[0044]
[0045] 神经元激发过程中，各变量的含义及参数的取值：
[0046] 的为第n次迭代时反馈输入图中位于（i，_]'）处的反馈输 入；
[0047] KXy(n)为第n次迭代时点火图中位于（i，j)处的点火状态，1表示第n次迭代时 位于（i，j)处点火发生，0表示第n次迭代时位于（i，j)处点火没有发生；
[0048] KX表示经过n次迭代得到的点火图，当点火图中任意位于（i，如处的点火值都大 于1时，即1，（i= 1 :M,j= 1 :脚，停止迭代；
[0049] LXy(n)为第n次迭代时线性连接输入部分中位于（i，j)处的连接输入值；
[0050] UXy(n)为第n次迭代时神经元的内部活动项位于（i，如处的值，当UXy(n)的值 大于动态阔值0Xu(n)时，神经元点火，脉冲发生输出；
[0051] 参数aP、a讯ae分别表示反馈输入巧U(n)、线性连接输入LXy(n)和动态阔值 白X"(n)的衰减时间常数，且通常有口。<口9〈口"乂。、乂郝^^分别为反馈放大系数，连接放 大系数和阔值放大系数，通常取￥。=V^= 1 ;
[0化引位置也1)W(i，_]?)为中心在大小为（2U+1)X(2V+1)的局部邻域中， (2U+1)X(2v+l)被称为APC順的连接范围，U，V= 1，2…；
[0化3] 自适应权值矩阵的选择：
[0054]
[00巧]其中；g脚。.(n)，FXki(n))函数表示中屯、点巧。(n)处的像素与FXki(n)处像素值的 差异度量，当巧U(n)与FXki(n) -样大时，令g脚U(n)，FXki(n)) - 0 ;当巧U(n)与FXki(n) 差异比较大时，令g(FXu(n)，FXkl(n)) -l;g(FXu(n)，FXkl(n))选择如下的表达方式；
[006引其中：巧;,(")和0。的计算同上。
[0063] 本发明的有益效果是：
[0064] 本发明通过对PC順改进，得到自适应能力更强的APC順模型，然后利用APC順模 型分别对经过多尺度分解（基于NSCT算法）后的偏振图像和红外福射图像进行处理，得到 各不同尺度不同方向上子带系数的点火图，点火图相当于两类子带系数在视觉系统中的反 映，即评价图，再次利用点火图实现该两类图像在各子带系数上的融合，最后将融合后的子 带系数进行重构得到红外偏振融合图像。
[0065] 本发明实现了红外福射图像和偏振图像的融合，利用NSCT算法将偏振度图像和 偏振角图像细节在各个方向上得到了保护，使得相似的偏振信息得到增强；通过外界刺激 矩阵、加权矩阵、神经元连接强度W及迭代次数的设计等一系列措施对PO^N算法进行改 进，得到了可W自适应能力更强的APO^N算法，提高了偏振图像和红外福射图像融合的质 量，使得异类信息得到了保护。从而保证了红外偏振融合图像不仅具有丰富的福射强度信 息，而且包含了突出的场景偏振信息，解决了红外偏振融合图像中存在的边缘区域失真、轮 廓模糊，目标与背景对比度低等问题，可W应用于各种红外福射图像与偏振图像的融合，具 有广阔的应用前景。
【附图说明】
[0066] 图1是本发明基于多尺度分解与APC順算法的红外偏振图像融合方法的框图；
[0067] 图2是本发明基于NSCT算法的偏振角图像和偏振度图像融合算法框图；
[006引图3是本发明APC順模型中单个神经元迭代示意图；
【具体实施方式】
[0069] 下面结合附图和【具体实施方式】对本发明作进行一步详细说明。
[0070] 参见图1，基于多尺度分解与APO^N算法的红外偏振图像融合方法包括W下步骤：
[0071] 步骤1 ;通过斯托克斯矢量表示法得到成像区域的偏振信息。
[0072] 斯托克斯矢量表示法是目前最常用的偏振表示方法，它既可W将关于偏振的所有 信息很好的表示出来，也易于测量。斯托克斯指出，一束光的偏振状态可W由斯托克斯矢量 S=化Q，U，V)t完全描述，其中，I代表福射强度，Q表示0°与90。线偏振光分量之差，U 表示45°与135°线偏振光分量之差，V代表右旋与左旋圆偏振光分量之差，一般工程探测 和计算中认为其值为0。当斯托克斯矢量描述的福射通过金属光栅偏振片时，出射福射的强 度为：
