專利名稱：基于雙通道pcnn的多聚焦圖像融合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種基于雙通道PCNN (脈沖藕合神經(jīng)網(wǎng)絡(luò)，Pulse Coupled Neural Networks)的非下米樣 Contourlet 變換(NSCT)多聚焦圖像融合方法。
背景技術(shù)：
不同類型光學(xué)設(shè)備，由于其有限景深的特點(diǎn)，造成它們對(duì)于同一目標(biāo)區(qū)域內(nèi)的不 同對(duì)象所成的像由于焦距不同而產(chǎn)生具有不同焦點(diǎn)的圖像，因而造成這些所取得圖像的清晰區(qū)域也就各異，圖像中所有對(duì)象不能夠達(dá)到相同的清晰程度，任何一個(gè)圖像對(duì)信息的表達(dá)都是不完整的，但是這些圖像表現(xiàn)同一場(chǎng)景的側(cè)重不一樣，因此存在互為補(bǔ)充的信息。通過(guò)融合不同圖像的焦點(diǎn)區(qū)域，使得生成的圖像具備更為完整的信息內(nèi)容。多聚焦圖像是由同種傳感器采用不同的成像方式(聚焦點(diǎn)的不同)獲得的。多聚焦圖像融合是將在同一時(shí)間或不同時(shí)間獲取的多聚焦圖像信息加以綜合，以生成新的有關(guān)場(chǎng)景解釋的信息處理過(guò)程。多聚焦圖像融合可以使多個(gè)不同距離的目標(biāo)物體同時(shí)清晰地呈現(xiàn)，這為特征提取、圖像識(shí)別奠定了良好基礎(chǔ)。多聚焦圖像融合方法大致分為兩類基于空間域的圖像融合和基于變換域的圖像融合。典型的空域方法是分塊融合法，分塊法直接選擇清晰的圖像塊作為融合結(jié)果，而且不存在下采樣環(huán)節(jié)，具備平移不變性，能有效抑制虛假信息的引入，能準(zhǔn)確地保持源圖像的有用信息，計(jì)算簡(jiǎn)單，實(shí)時(shí)性好，但在源圖像的清晰區(qū)域與模糊區(qū)域的交界處容易出現(xiàn)塊效應(yīng)。常用的變換域融合方法包括小波變換及多尺度幾何分析方法等。小波變換具有優(yōu)良的時(shí)頻局部化性能，它用一組尺度不同的帶通濾波器對(duì)信號(hào)進(jìn)行濾波，將信號(hào)分解為不同頻帶進(jìn)行處理。融合圖像效果的好壞主要取決于融合方法和融合規(guī)則選取的得當(dāng)與否。但基于小波變換的圖像融合方法在過(guò)程中會(huì)產(chǎn)生偽吉布斯效應(yīng)，影響融合圖像效果。兩類方法各自的缺陷使得實(shí)現(xiàn)多聚焦圖像融合成為一項(xiàng)必要而又相當(dāng)困難的任務(wù)。中國(guó)專利文獻(xiàn)號(hào)CN1873693，
公開(kāi)日2006-12-06，記載了一種“基于Contourlet變換和改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合方法”，該技術(shù)步驟為在對(duì)輸入的可見(jiàn)光與紅外線圖像進(jìn)行多尺度、多方向Contourlet分解的基礎(chǔ)上，對(duì)具有神經(jīng)生理學(xué)背景的PCNN進(jìn)行改進(jìn)，利用改進(jìn)型的IPCNN進(jìn)行融合策略設(shè)計(jì)，根據(jù)可見(jiàn)光圖像和紅外線圖像的不同特征，對(duì)高頻細(xì)節(jié)部分和低頻背景部分分別進(jìn)行融合，生成Contourlet域融合系數(shù)，最后經(jīng)過(guò)Contourlet反變換得到融合圖像。但該技術(shù)的缺點(diǎn)在于Contourlet變換在離散域內(nèi)進(jìn)行，采樣過(guò)程不具備平移不變性，會(huì)產(chǎn)生偽吉布斯效應(yīng)，影響融合效果，應(yīng)用對(duì)象為多光譜圖像，不適合多聚焦圖像融合。