摘要：为提高图像融合的清晰度,本文提出一种基于改进的稀疏表示和脉冲耦合神经网络(pulse coupled neuralnetwork,PCNN)的图像融合。利用非下采样剪切波变换(non-subsampled shearlet transform,NSST)对源图像进行分解变换,得到相应的低频子带和高频子带具有不同的信息。对于低频子带,采用改进的稀疏表示进行融合,利用K奇异值分解(K-singular value decomposition,K-SVD)算法,并对源图像进行自适应学习的多个子字典构造成联合词典。对于高频子带,则改进PCNN融合系数的选择方法,利用改进的空间频率作为神经元反馈输入来激励PCNN模型,并根据点火输出的总幅度最大的融合规则选择高频系数。最后,将融合后的低频子带和高频子带系数进行NSST逆变换,重构出融合图像。实验结果表明:该算法很好地保留了图像的边缘信息,并且得到的图像在相关的客观评价标准上也取得了良好的效果,表明了本算法的有效性。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社