论文部分内容阅读
图像融合技术由于其实际应用价值,近年来得到了广泛的应用。随着各种融合方法的不断提出与改进,融合效果也不断得到改善。为了使融合图像得到更好的质量,本文研究了基于多分辨分析和交叉皮质视觉模型相结合的图像融合方法。研究的主要内容包括以下几个部分：①概要地介绍了图像融合的意义和方法,着重介绍了Contouret变换和脉冲耦合神经网络(Pulse-coupled neural networks,PCNN)的一般原理,详细阐述了非下采样Contourlet(Nonsubsampled Contourlet Transform,NSCT)变换和交叉皮质视觉模型(Intersecting cortical model,ICM)的原理及其应用。②考虑到NSCT和ICM各自的特点,提出了将NSCT和ICM相结合应用于图像融合的算法。不同于传统的加权平均方法,本文对经过NSCT分解得到的低频子带部分采用基于边缘的方法进行融合,保留了丰富的边缘信息,对高频细节部分采用基于ICM的方法,用高频去触发ICM神经元。③ICM模型的参数众多,需要人工设置,而改进的遗传算法是一种有效的优化算法,能较好地进行全局搜索,得到全局近似最优解,可实现ICM参数的自适应化。因此,考虑将基于ICM和NSCT相结合的方法实现自动的图像融合,提出基于自适应ICM和NSCT的图像融合方法。为验证本文方法的有效性和优越性,对多组不同类型的图像进行了融合实验,并将本文方法和基于拉普拉斯金字塔、小波变换、Contourlet变换、简单NSCT变换、NSCT与ICM相结合的方法进行了对比实验。实验结果表明,本文提出的方法保留了更多原始图像的信息,边缘更加突出,细节更加丰富,得到了更好的融合效果。