论文研究-Shearlet与改进PCNN相结合的图像融合.pdf

所需积分/C币:10 2019-09-12 10:39:00 599KB .PDF
收藏 收藏
举报

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PCN
144 014,50(2) Computer Engineering and Applications计算机工程与应用 3.2输入项SML 在许多基于PCNN的图像融合文献中将单个像素 的灰度值直接作为输入项F,人眼视觉系统对单个像 素并不敏感,而对图像的边缘、方向和纹理等信息比较 敏感。SML能够恰当地表示图像边缘细节信息,相比 于图像的方差、空间频率以及区域梯度能量等在融合多 a) Shearlet频城削分图(b)剂分子区域的频城支撑聚焦图像时表现出了明显的优越性。所以在文中采 图1 Shearlet频域剖分图和剖分子区域的频域攴撑 用能够较好地描述图像的方向和纹理信息的SML作为 阶可导数剪切波的非线性逼近阶为O(hbM)M2), PCNN的输入项的值。 用(i,表示图像在位置(i,处的系数,SML定 该逼近阶已经非常接近理论的最优值O(M-2)。因此,义如下: 剪切波在各种尺度和方向上能够接近最优地表示富含 方向信息的图像 VML/(r, J)=2/(,v)-/(x-step, y)-/(r+step, y)+ (x,y)-f( (x, y+step)(8) 3 Sigmoid pcnn 其中step表示可变的空间距离,用来描述纹理基元的大 31脉冲点火输出幅度 小,本文取sep=1。 经典PCNN的数学描述如下 PCNN的输入项F定义为: 1)+V F=SML(j)=∑ (9 (m)=e"4(n-1)+,∑W(n-1) N为区域窗口的大小,在实验中采用与文献121相同的 值3 FmK (n)(1+Blg (n) (4) (n)=e(n-1)+ny"(n-1) 4结合 Shearlet变换和 Sigmoid_PCNN的图像 1) (n)>0(n) 融合算法 通过前面的讨论可知 Shearlet变换在图像的方向、 其中,n表示迭代次数。当v大于时,神经元将纹理等细节信息方面有着良好的表现,可将其用于图 会产生一个脉冲Y=1,称为次点火 像融合中的多尺度分解。在融合规则的设计上,利用 在已有的基于PCNN的图像融合算法中,最终的判 Sigmoid PCNN点火映射图的邻域点火唔度,来为 别标准均采用像素在PCNN输出中的点火次数来选择 scarlet多尺度分解下的子带系数提供相应的融合规 点火输出不为1就为0不能反映出点火的幅度差异。M入令等 rle逆变换得到融合图像。算法具体步 融合图像的系数。由于采用的是硬限幅函数,使得每次则。最 所以在PCNN的输出阶段,通过一个软限幅 Sigmoid (1)分别对各源图像进行 Shearlet变换,得到多尺度 函数来计算子带系数在PCNN每个迭代过程中的点分解下的各子带图像。用l代表第!分解层中第k个 火输岀嗝度,并将点火输出幅度的总和作为融合图像子带的(a,)位置的系数值。 子带系数的选择依据,从而确定融合规则,命名为 (2)在每个子带内,通过滑动窗口N×N分别计算 Sigmoid PCNN 每个系数(t,)的SMn度量。 为了刻画同步脉冲激发时在点火幅度上的差异,对 (3)将各子带的SML度量赋予PCNN的输入通道, PCNN的输出定义如下: SML:所表征的区域细节信息可以更好地模拟人的视觉 .,(n)-U:(n) (5) I+e 感知系统的特点,以充分利用PCNN的全局耦合和脉冲 a(n)-1,ifx(n)>05 同步激发特性。 (6) 0. otherwise 4)通过输入通道和链接通道在内部活动项的耦合 其中,X(m)是系数(,)的脉冲点火输出幅度其取值调制来计算内部活动项U和动态门限6,然后由 范围为[0,1x()取值为1时称为一次点火。系数(,)式(5)计算脉冲点火输出幅度X(m),由式(6)计算脉 的脉冲点火输出幅度总和为 冲输出Y"(n)。 M=M(n-1)+(n) (5)由式(7)计算系数(i)的点火输出嶇度总和 廖勇,黄文龙,尚琳,等: Shearlet与改进PCNN相结合的图像融合 2014,50(2)145 Ma,然后由式(10)来对不同图像的子带系数进行选取的融合策略如下:低频分量采取 Sigmoid PCNN点火 择,即选择具有较大点火输出幅度总和的系数作为最终输出幅度的总和最大值,高频分量采取灰度最大值 融合图像的系数。 5.1多聚焦图像的融合 if M 本实验的对象为经典的 Clock图像,图像大小为 (10)512×512,256级灰度。图2(a)、(b)分别为左侧聚焦和 I if M<m 右侧聚焦的测试图像。