專利名稱：：一種基于小波變換和多通道pcnn的高光譜圖像融合方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種基于小波變換和多通道PCNN的高光譜圖像融合方法，可以應(yīng)用于各類軍用或民用的高光譜遙感信息處理系統(tǒng)。
背景技術(shù)：
：成像光譜技術(shù)的發(fā)展為人們提供了豐富的多光譜或高光譜遙感數(shù)據(jù)。尤其是高光譜遙感，能夠同時(shí)提供有關(guān)同一場(chǎng)景的幾十甚至上百個(gè)波段的圖像，在各種民用和軍用領(lǐng)域獲得了廣泛的應(yīng)用。但它同時(shí)也帶來(lái)了數(shù)據(jù)量的急劇增大和相鄰波段數(shù)據(jù)間的冗余度高等問(wèn)題，而圖像融合技術(shù)是進(jìn)行高光譜圖像降維、改善高光譜圖像質(zhì)量和提高光譜數(shù)據(jù)的利用率的有效途徑之一。雖然傳統(tǒng)的圖像融合方法很多，但這些方法多是針對(duì)兩幅圖像展開(kāi)的；而且，一般來(lái)說(shuō)所要融合的兩幅圖像間的互補(bǔ)性信息較多。而高光譜圖像波段眾多、圖像間的冗余信息較多，所以直接將傳統(tǒng)融合方法應(yīng)用到高光譜圖像中會(huì)造成計(jì)算效率低、融合效果不理想等問(wèn)題，必須針對(duì)高光譜圖像的特點(diǎn)進(jìn)行新的融合方法的研究。
發(fā)明內(nèi)容要解決的技術(shù)問(wèn)題為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于小波變換和多通道PCNN的高光譜圖像融合方法。本發(fā)明的思想在于由于多通道PCNN模型可以同時(shí)對(duì)多幅輸入圖像進(jìn)行非線性融合處理，而利用小波變換對(duì)圖像進(jìn)行分解，可以獲得對(duì)圖像更好的描述，因此，將小波變換和多通道PCNN模型相結(jié)合，可以得到更好的融合效果。技術(shù)方案—種基于小波變換和多通道PCNN的高光譜圖像融合方法，其特征在于步驟如下步驟1:預(yù)處理利用基于互信息的圖像配準(zhǔn)方法對(duì)待融合的N個(gè)波段的高光譜圖像進(jìn)行圖像配準(zhǔn)，并利用線性變換方法將待融合的N個(gè)波段的高光譜圖像的灰度范圍映射到一個(gè)一致的灰度區(qū)間，如[O，l]或，得到預(yù)處理后的N個(gè)波段的高光譜圖像；步驟2:小波變換利用Mallat算法對(duì)預(yù)處理后的每一個(gè)波段的高光譜圖像分別進(jìn)行小波變換，對(duì)預(yù)處理后的第d個(gè)波段的高光譜圖像得到小波變換系數(shù){Ld，Hp,td};所述的Ld為預(yù)處理后的第d個(gè)波段的高光譜圖像的低頻子帶圖像；所述的Hp,td為預(yù)處理后的第d個(gè)波段的高光譜圖像的尺度t下p方向的高頻子帶圖像；所述的d為圖像序號(hào)，d=1，2，…，N;所述的t為小波變換的分解尺度，t>1;所述的p表示每個(gè)分解尺度下的不同方向，p=l，2，3，p=l表示水平方向，p=2表示垂直方向，p=3表示對(duì)角方向；步驟3:融合處理利用多通道PCNN模型對(duì)低頻子帶圖像Ld和高頻子帶圖像Hp,td分別進(jìn)行初步的非線性融合處理，得到低頻子帶圖像的點(diǎn)火頻率圖f和高頻子帶圖像的點(diǎn)火頻率圖T^';所述的多通道PCNN模型為<formula>formulaseeoriginaldocumentpage6</formula>所述的下標(biāo)ij表示圖像中像素的位置為i行j列，i=1，2，…，P，j二l，2，，Q，P為圖像總的行數(shù)，Q為圖像總的列數(shù)；所述的下標(biāo)kl表示圖像中像素的位置為k行1列；所述的上標(biāo)d表示輸入圖像的序號(hào)，d二1，2，…，N;所述的n為迭代次數(shù)；所述的[n]表示第n次迭代；所述的Id表示輸入的低頻子帶圖像Ld或高頻子帶圖像Hp,td;所述的Fd表示多通道PCNN模型的輸入；所述的Y表示多通道PCNN模型的輸出；所述的L表示以位于i行j列的像素為中心的周圍3X3鄰域內(nèi)像素的耦合連接；所述的U為內(