經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，西北工業(yè)大學(xué)李美麗等人提出“基于NSCT和PCNN的紅外與可見(jiàn)光圖像融合方法(《光電工程》2010年第6期90-95)，用非下采樣Contourlet變換對(duì)已配準(zhǔn)的源圖像進(jìn)行分解，得到低頻子帶系數(shù)和各帶通子帶系數(shù)，對(duì)各帶通子帶系數(shù)提出了一種改進(jìn)的基于PCNN的圖像融合方法來(lái)確定融合圖像的各帶通子帶系數(shù)；最后經(jīng)過(guò)非下采樣Contourlet逆變換得到融合圖像,該方法優(yōu)于Laplacian方法、小波方法和非下采樣Contourlet變換方法,證明利用非下采樣Contourlet變換和PCNN進(jìn)行圖像融合是可行的，但該技術(shù)的缺點(diǎn)在于=PCNN模型復(fù)雜，參數(shù)多，計(jì)算耗時(shí)長(zhǎng)，融合對(duì)象是包含相同內(nèi)容的不同光譜圖像，不能直接應(yīng)用到多聚焦圖像的融合中。進(jìn)一步檢索發(fā)現(xiàn)，焦竹青、邵金濤、徐保國(guó)在“一種新的NSCT域多聚焦圖像融合方法”(第21屆中國(guó)過(guò)程控制會(huì)議論文，中國(guó)杭州，2010年8月)中公開(kāi)了一種針對(duì)同一場(chǎng)景的多聚焦圖像，提出一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)的非下采樣Contourlet變換(NSCT)域融合方法，該技術(shù)首先通過(guò)NSCT變換對(duì)源圖像進(jìn)行多尺度、多方向分解，將生成的低通子帶系數(shù)和帶通方向子帶系數(shù)輸入PCNN中，使各神經(jīng)元迭代產(chǎn)生的點(diǎn)火頻數(shù)構(gòu)成點(diǎn)火映射圖，根據(jù)其鄰域接近度選擇相應(yīng)的子帶系數(shù)，最后通過(guò)NSCT逆變換得到融合結(jié)果。實(shí)驗(yàn)分析表明，新方法更大程度的保留了多聚焦圖像的清晰區(qū)域和特征信息，具有比經(jīng)典小波變換、Contourlet變換和常規(guī)NSCT更好的融合性能。但該技術(shù)的缺點(diǎn)在于PCNN模 型復(fù)雜，參數(shù)多，計(jì)算耗時(shí)長(zhǎng)，融合規(guī)則基于系數(shù)比較取大，融合圖像每個(gè)像素對(duì)應(yīng)融合系數(shù)僅反映了其中一幅源圖像的信息，另一幅圖像的影響沒(méi)有考慮，該方法不適合應(yīng)用于偏亮或偏暗的圖像融合。中國(guó)專利文獻(xiàn)號(hào)CN101968883A，
公開(kāi)日2011_02_09，記載了一種基于小波變換和鄰域特征的多聚焦圖像融合方法。首先利用小波變換對(duì)圖像進(jìn)行多尺度分解，獲得圖像在不同分辨率和不同方向下的低頻和高頻信息；然后根據(jù)低頻和高頻信息的各自特性，采用不用的融合規(guī)則進(jìn)行處理，其中，對(duì)低頻子圖像采用基于鄰域歸一化梯度加權(quán)平均的融合方法，克服了傳統(tǒng)的低頻分量融合方法忽略邊緣信息的缺點(diǎn)，對(duì)高頻子圖像采用基于鄰域標(biāo)準(zhǔn)差加權(quán)平均的融合方法，可以最大限度地保留圖像的細(xì)節(jié)信息；最后進(jìn)行小波重構(gòu)得到融合圖像。但該技術(shù)的缺點(diǎn)在于小波變換只在處理一維分段光滑信號(hào)效果好，而對(duì)于二維自然圖像，其中包含大量紋理特性，線奇異性較突出時(shí)，小波變換并不是最優(yōu)表示方法。因?yàn)樾〔ㄕ归_(kāi)系數(shù)的稀疏性并不理想，產(chǎn)生較大逼近誤差，且采樣過(guò)程不具備平移不變性，會(huì)產(chǎn)生偽吉布斯效應(yīng)，影響融合效果。