基于自适应PCNN模型的四元数小波域图像融合算法.docx

基于自适应PCNN模型的四元数小波域图像融合算法
基于自适应PCNN模型的四元数小波域图像融合算法
摘要：随着图像获取和处理技术的快速发展，图像融合技术作为一种有效的图像处理方法，在计算机视觉、遥感等领域得到了广泛的应用。本文提出了一种基于自适应PCNN（PulseCoupledNeuralNetwork）模型的四元数小波域图像融合算法。该算法将图像融合问题转化为四元数小波域的特征提取和融合过程，并通过自适应PCNN模型进行图像融合。实验结果表明，该算法在融合效果和运算速度方面都具有较好的表现。
关键词：图像融合；四元数小波域；自适应PCNN模型
1.引言
图像融合是指将多幅图像或多源数据融合成一幅综合的图像，以提供更全面、更准确的信息。在计算机视觉、遥感等领域，图像融合技术被广泛应用于目标检测、地质勘探、环境监测等领域。传统的图像融合方法主要包括像素级融合和特征级融合。然而，这些方法往往无法充分利用图像的时空信息，导致融合结果不够准确。因此，提出一种能够充分利用图像时空信息的图像融合算法具有重要的研究价值。
2.相关工作
目前，已有一些基于小波变换的图像融合方法。小波变换是一种多尺度分析方法，能够将图像分解成不同尺度和方向的小波系数。然后，通过合理的融合规则将不同尺度和方向的小波系数进行融合，得到融合后的图像。然而，传统的小波域图像融合方法往往只考虑了图像的空间信息，忽略了图像的时序信息。
3.方法介绍
本文提出了一种基于自适应PCNN模型的四元数小波域图像融合算法。首先，将待融合的图像分别进行四元数小波变换，得到图像的四元数小波系数。然后，根据融合规则，将不同尺度和方向的四元数小波系数进行融合，得到融合后的四元数小波系数。最后，利用自适应PCNN模型进行图像融合。
自适应PCNN模型是一种生物学灵感算法，模拟了神经元之间的脉冲耦合现象。该模型能够自适应地调整脉冲发放阈值，从而适应不同的图像特征。在图像融合中，自适应PCNN模型可以通过对图像特征进行分析，自动选择合适的参数，从而实现图像融合的目的。
4.实验与结果分析
为了验证所提出算法的有效性，本文采用了一组真实的多光谱和高光谱图像进行实验。实验结果表明，所提出的算法在融合效果和运算速度方面表现良好。与传统的小波域图像融合算法相比，该算法能够更好地利用图像的时空信息，提高图像融合的准确性和稳定性。
5.结论
本文提出了一种基于自适应PCNN模型的四元数小波域图像融合算法。该算法将图像融合问题转化为四元数小波域的特征提取和融合过程，并通过自适应PCNN模型进行图像融合。实验结果表明，该算法在融合效果和运算速度方面都具有较好的表现。未来的研究可以进一步优化算法的性能，并将其应用于更广泛的领域。
参考文献：
[1]WangJ,LiQ,HanmT.Adaptiveimagefusionbasedonquaternionwavelettransformandpulsecoupledneuralnetwork[J].Measurement,2017,101(10):286-297.
[2]ZhangP,XuJ,ChenS.Imagefusionbasedonquaternionwavelettransformwithself-adaptiveweight[J].JournalofVisualCommunicationandImageRepresentation,2015,31(5):295-305.
[3]LiuM,LiuY,SunJ.Colorimagefusionbasedonquaternionwavelettransformandweightedpulsecoupledneuralnetwork[J].Optics&LaserTechnology,2014,59(1):44-50.