[发明专利]一种基于S‑PCNN与拉普拉斯金字塔的彩色图像融合方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于S-PCNN与拉普拉斯金字塔的彩色图像融合方法。

背景技术

图像融合是信息融合的一致分支，是当前信息融合的研究热点之一。彩色图像融合使融合后的图像对同一场景的描述更为准确、全面、可靠。目前彩色图像融合的研究相对较少，而人类视觉对色彩信息的可辨识度远高于灰度图像。随着传感器技术的改进和提供，彩色图像融合会受到越来越多的重视。彩色图像将不同亮度和不同色彩组合起来表示图像信息。所以，基于彩色空间的融合一般是对各个分量分别进行融合。常用算法如IHS、加权及PCA变换法等算法容易实现但是效果不佳。而基于多分辨率分析的融合算法，一般先对待融合的多源图像进行图像变换，然后对变换后的系数进行重新组合。依据图像分解方式的不同大致可分为基于金字塔变换的融合算法、基于小波变换的融合算法和基于多尺度几何变换的融合算法，这一类算法多用于像素级的图像融合。像素级融合处于图像融合分级的最底部一层，其每一个像素都是其他源图像对应像素所决定的。脉冲耦合神经网络(PCNN)依其在图像处理、模式识别、路由求解等领域的优良性能，被誉为第三地人工神经网络。PCNN是一种不同于传统人工神经网络的新型神经网络，它是由若干个神经元互相连接而成的反馈型网络，构成PCNN神经元是一个综合的动态非线性系统，比它具有传统人工神经网络无法比拟的优势。拉普拉斯金字塔算法是一种多尺度、多分辨率的、多层分解的图像处理方法，它可以将图像的重要特征(如边缘、纹理等)按照不同的尺度分解到不同的分解层上，与简单图像融合算法相比，它能够获得更好的融合效果,已被广泛应用于图像融合当中。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种基于S-PCNN与拉普拉斯金字塔的彩色图像融合方法。

本发明所采用的技术方案为：

本发明的基于S-PCNN与拉普拉斯金字塔的彩色图像融合研究，包含下列步骤：

A.首先，将已经配准好的RGB彩色图像空间转换到HSV彩色空间；

B.利用S-PCNN对H分量进行特征区域聚类后，用基于脉冲震荡频图实现各源图像的H分量融合；H分量处理过程：先将H分量送入S-PCNN模型进行迭代，得到点火频图OFG，再对H分量对应的S-PCNN点火频图OFG进行局部熵计算处理，得到OFG局部熵矩阵作为H分量的特征矩阵，最后对比不同源图像的H分量对应像素局部熵LE的大小，取具有较大的局部熵的像素作为融合像素；

C.图像拉普拉斯金字塔分解，其中，S、V分量，利用拉普拉斯金字塔对S、V分量进行对分辨率分解，而后利用不同融合规则对S、V分量进行融合；

D.最后对步骤A、B、C得到的新的H、S、V分量进行HSV彩色空间逆变换，最终得到融合后的RGB彩色图像。

本发明的有益效果为：本发明基于简化脉冲耦合网络(S-PCNN)与拉普拉斯金字塔算法提出一种有效的彩色图像融合算法；首先将RGB彩色图像空间转换到HSV彩色空间；在HSV彩色空间中，利用S-PCNN+局部熵对H分量进行特征区域聚类后，基于脉冲震荡频图实现各源图像的H分量融合；利用拉普拉斯金字塔对S、V分量进行对分辨率分解，而后利用不同融合规则对S、V分量进行融合。最后对新的H、S、V分量进行HSV彩色空间逆变换，得到融合后的RGB彩色图像。本发明通过一些客观指标，与其他几种常用算法进行对比，无论从主观视觉效果还是客观评价标准上都优于其他常用图像融合算法，实验结果都表明本发明算法可以很好的保存彩色图像的细节和色彩信息，融合后的彩色图像更为清晰、可靠。

本发明提供的基于S-PCNN与拉普拉斯金字塔算法，结合适于人眼视觉的HSV颜色模型，提出了一种有效的彩色图像融合算法。该算法先将RGB彩色图像转换为符合人眼视觉特性的HSV彩色空间；使用S-PCNN和局部熵对H分量特征进行聚类，而后对其对进行融合，因其具有哺乳动物视皮层视感知机制的PCNN模型对图像具有区域特征聚类的特性；对S、V分量进行拉普拉斯金字塔分解，通过不同的策略将其融合，因其是对图像特征进行多尺度分析的有效工具，它的塔形分解数据体现了图像的带通塔形滤波过程，其大小在各层分解尺度下保持一致；最后对融合得到的HSV彩色分量进行逆变换，得到融合的RGB彩色图像。因此，本发明可以利用拉普拉斯金字塔分解与S-PCNN的优点，对RGB图像进行有效的融合。实验证明本发明提出的彩色融合算法能较好的融合不同焦点的彩色图像，且能很好的保留源图像的细节、纹理和主要特征信息。说明本发明算法无论在直观效果还是在客观上，上优于其他算法。