结合视觉注意机制和pcnn的图像融合方法
【专利摘要】本发明适用于图像【技术领域】，提供了一种结合视觉注意机制和PCNN的图像融合方法，所述方法包括：将源图像A和源图像B分别进行视觉显示计算得到源图像A的显著图A、源图像B的显著图B；将源图像A和源图像B分别进行多尺度变换得到源图像A的高频系数A和低频系数A、源图像B的高频系数B和低频系数B；得到低频融合系数，依据高频系数A和高频系数B得到高频融合系数；根据低频融合系数、高频融合系数得到融合图像。本发明提供的技术方案具有融合效果好的优点。
【专利说明】结合视觉注意机制和PCNN的图像融合方法
【技术领域】
[0001]本发明属于图像【技术领域】，尤其涉及一种结合视觉注意机制和PCNN的图像融合方法。
【背景技术】
[0002]图像融合是通过某种融合系统，将两个或多个互补的波段、传感器的有用信息综合成统一图像或综合图像特征以供观察或进一步处理，达到对目标或场景更为精确、全面的识别、分析和判决的图像处理方法。
[0003]目前存在三种典型的视觉注意机制计算方法:
[0004]第一种典型方法于1998年提出的一种经典的图像显著度方法，该方法首先在多种预注意特征通道(亮度、红绿对比色、蓝黄对比色、方向等)上计算中心-四周对比度，然后将将对比度线性组合得到显著图。
[0005]第二种典型方法由Harel等将图像定义为有向完全图，他们将节点定义为像素，然后通过计算任意两个像素的差异来获得边的权重，此后，通过随机游走的方法，在图上寻找被访问次数较少的节点，并赋予这些节点较高的显著度。
[0006]第三种典型方法由Hou定义的一种图像显著度(基于图像DCT变换的符号函数)方法。
[0007]视觉注意机制(Visualattentionmechanism, VAM)是模拟人类视觉过程对场景进行迅速选择少数感兴趣区域以供后续处理的机制，是人类视觉特性研究中的一个重要分支。基于视觉注意机制的模型能够将显著目标从背景分离，从而又有利于对背景和物象区别对待，降低分析难度，提高计算效率。将视觉注意机制结合到图像融合过程中将有助于保留源图像中的显著信息，因此该方面研究已受到极大关注，并已经有一些初步的研究成果。
[0008]脉冲I禹合神经网络(Pulse-coupledNeuralNetwork, PCNN)是由若干个PCNN的神经元互连所构成的反馈型网络，每一个神经元都由接收域、调制部分和脉冲发生器3部分组成。脉冲耦合神经网络的方法是图像处理的研究热点。PCNN具有同步脉冲发送和全局耦合特性，与传统的加权平均、取极值以及基于区域能量的图像融合规则相比，PCNN是一种非线性处理方式，不单考虑单个像素或者局部特征，而且兼顾全局特征，与人类视觉神经系统对视觉信息的处理方式非常相似，有利于差异化显著目标特征与非显著目标特征，从而更加有效地区分信号，已被广泛地应用于图像分割、图像识别、决策优化和图像融合等方面。
[0009]在实现现有技术的过程中，发现现有技术存在如下问题:
[0010]1.现有PCNN链接强度自适应构造方法常用于多聚焦图像融合，不适用于红外与可见光等异源图像融合；
[0011]2.在大部分使用PCNN进行图像处理的文献中，所有的神经元的链接强度β都是采用相同的数值，且是根据实验或者经验选择一个合适的数值来使用；这一点对于处理的自动化和普遍适用性是一个较大的限制，事实上，真实神经元的链接强度不可能完全相同；[0012]3.在图像融合中，低频部分的融合规则影响到融合图像的整体亮度变化，在多传感器图像融合中尤为重要。此时简单的加权平均方法并不能全面地保护来自源图像中的显著目标。
[0013]所以现有技术图像的融合效果差。
【发明内容】
[0014]本发明实施例的目的在于提供一种结合视觉注意机制和PCNN的图像融合方法，旨在解决现有技术中的图像的融合效果差的问题。
[0015]本发明实施例是这样实现的，一种结合视觉注意机制和PCNN的图像融合方法，所述方法包括:
[0016]将源图像A和源图像B分别进行视觉显示计算得到源图像A的显著图A、源图像B的显著图B;
[0017]将源图像A和源图像B分别进行多尺度变换得到源图像A的高频系数A和低频系数A、源图像B的高频系数B和低频系数B ；
[0018]将显著图A作为PCNN模型的链接输入，将低频系数A作为PCNN模型的反馈输入，依据公式I和显著图A构造自适应链接系数β ij.A ;对PCNN模型点火得到点火映射图TA(i, j);
[0019]将显著图B作为PCNN模型的链接输入，将低频系数B作为PCNN模型的反馈输入，依据公式I和显著图B构造自适应链接系数β ij.B ;对PCNN模型点火得到点火映射图TB(i, j);
[0020]
【权利要求】
1.一种结合视觉注意机制和PCNN的图像融合方法，其特征在于，所述方法包括: 将源图像A和源图像B分别进行视觉显示计算得到源图像A的显著图A、源图像B的显著图B; 将源图像A和源图像B分别进行多尺度变换得到源图像A的高频系数A和低频系数A、源图像B的高频系数B和低频系数B ； 将显著图A作为PCNN模型的链接输入，将低频系数A作为PCNN模型的反馈输入，依据公式I和显著图A构造自适应链接系数β ij.A ;对PCNN模型点火得到点火映射图TA(i，j)； 将显著图B作为PCNN模型的链接输入，将低频系数B作为PCNN模型的反馈输入，依据公式I和显著图B构造自适应链接系数β ij.B d PCNN模型点火得到点火映射图TB(i，j)；
2.根据权利要求1所述的方法，其特征在于，所述PCNN控制域传递函数为:U=F*(L*i3 ij+1);其中L为PCNN控制域的链接输入，F为PCNN控制域的反馈输入；β ij为自适应链接系数，U为输出结果。
3.根据权利要求1所述的方法，其特征在于，所述多尺度变换为形态非抽样小波变换。
【文档编号】G06T5/50GK103455990SQ201310067764
【公开日】2013年12月18日 申请日期:2013年3月4日 优先权日:2013年3月4日
【发明者】张基宏, 邓苗, 柳伟, 杨秀林 申请人:深圳信息职业技术学院