[0073]
(9)
[0074] 其中，a为偏振片的透光轴相对水平的夹角。
[0075] 当偏振片分别旋转到0°、45°、90°和135°等4个不同位置时，就可W获得4个 不同偏振方向的福射强度图。进而可W解算出成像区域的斯托克斯矢量，具体解算方法如 下所示：
[0076]
(10)
[0077] Q=I'(0。）-1'巧0° ) (11)
[007引 U=I' (45。）-1' (135。） (12)
[0079] 步骤2 ;根据偏振信息求解偏振度图像和偏振角图像。
[0080] 偏振度值egree of Polarization, Do巧表示完全偏振光强度在整个光强中所占 比例，可W利用它来表示偏振光福射强度的大小。偏振度图像可W表示为：
[0081]
(13)
[0082] 进行归一化处理后得到：
[0083]
(14)
[0084]DoP图像偏含有许多物体的偏振信息，因此偏振度图像能较好地突出不同物体之 间的对比度。
[0085] 偏振角（AngleofPolarization,Ao巧表示偏振光振动的方向与所选的参考方向 间的夹角。偏振角图像与P可表示为
[0089] AoP图像体现了物体的表面边缘信息，是从自然背景中较好地突显出人造目标特 征的方法。
[0090] 步骤3 ;利用NSCT算法对归一化后的偏振角图像和偏振度图像进行融合，得到复 合偏振图像，实现第一次融合。其原理如图2所示。
[0091] (1)将原DoP图像和原AoP图像进行NSCT分解，分别得到分解系数图 'a/cp，C巧和。设融合图像后的复合偏振图像为Ip，其对应的NSCT分解系 数为。其中ax狂=Idp、Iap、Ip)表示图像X的低频子带图像，cr'i狂=Idp、Iap、Ip)表示图像X在第S层、第1个方向子带上的高频系数。
[0092] (2)由?(峰P，巧i}、巧i}根据传统的像素级图像融合准则得到融合系 数{a/p，CY;/}。比如；
[0093] 低频部分；取两幅图像的经过多分辨率分解后的低频系数的平均值作为融合后的 系数。
[0094]
(1巧
[0095] 高频部分；取两幅图像的经过多分辨率分解后的高频系数的加权平均值作为融合 后的系数。
[0099] 步骤4 ;利用NSCT算法对复合偏振图像Ip和红外强度图像I分别进行多尺度分 解，得到相应的不同尺度，不同方向上的NSCT分解系数图。
[0100] 将复合偏振图像Ip和红外强度图像I分别进行NSCT分解，分别得到分解系数图 和{al，cr'i}。设融合图像后的复合偏振图像为Ip，其对应的NSCT分解系数为 {a/,-，C7;;^。其中aX狂=Ip，I，Ip)表示图像X的低频子带图像，cr'i狂=Ip，I，Ip)表示 图像X在第S层、第1个方向子带上的高频系数。
[0101] 步骤5 ;利用APO^N算法分别计算高频子带系数各尺度各方向上NSCT系数图的点 火图。
[0102] 5.1】根据主成分分析法计算复合偏振图像和红外福射强度图像各个高频子带系 数对应的外界激励矩阵：
[010 引SX=PCA佩
[0104]其中；义二C7p'，cr'i;
[01化]5. 2】将外界激励矩阵输入到APO^N模型中，激发神经元，最终得到各系数图的点 火图皮Z(义=c，识a")。
[0106] 神经元模型框如图3所示，迭代计算过程如下：
[0107]
(20)
[0108] 神经元激发过程中，各变量的含义及参数的取值如下所述：
[0109] 1)厂不,(/?)(^ = (：/；；'^：7''''')为第11次迭代时反馈输入图中位于（1^)处的反馈 输入；
[0110] 2)KXy(n)为第n次迭代时点火图中位于（i，j)处的点火状态，1表示第n次迭代 时位于（i，j)处点火发生，0表示第n次迭代时位于（i，j)处点火没有发生。
[011U 3)KX表示经过n次迭代得到的点火图，当点火图中任意位于（i，j)处的点火值都 大于1时，即1，（i= 1:M,j= 1:脚，停止迭代。