采用 Wavelet、NSCT和 Shearlet 其中,1和1分别表示融合图像和两个源图像这三种变换所得的融合图像及与原测试图像的差值图 在各分解子带内的系数 见图2(c)~(k)。 (6)由上面得釗的融合图像各子带的系数,通过 从主观视觉效粜来看, Shearlet所得的融合图像边 Shearlet逆变换进行重构,得到最终的融合图像 缘更清晰、细节和纹理保留更丰富。差值图也说明 Shearlet对聚焦部分获得了更好的融合。除了主观视觉 5实验结果亐分析 效果外,还从三个客观指标上来考察不同变换方法的性 分别对经典的多聚焦图像和医学图像进行了实验,能。如表1所示,从中可以看出, Shearlet得到的融合图 实验所用源图像均已经过严格配准。为了有效地评估像在Q、M和F三个指标均为最好。总的来看基 本文算法在图像合中的性能,与最常用的多尺度融合于 Shearlet的方法得到的融合图像绀节更丰富,包含的 方法 Wavelet和非下采样 Contourlet(NSCT)从主观和客信息量最大,取得了更好的多聚焦图像融合效果。 观两方面进行对比。客观评价指标采用Q“度量、互 表1各变换方法对 Clock图像的客观评价指标 信息( Mutual in formation,MI)和空间频率( Spatial 变换方法 M Frequency,SF)")。Q16衡量有多少边缘信息从源图 Wavelet0.63476.84227.6347 像转移到∫融合图像,M计算源图像有多少信息转移 NSCT 7.9051 钊了融合结果中,而SF度量图像空间域的总体活跃度 Shcarlct 0.69798.11978.2660 可反映图像对微小细节反差表达的能力。三个指标的5.2不同类型医学图像的融合 值越大,表明图像越清晰,融合性能越好。 医学CT图像和MRI图像均是断层扫描图像,3 实验中 Wavelet分解层数为3层,釆用db3小波。(a)、(b)分别为本实验的CT和MRI测试图像。图像大 NSCT参数与文献[10相同,分解层数为4层,各层分别小为256×256,256级灰度。CT图像中的像素亮度与组 有2,8,16,16个方向子带,非下采样滤波器组分别采用织密度有关,骨骼在CT图像中的亮度高,而一些软组织 “9-γ”和“pkva'作为念字塔滤波器和方向滤波器。 Shearlet在CT图像中亮度过低,无法反映出来。而MRI图像与 分解层数为3层,各层分别有10,10,18个方向子带,金之相反,软组强的亮度较高、骨骼的亮度过低,无法显 字塔滤波器采川“ maxila'"。对于 Sigmoid PCNN,设置示。所以这两类图像具有很大的互补性,适合于图像融 其求取点火幅度的迭代次数为10次,远小于 SF PCNN合。实验参数与上一实验相同,融合结果图及与参考图 的200次,其他参数与文献[10相同。各变换子带内采像的差值图如图3(c)~(k)所示 (a右聚焦原图b)左聚焦原图(c) Wavelet融合结果(d) Wavelet与(a)(c) Wavelet与(b)(f)NSCT融合结果 的差图 的差图 (g)NSCT与(a) (h)NSCT与(b)(i) Shearlet融合结果(j) Scarlet与(a)(k) Scarlet与(b) 的差图 的差图 的差图 的差图 图2 Clock原图像和各变换方法的融合结果 146 014,50(2) Computer Engineering and4 pplications计算机工程与应用 (a)CT图像 (b)MRI图像(c) Wavelet融合结果( d wavelet与(a)(c) Wavelet与(b)(f)NSCT融合结果 的差图 的差图 (g)NSCT与(a) h)NSCT与(b)(i) Shearlet融合结果(j) Shearlet与(a)(k) Shearlet与(b) 的差图 的差图 的差图 的差图 图3医学原图像和各变换方法的融合结果 实验结果表明,在三种变换方法下都可以实现这两 及其性能评价门西安交通大学学报,2004,38(4) 类医学图像的融合,NSCT要好于小波方法,而 Scarlet 380-383 方法明显比其他两种方法都更好,该方法使得源图像中31 Miao Qiguang, Wang Baoshu. A novel algorithm of image 更多的有用信息得到了很好的保留,融合图像的细节表 fusion using finite ridgelet transform[C)/Proc of SPIE 现力得到了显著提高。从表2所给出的客观指标来看, 2006,6242:1-7 Shearlet方法也体现出比小波变换和NSCT方法更加显 4 Nencini F, Garzelli A, Baronti S,et al. Remote sensing image fusion using the curvelet transform [J].Informa 著的融合性能。 