一种基于改进模型的PCNN多源图像融合方法

摘要

本发明涉及一种基于改进模型的PCNN多源图像融合方法。改进内容有：PCNN中各神经元的反馈输入只接收外部刺激输入；链接域中各参数的取值对所有神经元都相同；变阈值函数中各参数的取值对所有神经元都相同；引入阈值查找表和索引图，阈值查找表记录了与网络运行次数对应的阈值，这些阈值可以在网络运行前预先计算得到，避免了网络运行中的指数运算，加速了网络的运行。索引图记录了全部像素的点火时间，是输入图像中空间相邻的相似像素的整合结果，体现的是输入图像的整体视觉特征。本发明引入了记录全部像素的点火时间的索引图和记录与网络运行次数对应的阈值查找表，采用了基于索引图的融合规则，取得了比传统的小波变换融合方法更好的效果。

主权项

1.一种基于改进模型的PCNN多源图像融合方法，依次包括以下步骤：步骤一、对输入的三幅原始图像A、B和C在空间上进行像素级配准，保证三幅图像大小均为X×Y；步骤二、设定网络参数W，V_L，β，V_θ，α_θ和Δt的值；V_L和V_θ分别为L_ij[n]和θ_ij[n]中的固有电势，θ_ij[n]为动态门限值，L_ij[n]为线性连接输入；α_θ为θ_ij[n]的衰减时间常数；Δt为时间采样间隔；β为突触之间连接强度常数；Y_ij[n]为PCNN脉冲输出；Y_kl[n-1]为PCNN上一次脉冲输出；内部连接矩阵W中的w_ijkl对应L_ij[n]中Y_kl[n-1]的加权系数；n为网络的运行次数，n＝1，2，...，N-1，N，N为最大运行次数；步骤三、在每幅输入图像中查找S_{ij_max}、S_{ij_min}；S_{ij_max}＜V_θ，S_{ij_min}＞0；步骤四、得到网络最大运行次数N和阈值查找表LT(s)，s为LT(s)的函数变量；$N=\frac{t_2-t_1}{\mathrm{\Delta t}}+1$$t_1=\frac{1}{{\alpha }_{\theta }}\ln \left[\frac{V_{\theta }}{S_{\mathrm{ij}\_\max }}\right]$$t_2=\frac{1}{{\alpha }_{\theta }}\ln \left[\frac{V_{\theta }}{S_{\mathrm{ij}\_\min }}\right]$$\mathrm{LT}\left(s\right)=V_{\theta }{e}^{(-(-\mathrm{s\Delta t}+t_2){\alpha }_{\theta })}$式中：t₁和t₂分别为图像中灰度值最大像素和最小像素的自然点火时间；步骤五、利用下列公式运行模型；F_ij[n]＝S_ijL_ij[n]＝V_L∑w_ijklY_kl[n-1]U_ij[n]＝F_ij[n](1+βL_ij[n])I_ij[n]＝N-n式中：U_ij[n]为内部活动项，Y_ij[n]为PCNN脉冲输出，I_ij[n]为索引值；当n＝1时，L_ij[1]=0，则U_ij[1]=F_ij[1]=S_ij，θ_ij[1]=LT(N-1)=S_{ij_max}，对应的反馈输入中值为S_{ij_max}的神经元将自然点火；神经元点火后，输出Y_ij[1]＝1，θ_ij[2]变为V_θ，点火神经元的索引值标记为I_ij＝N-1；以此类推，当网络运行到n＝N时，阈值θ_ij[N]=LT(0)=S_{ij_min}，对于反馈输入为S_{ij_min}的神经元自然点火，点火神经元的索引值标记为I_ij＝0；步骤六、分别得到三幅原始图像A、B和C的索引图I_A、I_B和I_C；当I_A、I_B和I_C对应像素的索引值相互间差值的绝对值都小于等于典型值e，则融合图像的像素值取三幅图像相应像素的加权平均值；当I_A、I_B和I_C对应像素的索引值相互间差值的绝对值有大于典型值e的情况时，若其中两幅图像对应像素的索引值相互间差值小于等于典型值e，则融合图像的像素值取上述两幅图像相应像素的加权平均值；其他情况下，则融合图像的像素值取索引值较大的像素值。