一种基于改进模型的pcnn多源图像融合方法
【专利摘要】本发明涉及一种基于改进模型的PCNN多源图像融合方法。改进内容有：PCNN中各神经元的反馈输入只接收外部刺激输入；链接域中各参数的取值对所有神经元都相同；变阈值函数中各参数的取值对所有神经元都相同；引入阈值查找表和索引图，阈值查找表记录了与网络运行次数对应的阈值，这些阈值可以在网络运行前预先计算得到，避免了网络运行中的指数运算，加速了网络的运行。索引图记录了全部像素的点火时间，是输入图像中空间相邻的相似像素的整合结果，体现的是输入图像的整体视觉特征。本发明引入了记录全部像素的点火时间的索引图和记录与网络运行次数对应的阈值查找表，采用了基于索引图的融合规则，取得了比传统的小波变换融合方法更好的效果。
【专利说明】一种基于改进模型的PCNN多源图像融合方法
【技术领域】
[0001]本发明涉及一种基于改进模型的PCNN多源图像融合方法，特别是涉及一种适合于可见光、中波和长波红外三个波段同时融合的基于改进模型的PCNN多源图像融合方法。
【背景技术】
[0002]人工神经网络是一种试图仿效生物神经系统信息处理方式的新型计算处理模型。一个神经网络由多层处理单元或节点组成，可以采用各种方法进行互联。有些学者己经应用人工神经网络来进行多源图像融合。目前，神经网络在图像融合中的应用主要有:双模态神经兀网络(Bimodal Neurons),多层感知器(Mult1-layered Perceptron)和脉冲稱合神经网络(Pulse-coupled Neural Network, PCNN)等。其中PCNN是近年来提出的一种新型神经网络，国际上称之为第三代人工神经网络。
[0003]1981年，E.A.Newman, P.H.Hartline等提出了 6种不同类型的双模态神经兀(包括 AND, OR, Visible-Enhanced Infrared, Visible-Suppressed-1nfrared,Infrared-Enhanced-Visible 和 Infrared-Suppressed-Visible)用于可见光和红外图像的融合。1995年,Fechner和Godlewski提出了基于多层感知器神经网络的图像融合方法。通过训练多层感知器识别前视红外图像中感兴趣的像素，将其融入可见光图像中。从20世纪90年代开始，由Eckhorn等对猫、猴的视觉皮层神经脉冲串同步振荡现象的研究，得到了哺乳动物神经元模型，并由此发展形成了脉冲耦合神经网络模型。该模型具有对图像二维空间相似、灰度相似的像素进行分组的特点，并能减小图像局部灰度差值，弥补图像局部微小间断。1999年，BrocssardR.P.等论证了 PCNN神经元的点火频率与图像灰度的关系，证实了 PCNN用于图像融合的可行性。基于该模型，相关学者提出了各种改进模型，并将其用于各种图像的融合。
[0004]目前，基于PCNN的图像融合方法研究主要集中以下几个方面:
[0005]网络参数的自动化选取:由于PCNN网络涉及的参数较多，并且不同参数值都会影响最终的处理结果。通过辅助方法自动计算PCNN网络中的关键参数，可以取得更好的处理结果。
[0006]对PCNN基本模型的改进:根据实现功能，处理对象以及思维方式的不同，不同研究者先后提出了不同的改进模型。
[0007]因此亟需提供一种新型的基于改进模型的PCNN多源图像融合方法。
【发明内容】
[0008]本发明要解决的技术问题是提供一种提高多源图像融合效果，使融合后图像目标特征更明显、更有利于目标辨识的基于改进模型的PCNN多源图像融合方法。
[0009]为解决上述技术问题，本发明一种基于改进模型的PCNN多源图像融合方法，依次包括以下步骤:
[0010]步骤一、对输入的三幅原始图像A、B和C在空间上进行像素级配准，保证三幅图像大小均为XXY ；
[0011]步骤二、设定网络参数H β，Ve，α 0和At的值；
[0012]'和Ve分别为Ι^_[η]和θ ^.[n]中的固有电势，Θ [η]为动态门限值，Lij[η]为线性连接输入；
[0013]α 0为Θ [η]的衰减时间常数；At为时间采样间隔；β为突触之间连接强度常数；Yu[n]为PCNN脉冲输出；Ykl[n-l]为PCNN上一次脉冲输出；内部连接矩阵W中的Wijkl对应Lij [η]中Ykl [η-1]的加权系数；n为网络的运行次数，η = 1，2，...，N-1，N，N为最大运行次数；
[0014]步骤三、在每幅输入图像中查找Sijmax、Sijfflin Jfflax <Ve, Sijfflin > O ；
[0015]步骤四、得到网络最大运行次数N和阈值查找表LT(s)，s为LT(S)的函数变量；
[0016]
【权利要求】
1.一种基于改进模型的PCNN多源图像融合方法，依次包括以下步骤: 步骤一、对输入的三幅原始图像A、B和C在空间上进行像素级配准，保证三幅图像大小均为XXY ; 步骤二、设定网络参数W，八，β , V0, α 0和At的值； '和Ve分别为Lu[n]和0u[n]中的固有电势，0u[n]为动态门限值，Lu[n]为线性连接输入； a e为Θ [η]的衰减时间常数；At为时间采样间隔；β为突触之间连接强度常数；Yij [η]为PCNN脉冲输出；Ykl[n-l]为PCNN上一次脉冲输出；内部连接矩阵W中的Wukl对应Lij [η]中Ykl [η-1]的加权系数； η为网络的运行次数，η = 1,2,..., Ν-1, N, N为最大运行次数； 步骤三、在每幅输入图像中查找^ij_max'' j_min ?j_max〈 Υθ，Sjj—min〉O ；
步骤四、得到网络最大运行次数N和阈值查找表LT(s)，s为LT(S)的函数变量；
2.根据权利要求1所述的一种基于改进模型的PCNN多源图像融合方法，其特征在于:所述步骤二中，保证树突的反馈输入Fijn]只接收外部输入刺激信号Sij ;保证W、\、β、Ve、α θ和At的取值对所有神经元都相同。
3.根据权利要求1所述的一种基于改进模型的PCNN多源图像融合方法，其特征在于:e=2。
4.根据权利要求1所述的一种基于改进模型的PCNN多源图像融合方法，其特征在于:三幅原始图像A、B和C分别为`可见光、中波红外和长波红外图像。
【文档编号】G06T5/50GK103679670SQ201210362080
【公开日】2014年3月26日 申请日期:2012年9月25日 优先权日:2012年9月25日
【发明者】宋亚军, 朱振福 申请人:中国航天科工集团第二研究院二〇七所