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有融合技術(shù)存在的上述不足，為了彌補(bǔ)以上技術(shù)缺陷，提出一種基于雙通道PCNN的多聚焦圖像融合方法，克服傳統(tǒng)多聚焦圖像融合方法的缺陷，改善融合效果。本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明通過(guò)分別將兩幅圖像經(jīng)NSCT變換后得到若干不同頻率子圖像，并對(duì)應(yīng)采用基于雙通道PCNN進(jìn)行融合后確定融合圖像的各帶通子帶系數(shù)，最后通過(guò)NSCT逆變換得到融合圖像。本發(fā)明具體包括以下步驟第一步、通過(guò)非下采樣Contourlet變換分解已配準(zhǔn)的兩幅源圖像，并分別獲得其各自的一個(gè)低頻子圖像和若干高頻子圖像。第二步、將一個(gè)低頻子圖像和若干高頻子圖像作為分解系數(shù)通過(guò)雙通道脈沖藕合神經(jīng)網(wǎng)絡(luò)(PCNN)制定的融合規(guī)則進(jìn)行融合，具體步驟如下I)初始化雙通道脈沖藕合神經(jīng)網(wǎng)絡(luò)(PCNN)參數(shù)；
2)將源圖像Ia和Ib的對(duì)應(yīng)分解系數(shù)分別輸入到雙通道PCNN的兩個(gè)通道，與雙通道PCNN的反饋系數(shù)一起激勵(lì)神經(jīng)元；3)雙通道PCNN的脈沖發(fā)生器根據(jù)當(dāng)前的閾值決定點(diǎn)火事件，并記錄每次迭代后所有點(diǎn)火神經(jīng)元總數(shù)，即本次迭代前所有點(diǎn)火神經(jīng)元總數(shù)與當(dāng)前迭代中的神經(jīng)元點(diǎn)火數(shù)量的總和，并且每個(gè)神經(jīng)元在整個(gè)過(guò)程中只點(diǎn)一次火。4)當(dāng)所有點(diǎn)火神經(jīng)元總數(shù)小于雙通道PCNN的中的所有神經(jīng)元總數(shù)則返回步驟
2)，否則對(duì)雙通道PCNN的內(nèi)部活動(dòng)項(xiàng)U進(jìn)行歸一化處理得到融合圖像的融合低頻分量和不同尺度下不同方向上的高頻分量。第三步、對(duì)第二步得到的各帶通子帶系數(shù)進(jìn)行NSCT逆變換，得到最終的融合圖像。本發(fā)明利用了非下采樣Contourlet變換能夠更好的處理高維的奇異性，如輪廓、紋理等信息，使其能夠更加充分挖掘待融合圖像的方向信息，對(duì)于高維奇異性基于更稀疏的表示，體現(xiàn)了多尺度、多方向性。非下采樣Contourlet變換具有更豐富的基函數(shù)，能更好地挖掘圖像奇異性，得到對(duì)比度更高，輪廓更清晰的融合結(jié)果，而且由于沒(méi)有進(jìn)行下采樣，因此有效的避免了 Gibbs效應(yīng)的產(chǎn)生；相比Contourlet變換和其他多分辨分析方法，非下采樣Contourlet變換可更好地展現(xiàn)多聚焦圖像的方向細(xì)節(jié)。雙通道PCNN能較好的處理偏暗或偏亮的圖像，基于視覺(jué)特性模型激勵(lì)的雙通道PCNN模型符合人類視覺(jué)特性，與其它神經(jīng)網(wǎng)絡(luò)模型相比有著更簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)和更強(qiáng)的適應(yīng)性，通過(guò)制定最佳迭代次數(shù)的判定準(zhǔn)貝U，由自適應(yīng)方法融合確定迭代次數(shù)，這就加強(qiáng)了模型的自適應(yīng)性。雙通道PCNN與非下采樣Contourlet變換的結(jié)合使本發(fā)明方案具備了兩者的優(yōu)勢(shì)，很好的彌補(bǔ)了傳統(tǒng)融合技術(shù)的缺陷。


