖像信息合 成新的S、V分量。將得到的新的HSV彩色圖像，轉(zhuǎn)換為RGB空間，得到融合后的彩色圖像。 從表1中可W看出，本文算法在運些評價客觀指標(biāo)上的數(shù)值比其他算法較為有效，其中，SF 表情空間頻率，STD、表示標(biāo)準(zhǔn)差，EN表示賭值，AV表示平均梯度，M表示均值，運些值均是越 大表示圖像質(zhì)量越好。圖2中可W看出本發(fā)明最為清晰，且色彩與源圖像最為相近，證明了 本文算法對彩色圖像融合的有效性和可行性。
[0039] 表1.基于不同融合方法所得融合圖像的融合質(zhì)量評價值。
[0040]

[0041] 本發(fā)明不局限于上述最佳實施方式，任何人在本發(fā)明的啟示下都可得出其他各種 形式的產(chǎn)品，但不論在其形狀或結(jié)構(gòu)上作任何變化，凡是具有與本申請相同或相近似的技 術(shù)方案，均落在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1. 一種基于S-PCNN與拉普拉斯金字塔的彩色圖像融合方法，其特征在于：具體包含下 列步驟： A. 首先，將已經(jīng)配準(zhǔn)好的RGB彩色圖像空間轉(zhuǎn)換到HSV彩色空間； B. 利用S-PCNN對H分量進(jìn)行特征區(qū)域聚類后，用基于脈沖震蕩頻圖實現(xiàn)各源圖像的H 分量融合；H分量處理過程：先將H分量送入S-PCNN模型進(jìn)行迭代，得到點火頻圖OFG，再對 H分量對應(yīng)的S-PCNN點火頻圖OFG進(jìn)行局部熵計算處理，得到OFG局部熵矩陣作為H分量 的特征矩陣，最后對比不同源圖像的H分量對應(yīng)像素局部熵LE的大小，取具有較大的局部 熵的像素作為融合像素； C. 圖像拉普拉斯金字塔分解，其中，S、V分量，利用拉普拉斯金字塔對S、V分量進(jìn)行對 分辨率分解，而后利用不同融合規(guī)則對S、V分量進(jìn)行融合； D. 最后對步驟A、B、C得到的新的H、S、V分量進(jìn)行HSV彩色空間逆變換，最終得到融合 后的RGB彩色圖像。
【專利摘要】本發(fā)明提供了一種基于S-PCNN與拉普拉斯金字塔的彩色圖像融合方法，基于簡化脈沖耦合網(wǎng)絡(luò)(S-PCNN)與拉普蘭拉斯金字塔算法提出一種有效的彩色圖像融合算法。在HSV彩色空間中，利用S-PCNN加局部熵對H分量進(jìn)行特征區(qū)域聚類后，基于脈沖震蕩頻圖實現(xiàn)各源圖像的H分量融合；利用拉普拉斯金字塔對S、V分量進(jìn)行對分辨率分解，而后利用不同融合規(guī)則對S、V分量進(jìn)行融合。最后對新的H、S、V分量進(jìn)行彩色空間逆變換，實現(xiàn)了RGB彩色圖像的融合。本發(fā)明的實驗結(jié)果表明，本發(fā)明算法無論是在主觀視覺效果，還是客觀評價標(biāo)準(zhǔn)上都優(yōu)于其他常用圖像融合算法。
【IPC分類】G06T5/50
【公開號】CN105225213
【申請?zhí)枴緾N201510630936
【發(fā)明人】聶仁燦, 金鑫, 周冬明, 王佺, 余介夫, 賀康建, 何敏, 譚明川
【申請人】云南大學(xué)
【公開日】2016年1月6日
【申請日】2015年9月29日