nèi)部活動(dòng)信號(hào)；所述的9表示動(dòng)態(tài)閾值；所述的T為點(diǎn)火頻率；所述的VF為F的放大系數(shù)，VF>0;所述的、為L(zhǎng)的放大系數(shù)，、>0;所述的Ve為e的放大系數(shù)，Ve>0;所述的a,為L(zhǎng)的衰減系數(shù)，a^>0;所述的ae為9的衰減系數(shù)，ae>0;所述的Cd為輸入耦合系數(shù)，Cd>0且^C"-1;所述的|3為連接耦合系數(shù)，|3》0;所述的M為F的大小為3X3的反饋連接權(quán)矩陣；所述的W為L(zhǎng)的大小為3X3的反饋連接權(quán)矩陣；對(duì)低頻子帶圖像，利用線性變換方法將點(diǎn)火頻率圖f的像素范圍映射到N個(gè)低頻子帶圖像Ld的像素范圍的并集區(qū)間，直接將映射結(jié)果作為融合后的低頻子帶圖像LF;對(duì)高頻子帶圖像H^td，將點(diǎn)火頻率圖r作為區(qū)域分割的依據(jù)，先對(duì)高頻子帶圖像Hp,td進(jìn)行區(qū)域分割，具體步驟如下步驟a:求取點(diǎn)火頻率圖r的直方圖H(1);步驟b:利用歷-^-計(jì)算得到直方圖H(l)的矢量重心m，利用s邵)5=、+!>x"(/)-司2計(jì)算得到直方圖H(l)的偏差s，并利用Tl=m-s和T2=m+s計(jì)算得到分割閾值T1和T2;所述的l表示離散灰度級(jí)，l=1，2，…，L;所述的L為圖像總的灰度級(jí)數(shù)，L>1;步驟c:利用分割閾值Tl和T2將高頻子帶圖像Hp,td分割成三種區(qū)域點(diǎn)火頻率圖r~中小于Tl的像素對(duì)應(yīng)著高頻子帶圖像Hp,td的均勻區(qū)域AreaJ，點(diǎn)火頻率圖T、'中大于T2的像素對(duì)應(yīng)著高頻子帶圖像4,/的邊緣區(qū)域AreaB，而點(diǎn)火頻率圖2^'"中介于Tl和T2之間的像素對(duì)應(yīng)著高頻子帶圖像4,/的紋理區(qū)域AreaW;然后，對(duì)高頻子帶圖像Hp,td區(qū)域分割后的三種區(qū)域采用不同的融合規(guī)則進(jìn)行融合處理，得到融合后的高頻子帶圖像Hp,/，具體為a.均勻區(qū)域AreaJ:按O,"=|>d"計(jì)算得到高頻子帶圖像Hp,/的融合結(jié)果；所述的i表示像素位于圖像的第i行；所述的j表示像素位于圖像的第j列；所述的Hp,/(i，j)為位于融合后的高頻子帶圖像Hp,/i行j列的像素值，iZ/p,(i，j)為位于高頻子帶圖像Hp,tdi行j列且屬于均勻區(qū)域AreaJ的像素值，d=1，2，…，N;sd為按。</a^.f^計(jì)算得到的均勻區(qū)域的融合加權(quán)系數(shù)；所述的。d為高頻子帶圖像Hp,td的標(biāo)準(zhǔn)A-差；b.紋理區(qū)域AreaW:按《)"，"=^;"^",","計(jì)算得到高頻子帶圖像Hp,tF的融合結(jié)果；所述的i^^,(i，j)為位于高頻子帶圖像Hp,tdi行j列且屬于紋理區(qū)域AreaW的產(chǎn)-像素值；為按計(jì)算得到的紋理區(qū)域的融合加權(quán)系數(shù)；所述的為高頻子帶圖像Hp,td中以位于i行j列的像素為中心的3X3鄰域內(nèi)像素的標(biāo)準(zhǔn)差；c.邊緣區(qū)域AreaB:按丑二""^『g7{^4力',"，//4,,"'"￡^//4//,","=1,---,7\^}取模極大值對(duì)應(yīng)的高頻子帶圖像Hp,td中的像素值作為高頻子帶圖像Hp,/的融合結(jié)果；所述的i^二(i，j)為位于高頻子帶圖像Hp,tdi行j列且屬于邊緣區(qū)域AreaB的像素值；所述的""g^a^/Y^，xe^0表示使f(x)取得最大值的那個(gè)x;步驟4:小波重構(gòu)將融合處理后得到的低頻子帶圖像LF和高頻子帶圖像Hp,/進(jìn)行小波重構(gòu)，得到最終的融合結(jié)果圖像；有益效果本發(fā)明提出的基于小波變換和多通道PCNN的高光譜圖像融合方法，利用小波變換對(duì)圖像進(jìn)行分解，可以獲得圖像在不同分辨率和不同方向下的低頻和高頻信息，通過(guò)對(duì)這些信息的融合處理能夠降低融合圖像的光譜失真，有助于改善融合效果；而多通道PCNN模型利用神經(jīng)元間的連接和反饋調(diào)節(jié)，可以同時(shí)對(duì)多幅輸入圖像進(jìn)行非線性融合處理，能夠取得較好的融合效果，也打破了傳統(tǒng)方法只能處理兩幅圖像的束縛，提高了計(jì)算效率。