圖I為本發(fā)明融合流程示意圖。圖2為本發(fā)明雙通道PCNN的結(jié)構(gòu)圖。圖3為實(shí)施例I效果示意圖；圖中(a)為左聚焦圖像、(b)為右聚焦圖像、(C)為實(shí)施例效果圖、⑷為基于拉普拉斯金字塔變換融合效果圖、(e)為基于雙通道PCNN的融合效果圖、(f)為基于PCNN的融合效果圖。圖4為實(shí)施例2效果示意圖；圖中(a)為左聚焦圖像、(b)為右聚焦圖像、(C)為實(shí)施例效果圖、⑷為基于拉普拉斯金字塔變換融合效果圖、(e)為基于雙通道PCNN的融合效果圖、(f)為基于PCNN的融合效果圖。
具體實(shí)施例方式下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。實(shí)施例I
如圖I所示，本實(shí)施例包括以下步驟第一步對(duì)已配準(zhǔn)的反映相同內(nèi)容的左聚焦原始圖像Ia和右聚焦原始圖像Ib分別進(jìn)行非下采樣Contourlet變換,得到平穩(wěn)Contourlet變換域的方向子帶系數(shù)圖像；所述的非下采樣Contourlet變換中采用的尺度分解濾波器為⑶F9/7塔狀小波濾波器實(shí)現(xiàn)，采用的方向分解濾波器為Pkva方向?yàn)V波器，對(duì)原始圖像進(jìn)行兩層的尺度分解得到低通分量圖像和帶通分量圖像，即低頻子圖像IA_lf和IB_lf和高頻子圖像和，其中第I層有4個(gè)方向子帶，第2層有8個(gè)方向子帶，其中k為尺度分解的層數(shù)，I為方向分解的方向數(shù)。第二步初始化雙通道脈沖藕合神經(jīng)網(wǎng)絡(luò)(PCNN)參數(shù)后，分別對(duì)于低頻子圖像 IA-lf和IB_lf以及高頻子圖像和采用基于雙通道PCNN進(jìn)行融合，得到融合后的低頻子圖像IF_lf以及融合后的高頻子圖像，其中/ff和/=)分別對(duì)應(yīng)Ia和Ib分解后位于第k層尺度、I方向上的高頻子圖像。所述的融合是指通過(guò)將經(jīng)歸一化的待融合圖像14和Ib的不同尺度下的高頻子帶與低頻子帶系數(shù)中的每個(gè)像素點(diǎn)對(duì)應(yīng)一個(gè)神經(jīng)元，若干神經(jīng)元連接成網(wǎng)絡(luò)，每個(gè)待融合源圖像經(jīng)非下采樣Contourlet變換后的分解系數(shù)輸入該網(wǎng)絡(luò)，進(jìn)行若干次迭代，使用不同尺度下的非下采樣Contourlet變換分解系數(shù)作為對(duì)應(yīng)神經(jīng)元的輸入，經(jīng)過(guò)雙通道PCNN點(diǎn)火得到源圖像在非下采樣Contourlet變換域的點(diǎn)火映射圖，根據(jù)基于雙通道PCNN的融合規(guī)則選取融合系數(shù)，將融合系數(shù)進(jìn)行區(qū)域一致性檢驗(yàn)，獲取融合圖像的各帶通子帶系數(shù)。所述的初始化是指設(shè)在I層子帶中，初始時(shí)各神經(jīng)元都處于熄火狀態(tài)，^f 0(O) = 0 ,(I；- "(O) = 0 n(0) = 0，Ti, J [n] = 0，k 表示分解尺度數(shù)，I 表示分解方向數(shù)。所述的迭代具體步驟包括a)初始條件各神經(jīng)元都處于熄火狀態(tài)A(O) = OJfn(O) = O^m(O) = O,
= 0 4表示分解尺度數(shù)，I表示分解方向數(shù)；b)迭代操作將分解系數(shù)輸入網(wǎng)絡(luò)，通過(guò)接收域的表達(dá)、調(diào)制域和脈沖產(chǎn)生域，逐點(diǎn)計(jì)算和并比較兩者大小以決定是否產(chǎn)生點(diǎn)火事件，具體包括如圖2所示，對(duì)應(yīng)迭代操作過(guò)程中的神經(jīng)元由接收域、調(diào)制域和脈沖產(chǎn)生域組成接收域^⑷=S[ — i] + ^ F"(") = Z[ -!] + S"
kj ■ kj .
