基于改進神經網絡的圖像融合技術*

黃 珍，潘 穎，苑 毅

（1.蘭州文理學院數字媒體學院，蘭州 730010；2.蘭州文理學院傳媒工程學院，蘭州 730010）

0 引言

針對圖像融合技術的研究一直屬于我國圖形圖像處理單位的研究重點，實施圖像融合處理操作不僅是為了將相同傳感器中具有相同目標源的信息進行集成處理，對于制定圖像信息的融合，也為了提取圖像中的關鍵信息用于描繪一幅新的圖像。而經過融合、處理、再生成后的圖像不僅保留原圖像中的所有特征值，更是為了增加對原圖像的價值描述[1]。輸出融合后的圖像，其畫質不僅具備更加清晰的優勢，其視覺效果也更加符合人眼的需求，目前針對此方面的研究仍屬于在計算機操作下實施的。基于我國高新研究領域與該方面關注度的提升，圖像融合技術在我國市場中的應用逐步廣泛，目前該技術已實現在遙感監測、紅外線光源可見度、醫學單位實施診療行為等領域應用。近年來，隨著我國對該方面研究的不斷深入，相關研究的側重點被轉移到對圖像的尺度轉換融合方面[2]。而在這一背景下，被應用到圖像融合處理中的相關支撐性技術，包括小波轉換、遙感定位等。盡管提出的相關技術在應用中可實現對圖像的動態融合處理，但卻在不同層面上存在輸出圖像邊緣模糊、信息細節描述不準確等問題，這些問題也反映了我國對于高新技術的研究仍存在漏洞。而為了解決這一問題，提高融合后圖像邊緣的清晰度，本文引入改進神經網絡，對圖像融合技術展開進一步的研究。

1 改進神經網絡

改進神經網絡是對傳統神經網絡的優化與改進，屬于信息通信的一種。在應用中，通過對動物神經元進行提取，并采用模仿其行為或特征的方式，對相關數據信息進行分布式計算處理[3]。此種網絡通過定位目標源的方式，結合通信網絡的復雜程度，進行網絡中節點信息連接方式的調整，以此達到最終對信息針對性處理的目的。

針對此方面的研究來源于對生物學的研究范疇，使用計算機技術，在硬件設備的支撐下，建立物理數據模型，并借助使用神經算法，進行前端信息的獲取與后端信息的反饋[4－5]。區別于傳統神經網絡算法，本文提出的改進神經網絡在應用中的優勢較為顯著。不僅可實現對網絡中大規模信息的并行處理，同時也可實現對自適應信號的高效率定位與獲取[6－7]。此外，改進神經網絡還具備較強的包容性與信息適應性，對于網絡提供給其的信息數據具備較強的自我組織能力，可實現對數據信號的計劃性模擬處理。總之，其工作的核心與原理在于對生物學人腦的描述，目前此項技術在市場中已實現了普及化應用。

2 基于改進神經網絡的圖像融合技術

2.1 構建脈沖融合數學模型

為了滿足對多種特征圖像的融合需求，引進改進神經網絡，建立由多個神經元數據構成的信息反饋模型。按照PCNN模型的構成模式，對脈沖融合數學模型的構建展開研究。在此過程中認為每個數學計算機區域均是由改進分支樹、網絡調節耦合器與脈沖發生器構成[8－9]。在模型的前端，多個相鄰的神經元進行同步信息輸入，當導入的多特征圖像進入鏈接區域，調制耦合器對其進行分支樹的反饋處理。最終由脈沖發生器根據硬限幅函數，進行圖像中特征參數及變化閾值函數的輸出，輸出的神經元將與鄰近的神經網絡進行對照處理，以此檢測圖像在融合中產生的多種數字差異[10]。基于上述分析，對本文設計的脈沖融合數學模型進行函數描述，如下所示。

式中：Fij為圖像信息反饋輸入次數；n 為網絡神經元的構成；β為耦合連接區域；W為圖像內部元素活動行為；i為第i個神經元；j為神經元衰減系數（通常為常數）；k 為圖像像素矩陣；α為像素灰度；l為圖像邊緣檢測行為。