因此，將小波變換和多通道PCNN模型相結(jié)合，更加適用于高光譜圖像融合，并可以得到好的融合效果。圖1:本發(fā)明方法的基本流程圖圖2:本發(fā)明方法中多通道PCNN模型的原理圖圖3:使用本方法完成OMIS高光譜圖像融合的例子(a)第1個(gè)待融合波段圖像(b)第2個(gè)待融合波段圖像(c)第3個(gè)待融合波段圖像(d)第4個(gè)待融合波段圖像(e)第5個(gè)待融合波段圖像(f)基于小波變換和區(qū)域能量方法的融合圖像(g)基于小波變換和傳統(tǒng)PCNN方法的融合圖像(h)基于小波變換和多通道PCNN方法的融合圖像具體實(shí)施例方式現(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明作進(jìn)一步描述用于實(shí)施的硬件環(huán)境是Pentium-43G計(jì)算機(jī)、1GB內(nèi)存、128M顯卡，運(yùn)行的軟件環(huán)境是Matlab7.0和WindowsXP。我們用Matlab軟件實(shí)現(xiàn)了本發(fā)明提出的方法。圖像數(shù)據(jù)采用64個(gè)波段的OMIS(實(shí)用型模塊化成像光譜儀)圖像，從中挑選出5個(gè)波段的圖像進(jìn)行融合。本發(fā)明具體實(shí)施如下1、預(yù)處理首先利用基于互信息的圖像配準(zhǔn)方法對(duì)5個(gè)波段的高光譜圖像進(jìn)行配準(zhǔn)，使所有波段圖像完全揭示同一場(chǎng)景，即分別計(jì)算每?jī)煞鶊D像間的互信息，搜索并使其互信息達(dá)到最大的位置，完成兩幅圖像間的配準(zhǔn)，通過(guò)每?jī)煞鶊D像間的配準(zhǔn)來(lái)完成5幅圖像的配準(zhǔn)；設(shè)兩幅圖像的熵分別為H(X)和H(Y)，聯(lián)合熵為H(X，Y)，則其互信息為I(X，Y)=H(X)+H(Y)_H(X，Y)然后，進(jìn)行圖像的灰度調(diào)整，使所有波段圖像的灰度范圍均處于灰度區(qū)間內(nèi)；設(shè)原始圖像的灰度區(qū)間為[ai，A]，則灰度調(diào)整公式為^=255x^~^(1)a2-Q其中，a和3分別為灰度調(diào)整前后像素的灰度值。2、小波變換采用Mallat算法對(duì)預(yù)處理后5個(gè)波段的OMIS圖像分別進(jìn)行三層離散小波變換，對(duì)預(yù)處理后的第d個(gè)波段的高光譜圖像得到其離散小波變換系數(shù){Ld，Hp,td}，Ld為預(yù)處理后的第d個(gè)波段的高光譜圖像的低頻子帶圖像，Hp,td為預(yù)處理后的第d個(gè)波段的高光譜圖像的尺度t下p方向的高頻子帶圖像，這里，d=1，2，…，5，t=1，2，3，p=1，2，3，p=1表示水平方向，p=2表示垂直方向，p=3表示對(duì)角方向。二進(jìn)離散小波變換公式為<formula>formulaseeoriginaldocumentpage9</formula>3、融合處理對(duì)低頻子帶圖像Ld和高頻子帶圖像Hp,td分別利用多通道PCNN模型進(jìn)行初步的非線性融合處理，得到低頻子帶圖像的點(diǎn)火頻率圖f和高頻子帶圖像的點(diǎn)火頻率圖，并以此作為融合處理的依據(jù)。<formula>formulaseeoriginaldocumentpage9</formula>多通道PCNN模型為<formula>formulaseeoriginaldocumentpage9</formula>對(duì)低頻子帶圖像1/((1=1，2，…，5)，令多通道PCNN模型的輸入"=^""和下標(biāo)ij均表示圖像中i行j列的像素位置)，設(shè)定VF=1.0，、=1.0，Ve=(1+1_/80)5(1_為(1=1，2，…，5的所有5幅低頻子帶圖像Ld中像素的最大值)，、=0.1，ae=0.05，|3=0.2，并設(shè)定最大