图像融合非下采样contourlet变换咏冲耦合神经网络Scharr算子局部空间频率论文

1、多尺度下脉冲耦合神经网络的图像融合【摘要】 图像融合的目的是为了得到符合人眼视觉感知的综合图像。目前，小波变换因具有良好的视觉多尺度性和时频局部特性，而广泛应用于图像融合领域。但是对于二维图像数据结构，占据很重要地位的直线、曲线以及边缘方向等细节信息，小波变换不能有效表示。多尺度几何分析中非下采样contourlet变换(NonsubsaJnpled contourlet transfbrm，NSCT)被称为真正的图像最稀疏表示。它继承小波的多尺度性与时频局部性，又有多方向性与各向异性，同时解决了contourlet变换由于次采样而造成的振铃效应而具有平移不变性。咏冲耦合神经网络(Pulsec

2、oupled NeuralNetworks，PcNN)由于具有哺乳动物视觉系统神经细胞信息处理和信号传导原理而被应用到图像融合领域。因此把多尺度下的NSCT与PcNN进行结合的融合方法具有较大的应用价值，也是本文研究的重点之一。本文研究了多尺度下PcNN的图像融合方法，其内容如下：1、对小波变换、NSCT的原理、滤波器构造与设计进行详细叙述，并总结其应用中各种特点与物理意义。对PcNN模型的原理、参数设置与运行方式进行详细叙述，结合. 更多还原【Abstract】 Image fusion aims to get a synthesis image satisfying human

3、visual perception. Recently, due to such perfect properties as Multi-Scale and Time-Frequency localization, the wavelet transform has been widely used in the field of image fusion. But for the two-dimension structure of image data, the wavelet transform cannot effectively represent the important inf

4、ormation in the image such as line, curve, edge and so on. Multi-Scale geometric analysis method of nonsubsampled contourlet transform. 更多还原 【关键词】 图像融合； 非下采样contourlet变换； 咏冲耦合神经网络； Scharr算子； 局部空间频率； 【Key words】 Image Fusion； Nonsubsampled Contourlet Transform； Pulse-Coupled Neural Networks； Sch

5、arr Operator； Local Spatial Frequency； 【索购全文】Q联系Q：138113721 Q联系Q: 139938848付费即发摘要 4-5 ABSTRACT 5-6 第一章 绪论 9-23 1.1 图像融合的基本概念及发展概况 9-11 1.2 图像融合体系结构 11-13 1.3 多尺度分析图像融合的研究方法概述 13-19 1.4 图像融合的评价标准 19-21 1.5 论文研究的主要内容及安排 21-22 1.6 本文的主要研究成果 22 1.7 本章小结 22-23 第二章 小波多尺度图像融合 23-52 2.1 小波理论简介 23-26 2.2 多尺度

6、分析理论 26-29 2.3 小波滤波器的构造 29-33 2.4 轮廓波及非下采样轮廓波 33-44 超小波理论简介 33-34 contourler变换原理 34-38 非下采样轮廓波(NscT) 38-44 2.5 小波多尺度图像融合框架 44-45 2.6 小波多尺度图像融合规则 45-47 2.7 基于改进局部scharr算子的小波多尺度图像融合法 47-48 2.8 各种融合规则的实验结果及讨论 48-51 2.9 本章小结 51-52 第三章 PCNN特性在图像融合的作用 52-61 3.1 引言 52-53 3.2 PCNN模型及其原理 53-56 cNN神经元模型 53-55 cNN神经元的运行方式 55-56 3.3 图像融合目的的PCNN实验 56-60 3.4 本章小结 60-61 第四章 NSCT与PCNN相结合的图像融合方法 61-79 4.1 NSCT与PCNN在图像融合中的意义 61-62 4.2 NscT与PcNN结合的各种融合规则 62-65 4.3 各种融合规则的实验结果及分析 65-73 空域特征的PcNN图像融合实验 65-68 NscT下空域特征的PcNN图像融合实验 68-73 4.4 参数调整的实验与讨论 73-78 特征衡量局部区域大小K×K 73-75 CNN模型迭代次数N 75-76 C