*9調(diào)制域U,M = 0 + 作+ 作>])+ O' ■
*脈沖產(chǎn)生域
H1]= ebe 'Tij j[n] = exp (-a T) Tij j [n-1]+V1Yij j [n]；
其中:巧、是兩個(gè)通道第ij個(gè)神經(jīng)元的反饋輸入量，*^、#為外部激勵(lì)輸入，Ti, j為神經(jīng)元?jiǎng)討B(tài)閾值，a j為時(shí)間常數(shù)，Vt為歸一化常數(shù)，wijkl、mijkl為突觸聯(lián)接權(quán)，Uijj為內(nèi)部活動(dòng)項(xiàng)，04和Pb分別是
權(quán)利要求
1.一種基于雙通道PCNN的多聚焦圖像融合方法，其特征在于，通過(guò)分別將兩幅圖像經(jīng)NSCT變換后得到若干不同頻率子圖像，并對(duì)應(yīng)采用基于雙通道PCNN進(jìn)行融合后確定融合圖像的各帶通子帶系數(shù)，最后通過(guò)NSCT逆變換得到融合圖像。
2.根據(jù)權(quán)利要求I所述的方法，其特征是，包括以下步驟 1、通過(guò)非下采樣Contourlet變換分解已配準(zhǔn)的兩幅源圖像，并分別獲得其各自的一個(gè)低頻子圖像和若干高頻子圖像； 2、將一個(gè)低頻子圖像和若干高頻子圖像作為分解系數(shù)通過(guò)雙通道脈沖藕合神經(jīng)網(wǎng)絡(luò)制定的融合規(guī)則進(jìn)行融合； 3、對(duì)第2步得到的各帶通子帶系數(shù)進(jìn)行NSCT逆變換，得到最終的融合圖像。
3.根據(jù)權(quán)利要求2所述的方法，其特征是，所述的步驟2包括 1)初始化雙通道脈沖藕合神經(jīng)網(wǎng)絡(luò)參數(shù)； 2)將源圖像Ia和Ib的對(duì)應(yīng)分解系數(shù)分別輸入到雙通道PCNN的兩個(gè)通道，與雙通道PCNN的反饋系數(shù)一起激勵(lì)神經(jīng)元； 3)雙通道PCNN的脈沖發(fā)生器根據(jù)當(dāng)前的閾值決定點(diǎn)火事件，并記錄每次迭代后所有點(diǎn)火神經(jīng)元總數(shù),即本次迭代前所有點(diǎn)火神經(jīng)元總數(shù)與當(dāng)前迭代中的神經(jīng)元點(diǎn)火數(shù)量的總和，并且每個(gè)神經(jīng)元在整個(gè)過(guò)程中只點(diǎn)一次火； 4)當(dāng)所有點(diǎn)火神經(jīng)元總數(shù)小于雙通道PCNN的中的所有神經(jīng)元總數(shù)則返回步驟1)，否則對(duì)雙通道PCNN的內(nèi)部活動(dòng)項(xiàng)U進(jìn)行歸一化處理得到融合圖像的融合低頻分量和不同尺度下不同方向上的高頻分量。
4.根據(jù)權(quán)利要求I或2所述的方法，其特征是，所述的融合是指通過(guò)將經(jīng)歸一化的待融合圖像Ia和Ib的不同尺度下的高頻子帶與低頻子帶系數(shù)中的每個(gè)像素點(diǎn)對(duì)應(yīng)一個(gè)神經(jīng)元，若干神經(jīng)元連接成網(wǎng)絡(luò)，每個(gè)待融合源圖像經(jīng)非下采樣Contourlet變換后的分解系數(shù)輸入該網(wǎng)絡(luò)，進(jìn)行若干次迭代，使用不同尺度下的非下采樣Contourlet變換分解系數(shù)作為對(duì)應(yīng)神經(jīng)元的輸入，經(jīng)過(guò)雙通道PCNN點(diǎn)火得到源圖像在非下采樣Contourlet變換域的點(diǎn)火映射圖，根據(jù)基于雙通道PCNN的融合規(guī)則選取融合系數(shù)，將融合系數(shù)進(jìn)行區(qū)域一致性檢驗(yàn)，獲取融合圖像的各帶通子帶系數(shù)。
