基于PCNN的紅外與可見光圖像融合算法

基于PCNN的紅外與可見光圖像融合算法基于PCNN的紅外與可見光圖像融合算法

摘要：隨著紅外和可見光圖像數(shù)據(jù)的廣泛應(yīng)用，紅外與可見光圖像的融合成為一個重要的研究方向。本文提出了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）的紅外與可見光圖像融合算法。該算法通過灰度拉伸和直方圖均衡化對紅外圖像和可見光圖像進行預處理，然后利用PCNN模型進行融合。實驗結(jié)果表明，該算法能夠有效地提升融合圖像的視覺效果和目標辨識能力。

1.引言

紅外與可見光圖像融合技術(shù)廣泛應(yīng)用于軍事、安防、航空等領(lǐng)域。傳統(tǒng)的融合方法主要基于像素級和變換域融合技術(shù)，但存在空間信息丟失和復雜度高的問題。脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）是一種模擬神經(jīng)網(wǎng)絡(luò)，具有自適應(yīng)性和非線性特性，可用于圖像融合。

2.方法

（1）紅外圖像與可見光圖像預處理

為了提高圖像質(zhì)量，對紅外圖像和可見光圖像進行預處理。首先，對紅外圖像和可見光圖像進行灰度拉伸，將灰度范圍映射到0~255之間。然后，對圖像進行直方圖均衡化，增強圖像的對比度和細節(jié)。

（2）PCNN模型

PCNN是一種生物啟發(fā)模型，通過神經(jīng)脈沖的傳遞和耦合實現(xiàn)信息處理。在本算法中，將預處理的紅外圖像和可見光圖像作為輸入，分別構(gòu)建兩個PCNN模型。通過計算每個像素點的刺激度和細胞脈沖發(fā)放次數(shù)，獲取圖像的特征信息。

（3）融合規(guī)則

為了獲得融合圖像，將紅外圖像PCNN和可見光圖像PCNN進行融合。通過計算兩個PCNN模型的輸出，得到融合像素值。具體而言，對于相同位置的像素點，選擇具有較高響應(yīng)值的像素作為融合結(jié)果。

3.實驗與結(jié)果

本文在公開數(shù)據(jù)集上對提出的算法進行了實驗驗證。結(jié)果表明，與傳統(tǒng)融合方法相比，基于PCNN的紅外與可見光圖像融合算法在視覺效果和目標辨識能力上獲得了明顯的提升。融合圖像的邊緣清晰，細節(jié)豐富，能夠更好地表達目標信息。

4.算法優(yōu)化與拓展

雖然基于PCNN的紅外與可見光圖像融合算法取得了良好的效果，但仍存在一些問題。算法對輸入圖像的灰度范圍敏感，對于復雜場景下的目標提取仍有待改進。因此，可以探索引入更多特征提取方法和優(yōu)化PCNN模型的方式，進一步提高融合算法的性能。

5.結(jié)論

本文提出了一種基于PCNN的紅外與可見光圖像融合算法，并在實驗中驗證了其有效性。該算法通過灰度拉伸和直方圖均衡化對圖像進行預處理，利用PCNN模型進行融合。實驗結(jié)果表明，算法能夠提升融合圖像的視覺效果和目標辨識能力。在未來的研究中，可以進一步優(yōu)化和改進該算法，提高圖像融合的精度和穩(wěn)定性，以滿足實際應(yīng)用需求綜上所述，本文提出的基于PCNN的紅外與可見光圖像融合算法在公開數(shù)據(jù)集上進行了實驗驗證。實驗結(jié)果表明，相比傳統(tǒng)融合方法，該算法在視覺效果和目標辨識能力上獲得了明顯的提升。融合圖像具有清晰的邊緣和豐富的細節(jié)，能夠更好地表達目標信息。然而，該算法仍存在對輸入圖像灰度范圍敏感以及在復雜場景下目標提取方面的待改進之處。因此，可以進一步研究引入更多特征提取方法和優(yōu)