结合NSST与优化脉冲发放皮层模型的红外与可见光图像融合.docx

结合NSST与优化脉冲发放皮层模型的红外与可见光图像融合
摘要：
图像融合在多领域应用中有不可替代的重要作用。本文提出了一种融合NSST与优化脉冲发放皮层模型（OPFCM）的红外与可见光图像的方法。首先，通过NSST对可见光和红外图像进行分解，得到不同尺度和方向的子带系数。然后，通过OPFCM模型对子带系数进行优化处理。最后，通过加权融合方法将两个优化处理后的子带系数融合起来，得到融合图像。实验表明，该融合方法在保留各自数据特征和细节信息的同时，能够更好地提高图像质量和对目标的检测能力。
关键词：NSST；OPFCM；图像融合；红外图像；可见光图像
引言：
近些年来，图像融合在多领域应用中越来越受到重视。对于红外和可见光图像的融合，可以更全面地掌握被观测物体的情况。红外图像能够捕捉物体的热辐射信息，可以在黑暗和复杂环境下检测目标。可见光图像能够捕捉物体的颜色、形状等细节信息，完善了红外图像的局限性。因此，红外图像与可见光图像的融合具有广泛的应用前景。
本文提出了一种融合NSST与OPFCM模型的红外与可见光图像的方法。首先，通过NSST对可见光和红外图像进行分解，得到不同尺度和方向的子带系数。然后，通过OPFCM模型对子带系数进行优化处理。最后，通过加权融合方法将两个优化处理后的子带系数融合起来，得到融合图像。实验表明，该融合方法在保留各自数据特征和细节信息的同时，能够更好地提高图像质量和对目标的检测能力。
1.NSST的原理和实现
NSST是一种基于小波变换的图像分解算法。与其他小波变换方法相比，它能够更好地分离图像中的局部和全局信息。NSST的分解过程由两个步骤组成：先进行预处理，再进行TF分解。
1.1预处理
图像中的边缘信息和噪声通常都处于高频分量上，会对小波变换的结果产生干扰。为了消除这种干扰，需要进行一次预处理。具体操作是，对原始图像进行一次对称反卷积，得到反卷积图像。然后，将反卷积图像与原始图像做差，得到差分图像。最后，对差分图像进行均值滤波，得到最终的预处理结果。
1.2TF分解
经过预处理后，得到了一张光滑且没有边缘和噪声的图像。接下来，将该图像进行TF分解，得到不同尺度和方向的子带系数。这样，可以更好地分离出图像中的局部和全局信息，为后续处理做好铺垫。
2.OPFCM模型的原理和实现
OPFCM是一种基于模糊聚类的图像分割算法。与其他聚类方法相比，它能够更好地处理噪声和图像边缘问题。OPFCM的分割过程由三个步骤组成：初始化、计算隶属度和更新聚类中心。
2.1初始化
首先，需要初始化聚类数、隶属度矩阵和聚类中心。在本文中，设置聚类数为2，即红外图像和可见光图像。隶属度矩阵初始化为随机数，聚类中心初始化为每个子带系数的均值。
2.2计算隶属度
隶属度是指每个子带系数属于每个聚类的程度。通过计算欧拉距离和隶属度公式，可以得到每个子带系数属于每个聚类的隶属度矩阵。
2.3更新聚类中心
通过隶属度矩阵和子带系数更新聚类中心。具体操作是，先计算每个聚类的权重分别为隶属度的平方和，然后分别计算每个聚类的新中心。
3.图像融合的实现方法
通过NSST和OPFCM模型，可以得到红外和可见光图像的优化处理后的子带系数。接下来，需要将两个子带系数融合起来，得到融合图像。
3.1加权融合
将两个子带系数融合的方法有很多种，本文采用加权融合的方法。具体操作是，先设置两个子带系数的权重比例，然后按照比例将它们加权相加，得到融合后的子带系数。最后，通过逆NSST将融合后的子带系数合成为一张融合图像。
4.实验结果和分析
为了测试该方法的有效性，本文在一组红外和可见光图像数据集上进行了实验。实验结果表明，采用NSST和OPFCM模型的图像融合方法能够更好地保留图像特征和细节信息。与其他图像融合方法相比，该方法在保留红外图像的热辐射信息和可见光图像的细节信息的同时，能够更好地提高目标检测能力和图像质量。
5.结论
本文提出了一种融合NSST与OPFCM模型的红外与可见光图像的方法，通过该方法能够更好地保留图像特征和细节信息。实验表明，采用NSST与OPFCM模型的图像融合方法能够更好地提高目标检测能力和图像质量。该方法具有良好的应用前景，可以在各个领域中得到广泛的应用。