python 小波分解_医学图像处理案例（十六）——基于小波变换和脉冲耦合神经网络的图像融合...

今天将介绍使用小波变换和脉冲耦合神经网络来对多模态图像进行融合。 1、小波变换融合回顾 小波变换融合算法基本思想： 首先对源图像进行小波变换，然后按照一定规则对变换系数进行合并； 最后对合并后的系数进行小波逆变换得到融合图像。 1.1、小波分解原理简介 LL： 水平低频，垂直低频 LH： 水平低频，垂直高频 HL： 水平高频，垂直低频 HH： 水平高频，垂直高频 其中，L表示低频，H表示高频，下标1、2表示一级或二级分解。 在每一分解层上，图像均被分解为LL，LH，HH和HL四个频带，下一层的分解仅对低频分量LL进行分解。 这四个子图像中的每一个都是由原图与一个小波基函数的内积后，再经过在x和y方向都进行2倍的间隔采样而生成的，这是正变换，也就是图像的分解； 逆变换，也就是图像的重建，是通过图像的增频采样和卷积来实现的。 1.2、融合规则 规则一： 系数绝对值较大法 该融合规则适合高频成分比较丰富，亮度、对比度比较高的源图像，否则在融合图像中只保留一幅源图像的特征，其他的特征被覆盖。 小波变换的实际作用是对信号解相关，并将信号的全部信息集中到一部分具有大幅值的小波系数中。 这些大的小波系数含有的能量远比小系数含有的能量大，从而在信号的重构中，大的系数比小的系数更重要。 规则二： 加权平均法 权重系数可调，适用范围广，可消除部分噪声，源图像信息损失较少，但会造成图像对比度的下降，需要增强图像灰度。 2、脉冲耦合神经网络(PCNN)介绍 PCNN模型是由很多神经元相互连接而形成的单层循环网络，其中单个神经元是由接收区域、耦合调制域和脉冲发生域组成，单个神经元模型如下图所示。