基于萤火虫优化的自适应PCNN遥感图像融合

基于萤火虫优化的自适应PCNN遥感图像融合

论文摘要

为了提高融合后多光谱图像的质量,本文提出一种基于快速非下采样轮廓波变换(FNSCT)与萤火虫优化的自适应脉冲耦合神经网络(PCNN)相结合的图像融合算法。将通过亮度-色度-饱和度(IHS)变换的多光谱图像亮度分量与全色图像分别进行FNSCT变换,获得相应的高低频系数。针对低频系数,采用区域平均能量法进行融合;对于高频子带,为了确定PCNN模型的最优参数,将PCNN算法的链接强度与链接范围自适应化,并利用萤火虫算法优化其余参数,获得更优的PCNN模型,实现高频系数的融合。最终经过FNSCT逆变换和IHS逆变换得到融合结果。实验结果表明:本文提出的算法既提高了图像的空间分辨率又很好地保留了融合图像的光谱信息。

论文目录

  • 1 FNSCT、PCNN以及萤火虫算法的基本原理
  •   1.1 快速非下采样轮廓波变换
  •   1.2 脉冲耦合神经网络
  •   1.3 萤火虫算法
  • 2 结合FNSCT和萤火虫优化PCNN的图像融合算法
  •   2.1 IHS变换
  •   2.2 高低频融合规则
  •     2.2.1 低频系数融合规则
  •     2.2.2 高频系数融合规则
  •     2.2.3 本文具体融合步骤
  • 3 实验结果与分析
  • 4 结论
  • 文章来源

    类型: 期刊论文

    作者: 赵春晖,张宏宇,闫奕名,宿南

    关键词: 遥感图像,图像融合,快速非下采样轮廓波变换,区域平均能量,脉冲耦合神经网络,萤火虫

    来源: 哈尔滨工程大学学报 2019年03期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 工业通用技术及设备,自动化技术

    单位: 哈尔滨工程大学信息与通信工程学院

    基金: 国家自然科学基金项目(61405041,61571145),中央高校基本科研业务费面向国家重大需求培育计划(GK2080260167)

    分类号: TP183;TP751

    页码: 501-508+517

    总页数: 9

    文件大小: 4996K

    下载量: 205

    相关论文文献

    • [1].基于改进PCNN决策的非对称裁剪中值去噪方法[J]. 仪表技术与传感器 2019(10)
    • [2].基于网格搜索算法的PCNN模型参数自适应[J]. 计算机工程与设计 2017(01)
    • [3].PCNN的周期特性分析[J]. 云南大学学报(自然科学版) 2015(01)
    • [4].PCNN Model Analysis and Its Automatic Parameters Determination in Image Segmentation and Edge Detection[J]. Chinese Journal of Electronics 2014(01)
    • [5].两类基于PCNN的图像融合算法综述[J]. 计算机时代 2020(06)
    • [6].基于改进PCNN模型的椒盐噪声级化滤波方法[J]. 云南大学学报(自然科学版) 2017(01)
    • [7].基于遗传算法和简化PCNN的裂缝检测方法[J]. 计算机应用研究 2017(06)
    • [8].基于PCNN赋时矩阵的图像特征捆绑方法研究[J]. 烟台职业学院学报 2015(04)
    • [9].基于强度PCNN的静态图像人脸识别[J]. 太原理工大学学报 2015(01)
    • [10].医学图像分割处理中改进型PCNN模型的应用综述[J]. 甘肃科技 2015(19)
    • [11].PCNN图像分割技术研究[J]. 现代电子技术 2014(02)
    • [12].基于小波变换的PCNN网络流量预测算法[J]. 计算机工程与应用 2014(16)
    • [13].PCNN理论研究进展及其语音识别中的应用[J]. 自动化与仪器仪表 2013(01)
    • [14].PCNN和最大相关准则相结合的图像分割方法[J]. 计算机工程与应用 2011(14)
    • [15].单一链接PCNN自适应脉冲噪声滤波[J]. 计算机工程与应用 2011(27)
    • [16].基于加性耦合连接的PCNN模型[J]. 现代电子技术 2011(22)
    • [17].图像分割中PCNN的应用研究[J]. 电脑开发与应用 2010(03)
    • [18].基于微分进化的PCNN图像分割方法[J]. 计算机工程 2010(21)
    • [19].一种基于PCNN和自适应中值滤波的去噪方法[J]. 西南民族大学学报(自然科学版) 2010(06)
    • [20].基于矢量的PCNN模型及其应用[J]. 微计算机信息 2009(12)
    • [21].基于PCNN模型的图像分割研究[J]. 网络安全技术与应用 2009(04)
    • [22].PCNN与粗集理论用于多聚焦图像融合[J]. 电子科技大学学报 2009(04)
    • [23].PCNN图像分割技术进展综述[J]. 科技信息 2009(25)
    • [24].基于PCNN的图像融合新方法[J]. 光电工程 2008(01)
    • [25].基于修正PCNN的多传感器图像融合方法[J]. 中国图象图形学报 2008(02)
    • [26].PCNN与行程编码结合的图像压缩方法[J]. 计算机工程与应用 2008(20)
    • [27].基于PCNN内部活动项的彩色图像增强算法[J]. 计算机科学 2019(S1)
    • [28].基于PCNN的图像最佳二值分割实现[J]. 河北工业大学学报 2017(06)
    • [29].基于压缩感知与自适应PCNN的医学图像融合[J]. 计算机工程 2018(09)
    • [30].基于PCNN模型的生物细胞图像分割[J]. 吉首大学学报(自然科学版) 2014(01)

    标签:;  ;  ;  ;  ;  ;  

    基于萤火虫优化的自适应PCNN遥感图像融合
    下载Doc文档

    猜你喜欢