Shearlet与改进PCNN相结合的图像融合

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (2): 142-146.

Shearlet与改进PCNN相结合的图像融合

廖勇1，2，黄文龙3，尚琳4，李鹏3

1.北京航空航天大学仪器科学与光电工程学院，北京 100191
2.中国人民解放军95824部队
3.空军工程大学防空反导学院，西安 710051
4.中国人民解放军93897部队

出版日期:2014-01-15 发布日期:2014-01-26

Image fusion based on Shearlet and improved PCNN

LIAO Yong1，2, HUANG Wenlong3, SHANG Lin4, LI Peng3

1.School of Instrumentation Science and Opto-electronics Engineering, Beihang University, Beijing 100191, China
2.Unit 95824 of PLA, China
3.Institute of Aerial and Antimissile Defense, Air Force Engineering University, Xi’an 710051, China
4.Unit 93897 of PLA, China

Online:2014-01-15 Published:2014-01-26

摘要/Abstract

摘要： 为提高多聚焦和医学图像融合的性能，提出了一种基于Shearlet变换的新型图像融合算法。与小波变换类似，Shearlet具有简单的数学结构，这使其可以很方便地和多分辨分析关联起来。在对一幅图像作Shearlet变换时，可以将其在任意尺度和方向上进行解构，因而Shearlet比传统小波可以捕获更多的方向和其他几何信息。所以对于图像融合来说，Shearlet是一种很好选择。对于Shearlet子带系数的选择，采用了一种改进的PCNN的点火幅度来得到融合策略，而不是传统PCNN方法中的点火次数，点火幅度通过一个Sigmoid函数来得到。并且采用改进拉普拉斯能量和（SML）这一有效的聚焦度量作为PCNN的输入，以提高其性能。实验结果表明，该方法在视觉效果和客观评价指标上都要优于小波和非下采样Contourlet（NSCT）方法。

关键词: Shearlet变换, 脉冲耦合神经网络（PCNN）, 图像融合

Abstract: A novel approach is proposed to improve the performance of multifocus and medical image fusion, which is based on Shearlet transform for image fusion. Shearlets are equipped with a simple mathematical structure similar to wavelets, which are associated to a multi-resolution analysis. Moreover an image could be decomposed by Shearlet transform in any scale and any direction, in which Shearlets show a greater ability to fully capture directional and other geome-trical features than traditional wavelets, so they are a suitable tool for image fusion. The subband coefficients of Shearlets are selected by fusion decision based on an improved Pulse Coupled Neural Network（PCNN）, which is completed by the PCNN fire amplitude, instead of the total pulse number. While the PCNN fire amplitude is calculated by a sigmoid function. Moreover, SML（Sum Modified Laplacian）, as an effective focus measures, is used for the input of Sigmoid_PCNN to improve its performance. Experimental results show that the proposed algorithm outperforms similar competitive strategies based on wavelet and Nonsubsampled Contourlet Transform（NSCT） in terms of both visual quality and objective evaluation.

Key words: Shearlet tranform, Pulse Coupled Neural Network（PCNN）, image fusion

廖勇1，2，黄文龙3，尚琳4，李鹏3. Shearlet与改进PCNN相结合的图像融合[J]. 计算机工程与应用, 2014, 50(2): 142-146.

LIAO Yong1，2, HUANG Wenlong3, SHANG Lin4, LI Peng3. Image fusion based on Shearlet and improved PCNN[J]. Computer Engineering and Applications, 2014, 50(2): 142-146.

[1]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[2]	顾梅花，王苗苗，李立瑶，冯婧. 彩色图像多尺度融合灰度化算法[J]. 计算机工程与应用, 2021, 57(4): 209-215.
[3]	王长城，周冬明，刘琰煜，谢诗冬. 无监督深度学习模型的多聚焦图像融合算法[J]. 计算机工程与应用, 2021, 57(21): 209-215.
[4]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[5]	李广安，曹岩，岳晓新. 基于BEEMD分解的红外与可见光图像融合[J]. 计算机工程与应用, 2021, 57(14): 237-244.
[6]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[7]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[8]	吴帆，高媛，秦品乐，王丽芳. 基于拉普拉斯金字塔和CNN的医学图像融合算法[J]. 计算机工程与应用, 2020, 56(15): 208-214.
[9]	李一菲，杨燕，张国强. 基于补偿暗通道和透射率融合的图像去雾算法[J]. 计算机工程与应用, 2019, 55(3): 196-201.
[10]	刘祎，高净植，桂志国. 基于NSST域卷积神经网络的低剂量CT图像恢复[J]. 计算机工程与应用, 2019, 55(23): 209-215.
[11]	余霆嵩，文元美，凌永权. 基于张量分解融合RGB-D图像的物体识别[J]. 计算机工程与应用, 2019, 55(2): 174-178.
[12]	李敏，苑贤杰，骆志丹，邱晓华. 基于改进引导滤波与DCPCNN的图像融合方法[J]. 计算机工程与应用, 2019, 55(19): 207-213.
[13]	王烈，罗文，陈俊鸿，秦伟萌. 自适应PCNN与信息提取的红外与可见光图像融合[J]. 计算机工程与应用, 2018, 54(4): 192-198.
[14]	付争方1，朱虹2. 多尺度细节融合的多曝光高动态图像重建[J]. 计算机工程与应用, 2018, 54(24): 182-187.
[15]	丁雪梅，李为相，毛祥宇. 结合PCNN和自适应DGA算法的视网膜血管分割[J]. 计算机工程与应用, 2018, 54(21): 201-207.