表2各变换方法对医学图像的客观评价指标 I Qu Xiaobo, Yan Jingwen, Xie Guofu, et al.A novel 变换方法 dois fusion based on bandelet transform [J]. Chinese Optics Wavelet0.64893.509020.1614 ers,2007,5(10):569-572 NSCT 0.79234.194920.7923 [6 Yang Shuyuan, Wang Min, Jiao Licheng Image fusion based Shearlet 0.82474.733922.7068 on a new contourlet packct[J]. In formation Fusion, 2010 6结论 [7 Guo Kanghui, Labate D Optimally sparse multidimensional 本文提出了一种 Scarlet变换和改进的PCNN相结 representation using shearlets[J]. SIAM J Math Anal 合的新型图像融合算法。算法充分利用 Shearlet变换可 2007,39(1):298-318 在任意尺度和方向上对图像进行解构的特点,以获得更8] Easley g r, Labate D.imw. Sparse directional image 加丰富和多样的方向和纹理等细节信息。并通过一个 representations using the discrete shearlet transform[J] Sigmoid函数来计算 Shearlet子带系数在PCNN每个迭 Appl Comput Harmon Anal, 2008, 25: 25-46. 代过程屮的点火输出嶇度,并将点火输出幅度和作为融9 Johnson J L, Padgett M L PCNN models and applica 合图像子带系数的选择依据,而不是传统基于PCNN方 tions[J].IEEE Transactions on Neural Networks, 1999,10 法中的点火次数。对经典的多聚焦图像和不同类型的 (3):480-498 医学图像进行了融合实验,并与小波和NSCT变换融合0 Qu xiaobo, Yan Jingwen, Xiao Hongzhi,etal.mage 方法进行了比较,实验结果表明,该方法在视觉效果和 fusion algorithm based on spatial frequency-motivated pulse coupled neural networks in nonsubsampled con- 客观评价指标上都要优于小波和NSCT方法。 domain J. Acta Auto 2008,34(12):1508-1514 参考文献: [11 Xydeas C, Petrovic VObjective image fusion perfor- [1 Piella G.A general framework for multiresolution image mance measure [J]. Electronics Letters, 2000, 36(4): 308-309 fusion: from pixels to regions[J].Information Fusion, [12] Qu Guihong, Zhang Dali, Yan Pingfan Information mca for performance of image fusion[J].Electronics [2]张新曼,韩九强基于视觉特性的多尺度对比度图像融合 Letters,2002,38(7):313-3l5

...展开详情
试读 5P 论文研究-Shearlet与改进PCNN相结合的图像融合.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    weixin_38743602 你的留言是对我莫大的支持
    2019-09-12
    • 至尊王者

      成功上传501个资源即可获取
    关注 私信 TA的资源
    上传资源赚积分,得勋章
    最新推荐
    论文研究-Shearlet与改进PCNN相结合的图像融合.pdf 10积分/C币 立即下载
    1/5
    论文研究-Shearlet与改进PCNN相结合的图像融合.pdf第1页
    论文研究-Shearlet与改进PCNN相结合的图像融合.pdf第2页

    试读已结束,剩余3页未读...

    10积分/C币 立即下载 >