迭代次數(shù)nmax=1000，初始n=l，Y[O]=O，L[O].0.10910.14090.1091.0.140900.14090.10910.14090.1091帶圖像Ld的標(biāo)準(zhǔn)差)；然后，按照多通道PCNN模型進(jìn)行計(jì)算和迭代，直到滿足n==nmax或者所有像素的點(diǎn)火頻率Tij[n]均大于O，則得到由點(diǎn)火頻率Tij[n]構(gòu)成的非線性融合處理后的點(diǎn)火頻率圖T、將f的像素范圍進(jìn)行如式(1)的線性變換，映射到原來(lái)5個(gè)低頻子帶圖像1/((1=1，2，…，5)的像素范圍的并集區(qū)間，并將映射后的結(jié)果作為低頻子帶圖像的融合結(jié)果LF。圖像標(biāo)準(zhǔn)差的計(jì)算公式為o，e=0，T[O]=0;M=『=^-1(Od為低頻子<formula>formulaseeoriginaldocumentpage9</formula>其中，下標(biāo)ij表示圖像中像素的位置為尸2SIX<formula>formulaseeoriginaldocumentpage9</formula>(2)行j列，P為圖像總的行數(shù)，Q為圖像總的列數(shù)，1為圖像的均值，/=,=,,=,1，2，".，5)，按下對(duì)分解尺度1下1方向(水平方向)的高頻子帶圖像H^d(d述過(guò)程得到其融合后的高頻子帶圖像:(1)令多通道PCNN模型的輸入《=/^"/)((i，j)和下標(biāo)ij均表示圖像中行J列的像素位置)，沒(méi)定Vf二1.0，VL=1.0，Ve=(l+I隨/500)5(Imax為d=1，2，，5的所有5幅高頻子帶圖像Hud中像素的最大值)，、=0.1，ae=0.01，13=0.2，并設(shè)定最大迭代次數(shù)n隨=1000，初始<formula>formulaseeoriginaldocumentpage10</formula>(od為高頻子帶圖像的標(biāo)準(zhǔn)差，按式(2)計(jì)算)；然后，按照多通道PCNN模型進(jìn)行計(jì)算和迭代，直到滿足n二二n^或者所有像素的點(diǎn)火頻率Tij[n]均大于O，則得到由點(diǎn)火頻率Tij[n]構(gòu)成的非線性融合處理后的點(diǎn)火頻率圖"'.1;(2)將T^'作為區(qū)域劃分的依據(jù)，對(duì)高頻子帶圖像Hud(d=1，2，…，5)進(jìn)行區(qū)域分割，具體過(guò)程如下(a)求取點(diǎn)火頻率圖r^的直方圖H(l)，計(jì)算公式為<formula>formulaseeoriginaldocumentpage10</formula>其中，1表示離散灰度級(jí)，ni為圖像中出現(xiàn)1級(jí)灰度的像素個(gè)數(shù)，n為圖像中總的像素個(gè)數(shù)；(b)計(jì)算直方圖H(l)的矢量重心m和偏差s，并得到分割閾值Tl和T2，其計(jì)算公式分別為<formula>formulaseeoriginaldocumentpage10</formula>其中，L為圖像總的灰度級(jí)數(shù)；(c)進(jìn)行區(qū)域劃分，點(diǎn)火頻率圖:r^中小于Ti的像素對(duì)應(yīng)著高頻子帶圖像Hud(d，5)的均勻區(qū)域AreaJ，點(diǎn)火頻率圖r""中大于T2的像素對(duì)應(yīng)著高頻子帶圖像1，2，…，5)的邊緣區(qū)域AreaB，而點(diǎn)火頻率圖7^'，'中介于Tl和T2之間的像素點(diǎn)對(duì)應(yīng)著高頻子帶圖像Hud(d=1，2，…，5)的紋理區(qū)域AreaW。(3)對(duì)區(qū)域分割后得到的不同區(qū)域采用不同的融合規(guī)則進(jìn)行處理，得到最終高頻子帶圖像Hud(d二1，2，…，5)的融合結(jié)果&,/，具體為a.均勻區(qū)域的融合按整體方差的歸一化加權(quán)計(jì)算得到融合結(jié)果，計(jì)算公式為<formula>formulaseeoriginaldocumentpage10</formula>b.