5.根據(jù)權(quán)利要求4所述的方法，其特征是，所述的非下采樣Contourlet變換中采用的尺度分解濾波器為CDF9/7塔狀小波濾波器實(shí)現(xiàn)，采用的方向分解濾波器為pkva方向?yàn)V波器，對(duì)原始圖像進(jìn)行兩層的尺度分解得到低通分量圖像和帶通分量圖像，即低頻子圖像IA-lf和IB-lf和高頻子圖像^^和巧^，其中第I層有4個(gè)方向子帶，第2層有8個(gè)方向子帶，其中k為尺度分解的層數(shù)，I為方向分解的方向數(shù)。
6.根據(jù)權(quán)利要求3所述的方法，其特征是，所述的初始化是指設(shè)在I層子帶中，初始時(shí)各神經(jīng)元都處于熄火狀態(tài)，I-T 10) = 0 O n(0) = 0 ,>/ 1(0) = 0= 0，k表示分解尺度數(shù)，I表示分解方向數(shù)。
7.根據(jù)權(quán)利要求3或4所述的方法，其特征是，所述的迭代包括 a)初始條件各神經(jīng)元都處于熄火狀態(tài)，Zf^(O) = 0，(/^(0) = 0，= 0，J/w)( ) = 0，k表示分解尺度數(shù)，I表示分解方向數(shù)； b)迭代操作將分解系數(shù)輸入網(wǎng)絡(luò)，通過(guò)接收域的表達(dá)、調(diào)制域和脈沖產(chǎn)生域，逐點(diǎn)計(jì)算 <'>)和7；_( -1)，并比較兩者大小以決定是否產(chǎn)生點(diǎn)火事件； c)迭代終止條件所有分解系數(shù)均計(jì)算完畢后，完成本次迭代。
8.根據(jù)權(quán)利要求3或4所述的方法，其特征是，所述的迭代操作過(guò)程中的神經(jīng)元由接收域、調(diào)制域和脈沖產(chǎn)生域組成 接收域
9.根據(jù)權(quán)利要求8所述的方法，其特征是，所述的接收域接受來(lái)自兩個(gè)通道的外部輸入，分別對(duì)應(yīng)兩幅不同聚焦源圖，這兩個(gè)量在調(diào)制部分進(jìn)行調(diào)制，產(chǎn)生內(nèi)部活動(dòng)項(xiàng)Uu j, Ui, j輸入到脈沖產(chǎn)生部分產(chǎn)生神經(jīng)元的脈沖輸出值Yi,」； 所述的脈沖產(chǎn)生域中，當(dāng)UiJn] > Hn-I]時(shí)，神經(jīng)元被激活，輸出一個(gè)脈沖，同時(shí)，Ti.jtn]通過(guò)反饋迅速提升，繼續(xù)進(jìn)行下一次迭代； 當(dāng)UM[n] <TM[n-l]時(shí)，脈沖產(chǎn)生器關(guān)閉，停止產(chǎn)生脈沖，之后閾值開(kāi)始指數(shù)下降，當(dāng)Uij j[n] > T^jtn-l]時(shí),脈沖產(chǎn)生器打開(kāi),進(jìn)入新的迭代循環(huán)。
全文摘要
一種圖像處理技術(shù)領(lǐng)域的基于雙通道PCNN的多聚焦圖像融合方法，通過(guò)分別將兩幅圖像經(jīng)NSCT變換后得到若干不同頻率子圖像，并對(duì)應(yīng)采用基于雙通道PCNN進(jìn)行融合后確定融合圖像的各帶通子帶系數(shù)，最后通過(guò)NSCT逆變換得到融合圖像。本發(fā)明克服傳統(tǒng)多聚焦圖像融合方法的缺陷，改善融合效果。
文檔編號(hào)G06N3/02GK102722877SQ20121018567
公開(kāi)日2012年10月10日 申請(qǐng)日期2012年6月7日 優(yōu)先權(quán)日2012年6月7日
發(fā)明者呂曉琪, 張寶華, 王月明 申請(qǐng)人:內(nèi)蒙古科技大學(xué)