English
Multifocus image fusion scheme based on features of multiscale products and PCNN in lifting stationary wavelet domain
文件大小：
110k
资源说明：Multifocus image fusion scheme based on features of multiscale products and PCNN in lifting stationary wavelet domain
图像融合技术是将多个图像信息源中的图像数据综合到一起的过程，目的是生成一个融合图像，这个融合图像包含了所有输入图像的有用信息。在这个过程中，通常会采用计算机视觉和图像处理的算法来获取、处理和整合图像数据。本文介绍的多焦点图像融合方案是基于提升平稳小波域（Lifting Stationary Wavelet Transform, LSWT）中多尺度乘积（multiscale products）特征和脉冲耦合神经网络（Pulse Coupled Neural Networks, PCNN）的。
提升平稳小波变换（LSWT）是小波变换的一种形式，它用于图像的多尺度分解，能够提供灵活的多尺度、位移不变表示。小波变换通常用于图像处理，因为它能够在不同的尺度（即不同的分辨率）上分析图像。提升小波变换是一种具有提升结构的离散小波变换，相较于传统的小波变换，它提供了更好的位移不变性，并且计算更为高效。
接下来，脉冲耦合神经网络（PCNN）是一种模拟动物大脑视觉皮层神经元活动的生物模型，它在图像融合领域有着广泛的应用。传统PCNN在图像融合时会有一些局限性，因此本文提出了一种新型的双通道脉冲耦合神经网络（dual-channel PCNN），以克服这些局限性，并直接输出融合图像。
在所提出的多焦点图像融合方案中，为了突出低频子带图像的边缘特征，定义了一个新的基于提升平稳小波域的低频子带图像的和改进拉普拉斯（Sum-modified-Laplacian, SML）算子，称为新的和改进拉普拉斯（NSML）。该算子被用来激活双通道PCNN进行融合。对于高频子带系数的融合，本文提出了一种新的局部邻域改进拉普拉斯（Local Neighborhood Modified-Laplacian, LNML）测量，作为外部激励来驱动双通道PCNN。
图像融合技术在许多领域都有应用，例如遥感图像处理、医学图像诊断、机器视觉等。在这些应用中，融合不同图像源的数据可以提供更全面的信息，增强图像的可解释性，提高算法的性能。
本文所提出的方案通过几种多源图像数据集进行验证，实验结果显示，文章提出的算法与传统的小波变换方法、提升平稳小波变换（LSWT）以及LSWT与PCNN结合的方法相比，在客观评价标准和视觉外观上有显著的改进。这表明，在图像融合性能的提升方面，该方案具有明显的优势。
图像融合的性能评价通常包括客观评价和主观评价两个方面。客观评价涉及计算度量指标，如均方误差（MSE）、峰值信噪比（PSNR）等，用于量化融合图像的质量。主观评价则是通过人的视觉系统对融合图像的整体质量进行评价，这通常需要专家的主观判断。在本文的研究中，融合算法的改进通过客观评价指标得到证实，同时在视觉上也显示出了更好的图像质量。
文章提到的“State Key Laboratory of Power Transmission Equipment&System Security and New Technology”和“College of Automation”指的是重庆大学电力传输装备与系统安全及新技术国家重点实验室和自动化学院，这表明相关研究得到了国家级实验室的支持和参与。文章的作者Y.Chaia，H.F.Li，以及J.F.Qu分别来自这些学术机构，而文章的发表期刊是Optics Communications，这是量子电子学和光子学领域的国际知名学术期刊，显示了研究的学术价值和重要性。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