紋理區(qū)域的融合按局部方差的歸一化加權(quán)計(jì)算得到融合結(jié)果，計(jì)算公式為<formula>formulaseeoriginaldocumentpage10</formula>C.邊緣區(qū)域的融合取模極大值對(duì)應(yīng)的像素值為融合結(jié)果，計(jì)算公式為<formula>formulaseeoriginaldocumentpage10</formula>其中，(i，j)表示圖像中像素的位置為i行j列，AreaJ表示均勻區(qū)域，AreaW表示紋理區(qū)域，AreaB表示邊緣區(qū)域A,/(i，j)為高頻子帶圖像像素(i，j)的融合結(jié)果，Hiad(i，j)為高頻子帶圖像Hud中像素(i，j)的值，(1=1，2，…，N;sd為均勻區(qū)域的融合加權(quán)系數(shù)，計(jì)算公式為Cf4Od為高頻子帶圖像Hud的標(biāo)準(zhǔn)差，按式(2)計(jì)算；為紋理區(qū)域的融合加權(quán)系數(shù)，計(jì)算公式為、中心的3X3鄰域的局部標(biāo)準(zhǔn)差。5,'■/V"1為高頻子帶圖像I/中以像素ij為求取像素ij為中心的3X3鄰域的局部標(biāo)準(zhǔn)差的計(jì)算公式為J1,'+ij+i下標(biāo)kl表示圖像中像素的位置為k行1列，a為3X3鄰域內(nèi)像素的均值，對(duì)其他的分解尺度t(t=1，2，3)下p方向(p=1，2，3，p=1表示水平方向，p=2表示垂直方向，p=3表示對(duì)角方向)的高頻子帶圖像Hp,td(d=1，2，…，5)，按上述過(guò)程(1)(3)(即將其中的所有I/替換為t和p對(duì)應(yīng)取值的Hp,td)計(jì)算得到其融合后的高頻子帶圖像Hp,/;至此，完成所有高頻子帶圖像的融合處理；4、小波重構(gòu)將融合處理后得到的低頻子帶圖像l/和高頻子帶圖像Hp,/進(jìn)行小波重構(gòu)，得到最終的融合結(jié)果圖像。圖3為待融合的0MIS圖像和融合處理后的0MIS圖像。將本發(fā)明所得的融合結(jié)果與其他融合方法所得的融合結(jié)果進(jìn)行對(duì)比，評(píng)價(jià)結(jié)果如表1所示。圖像標(biāo)準(zhǔn)差的大小表明了圖像細(xì)節(jié)信息的多少，標(biāo)準(zhǔn)差越大，所含細(xì)節(jié)信息越豐富。圖像熵值的大小反映了融合圖像中所包含的平均信息量的大小，熵值越大，所含信息量越大。平均相關(guān)系數(shù)越大，表明融合圖像的光譜信息改變的程度越小。表1融合結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)差熵平均相關(guān)系數(shù)(f)圖31.9986.74190.93(g)圖32.6196.73730.85133.8226.8320.94權(quán)利要求一種基于小波變換和多通道PCNN的高光譜圖像融合方法，其特征在于步驟1預(yù)處理利用基于互信息的圖像配準(zhǔn)方法對(duì)待融合的N個(gè)波段的高光譜圖像進(jìn)行圖像配準(zhǔn)，并利用線性變換方法將待融合的N個(gè)波段的高光譜圖像的灰度范圍映射到一個(gè)一致的灰度區(qū)間，得到預(yù)處理后的N個(gè)波段的高光譜圖像；步驟2小波變換利用Mallat算法對(duì)預(yù)處理后的每一個(gè)波段的高光譜圖像分別進(jìn)行小波變換，對(duì)預(yù)處理后的第d個(gè)波段的高光譜圖像得到小波變換系數(shù){Ld，Hp，td}；所述的Ld為預(yù)處理后的第d個(gè)波段的高光譜圖像的低頻子帶圖像；所述的Hp，td為預(yù)處理后的第d個(gè)波段的高光譜圖像的尺度t下p方向的高頻子帶圖像；所述的d為圖像序號(hào)，d＝1，2，…，N；所述的t為小波變換的分解尺度，t≥1；所述的p表示每個(gè)分解尺度下的不同方向，p＝1，2，3，p＝1表示水平方向，p＝2表示垂直方向，p＝3表示對(duì)角方向；步驟3融合處理利用多通道PCNN模型對(duì)低頻子帶圖像Ld和高頻子帶圖像Hp，td分別進(jìn)行初步的非線性融合處理，得到低頻子帶圖像的點(diǎn)火頻率圖TL和高頻子帶圖像的點(diǎn)火頻率圖所述的多通道PCNN模型為<mfencedopen='{'close=''><mtable><mtr><mtd><msubsup><mi>F</mi><mi>ij</mi><mi>d</mi></msubsup><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><msub><mi>V</mi><mi>F</mi></msub><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mi>i</mi><mo>-</mo><mn>1</mn></mrow><mrow><mi>i</mi><mo>+</mo><mn>1</mn></mrow></munderover><munderover><mi>Σ</mi><mrow><mi>l</mi><mo>=</mo><mi>j</mi><mo>-</mo><mi>l</mi></mrow><mrow><mi>j</mi><mo>+</mo><mn>1</mn></mrow></munderover><msub><mi>M</mi><mi>ijkl</mi></msub><msub><mi>Y</mi><mi>kl</mi></msub><mo>[</mo><mi>n</mi><mo>-</mo><mn>1</mn><mo>]</mo><mo>+</mo><msubsup><mi>I</mi><mi>ij</mi><mi>d</mi></msubsup></mtd></mtr><mtr><mtd><msub><mi>L</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><msup><mi>e</mi><mrow><mo>-</mo><msub><mi>α</mi><mi>L</mi></msub></mrow></msup><msub><mi>L</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>-</mo><mn>1</mn><mo>]</mo><mo>+</mo><msub><mi>V</mi><mi>L</mi></msub><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mi>i</mi><mo>-</mo><mn>1</mn></mrow><mrow><mi>i</mi><mo>+</mo><mn>1</mn></mrow></munderover><munderover><mi>Σ</mi><mrow><mi>l</mi><mo>=</mo><mi>j</mi><mo>-</mo><mn>1</mn></mrow><mrow><mi>j</mi><mo>+</mo><mn>1</mn></mrow></munderover><msub><mi>W</mi><mi>ijkl</mi></msub><msub><mi>Y</mi><mi>kl</mi></msub><mo>[</mo><mi>n</mi><mo>-</mo><mn>1</mn><mo>]</mo></mtd></mtr><mtr><mtd><msub><mi>U</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><mi>β</mi><msub><mi>L</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>)</mo></mrow><munderover><mi>Π</mi><mrow><mi>d</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msup><mi>C</mi><mi>d</mi></msup><msubsup><mi>F</mi><mi>ij</mi><mi>d</mi></msubsup><mo>[</mo><mi>n</mi><mo>]</mo><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>θ</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><msup><mi>e</mi><msub><mi>α</mi><mi>θ</mi></msub></msup><msub><mi>θ</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>-</mo><mn>1</mn><mo>]</mo><mo>+</mo><msub><mi>V</mi><mi>θ</mi></msub><msub><mi>Y</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>-</mo><mn>1</mn><mo>]</mo></mtd></mtr><mtr><mtd><msub><mi>Y</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>1</mn></mtd><mtd><msub><mi>U</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>≥</mo><msub><mi>θ</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><msub><mi>U</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo><</mo><msub><mi>θ</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo></mtd></mtr></mtable></mfenced></mtd></mtr><mtr><mtd><msub><mi>T</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>n</mi></mtd><mtd><msub><mi>Y</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><mn>1</mn></mtd></mtr><mtr><mtd><msub><mi>T</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>-</mo><mn>1</mn><mo>]</mo></mtd><mtd><msub><mi>Y</mi><mi>ij</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><mn>0</mn></mtd></mtr></mtable></mfenced></mtd></mtr></mtable></mfenced>所述的下標(biāo)ij表示圖像中像素的位置為i行j列，i＝1，2，…，P，j＝1，2，…，Q，P為圖像總的行數(shù)，Q為圖像總的列數(shù)；所述的下標(biāo)kl表示圖像中像素的位置為k行l(wèi)列；所述的上標(biāo)d表示輸入圖像的序號(hào)，d＝1，2，…，N；所述的n為迭代次數(shù)；所述的[n]表示第n次迭代；所述的Id表示輸入的低頻子帶圖像Ld或高頻子帶圖像Hp，td；所述的Fd表示多通道PCNN模型的輸入；所述的Y表示多通道PCNN模型的輸出；所述的L表示以位于i行j列的像素為中心的周圍3×3鄰域內(nèi)像素的耦合連接；所述的U為內(nèi)部活動(dòng)信號(hào)；所述的θ表示動(dòng)態(tài)閾值；所述的T為點(diǎn)火頻率；所述的VF為F的放大系數(shù)，VF＞0；所述的VL為L(zhǎng)的放大系數(shù)，VL＞0；所述的Vθ為θ的放大系數(shù)，Vθ＞0；所述的αL為L(zhǎng)的衰減系數(shù)，αL≥0；所述的αθ為θ的衰減系數(shù)，αθ≥0；所述的Cd為輸入耦合系數(shù)，Cd≥0且所述的β為連接耦合系數(shù)，β≥0；所述的M為F的大小為3×3的反饋連接權(quán)矩陣；所述的W為L(zhǎng)的大小為3×3的反饋連接權(quán)矩陣；對(duì)低頻子帶圖像，利用線性變換方法將點(diǎn)火頻率圖TL的像素范圍映射到N個(gè)低頻子帶圖像Ld的像素范圍的并集區(qū)間，直接將映射結(jié)果作為融合后的低頻子帶圖像LF；對(duì)高頻子帶圖像Hp，td，將點(diǎn)火頻率圖作為區(qū)域分割的依據(jù)，先對(duì)高頻子帶圖像Hp，td進(jìn)行區(qū)域分割，具體步驟如下步驟a求取點(diǎn)火頻率圖的直方圖H(l)；步驟b利用計(jì)算得到直方圖H(l)的矢量重心m，利用計(jì)算得到直方圖H(l)的偏差s，并利用T1＝m-s和T2＝m+s計(jì)算得到分割閾值T1和T2；所述的l表示離散灰度級(jí)，l＝1，2，…，L；所述的L為圖像總的灰度級(jí)數(shù)，L≥1；步驟c利用分割閾值T1和T2將高頻子帶圖像Hp，td分割成三種區(qū)域點(diǎn)火頻率圖中小于T1的像素對(duì)應(yīng)著高頻子帶圖像Hp，td的均勻區(qū)域AreaJ，點(diǎn)火頻率圖中大于T2的像素對(duì)應(yīng)著高頻子帶圖像Hp，td的邊緣區(qū)域AreaB，而點(diǎn)火頻率圖中介于T1和T2之間的像素對(duì)應(yīng)著高頻子帶圖像Hp，td的紋理區(qū)域AreaW；然后，對(duì)高頻子帶圖像Hp，td區(qū)域分割后的三種區(qū)域采用不同的融合規(guī)則進(jìn)行融合處理，得到融合后的高頻子帶圖像Hp，tF，具體為a.均勻區(qū)域AreaJ按計(jì)算得到高頻子帶圖像Hp，tF的融合結(jié)果；所述的i表示像素位于圖像的第i行；所述的j表示像素位于圖像的第j列；所述的Hp，tF(i，j)為位于融合后的高頻子帶圖像Hp，tFi行j列的像素值，HJp，td(i，j)為位于高頻子帶圖像Hp，tdi行j列且屬于均勻區(qū)域AreaJ的像素·值，d＝1，2，…，N；sd為按計(jì)算得到的均勻區(qū)域的融合加權(quán)系數(shù)；所述的σd為高頻子帶圖像Hp，td的標(biāo)準(zhǔn)差；b.紋理區(qū)域AreaW按計(jì)算得到高頻子帶圖像Hp，tF的融合結(jié)果；所述的HWp，td(i，j)為位于高頻子帶圖像Hp，tdi行j列且屬于紋理區(qū)域AreaW的像素值；所述的為按計(jì)算得到的紋理區(qū)域的融合加權(quán)系數(shù)；所述的為高頻子帶圖像Hp，td中以位于i行j列的像素為中心的3×3鄰域內(nèi)像素的標(biāo)準(zhǔn)差；c.邊緣區(qū)域AreaB按取模極大值對(duì)應(yīng)的高頻子帶圖像Hp，td中的像素值作為高頻子帶圖像Hp，tF的融合結(jié)果；所述的HBp，td(i，j)為位于高頻子帶圖像Hp，tdi行j列且屬于邊緣區(qū)域AreaB的像素值；所述的arg表示使f(x)取得最大值的那個(gè)x；步驟4小波重構(gòu)將融合處理后得到的低頻子帶圖像LF和高頻子帶圖像Hp，tF進(jìn)行小波重構(gòu)，得到最終的融合結(jié)果圖像；2.根據(jù)權(quán)利要求1所述的一種基于小波變換和多通道PCNN的高光譜圖像融合方法，其特征在于所述的一致的灰度區(qū)間為[O，l]或。全文摘要本發(fā)明涉及一種基于小波變換和多通道PCNN的高光譜圖像融合方法，其特征在于首先，對(duì)待融合的N個(gè)波段的高光譜圖像進(jìn)行配準(zhǔn)和灰度調(diào)整的預(yù)處理，并進(jìn)行小波變換，得到低頻子帶圖像和高頻子帶圖像；然后，利用多通道PCNN模型分別對(duì)低頻子帶圖像和高頻子帶圖像進(jìn)行初步的非線性融合處理，得到相應(yīng)的點(diǎn)火頻率圖，對(duì)低頻子帶圖像，將點(diǎn)火頻率圖進(jìn)行相應(yīng)系數(shù)范圍的線性映射，直接將映射結(jié)果作為融合結(jié)果；對(duì)各方向高頻子帶圖像，利用點(diǎn)火頻率圖進(jìn)行區(qū)域分割，并對(duì)不同區(qū)域采用不同的融合規(guī)則進(jìn)行融合處理；最后，進(jìn)行小波重構(gòu)，得到最終的融合結(jié)果圖像。通過(guò)以上方法，可以實(shí)現(xiàn)高光譜多個(gè)波段的圖像融合，并能夠得到更好的融合效果。文檔編號(hào)G06T5/50GK101697231SQ20091021867公開(kāi)日2010年4月21日申請(qǐng)日期2009年10月29日優(yōu)先權(quán)日2009年10月29日發(fā)明者付朝陽(yáng),常威威,郭雷申請(qǐng)人:西北工業(yè)大學(xué);