式（1）所示為脈沖融合數學模型基礎表達函數式；式（2）所示為分支樹的函數表達式；式（3）所示為網絡調節耦合器在常規運行狀態下的函數表達式；式（4）所示為變化閾值的取值范圍；式（5）所示為脈沖發生器在常規運行狀態下的函數表達式。

在滿足上述提出約束條件的基礎上，即可認為完成對脈沖融合數學模型的構建。

2.2 制定圖像融合行為實施規則

在完成上述相關工作的基礎上，將具備多個特征參數的圖像導入所建立的數學模型中，對其進行多尺度行為轉換與維度分解。在PCNN網絡的影響下，輸出圖像中每個像素點的強度值，將數據值導入神經元網絡中，并在此神經元周圍建立與其他像素信息的直接連接（按照3.0×3.0或5.0×5.0網絡結構規劃）。在上述提出相關研究的基礎上，認為每個神經元的周圍存在2種狀態，分別為點火狀態與非點火狀態。考慮到本文設計的脈沖融合數學模型，在實際應用中，具備對信息的捕捉性能，因此針對點火狀態的像素神經元，可直接選擇對其附近區域內的神經元信息進行捕獲即可，而這一過程也可被近似地認為是對網絡中信息的有機傳遞或信息交互過程。

綜合上述分析，對PNCC網絡中的單個信息進行傳遞。此時，先對網絡中j1神經元進行點火處理，將j1中存在的圖像信息，傳遞給距離其最近的神經元j2。此過程應注意j2需要提前進行點火準備，即在完成對j1的處理后，直接將j2進行點火。但在此過程中，倘若j2外部的神經結構會對j1造成直接刺激，此時需要從整體層面分析，定義整體結構的特征值為k，獲取k中與j1相近的數據值，在k的引導下，j1的圖像信息才允許被j2接收。而隨著數據迭代次數的不斷提升，需要不斷對j2、j3甚至jn進行結構特征處理，直至完成改進神經元網絡中所有信息節點的融合，以此完成對圖像融合規則的制定與規劃。

2.3 基于高斯噪聲處理融合高/低頻子帶

在完成改進神經元網絡中多節點信息的有效融合后，需要持續對輸出的圖像進行高斯除噪處理。產生此種噪聲的原因主要是由于在拍攝圖像過程中，拍攝光線不足或信息傳感器受到溫度及相關因素的影響所導致的，因此在進行圖像融合噪聲處理過程中，也可將高斯噪聲近似看為隨機噪聲，根據隨機分布概率公式，對圖像中噪聲的分布進行定義。計算如下：

式中：p(z)為隨機噪聲在圖像融合中的分布；σ為噪聲z 的標準差；μ為圖像像素的灰度值。

在定位圖像噪聲的基礎上，進行邊緣去除處理。此過程可如下所示：

式中：a為融合圖像噪聲的瑞利分布趨勢。

在上述公式計算的基礎上，對任意一組圖像進行高頻子帶與低頻子帶的融合，此過程按照圖像的顯性表達方式處理即可（此行為需圖像滿足上述噪聲分布特征）。具體表達方式如下。

式中：d為圖像噪聲的系數表達方式。

按照上述計算公式，對其中i進行無限次迭代處理，直至完成網絡中所有相關節點圖像的融合與去噪處理，以此完成對圖像融合技術的設計。

3 對比實驗

為進一步驗證本文提出的基于改進神經網絡的圖像融合技術的實際應用效果，本文分別采用3種圖像作為實驗對象，分別為多聚焦圖像、紅外與可見光圖像和醫學CT 圖像，3 種圖像的分辨率均為1 280×640。為確保實驗結果的客觀性，實驗在利用本文技術和傳統技術分別對圖像進行融合時，設置相同的實驗條件。設置兩種技術均在Intel i8，3.2 GHz雙核處理器，1.25 T硬盤，16 GB內存當中完成操作。對融合結果分別記錄，并以互信息量為客觀評價指標。互信息量是指融合后的圖像中細節信息的保留量，互信息量數值越大，則說明該技術的融合效果越好；反之互信息量數值越小，則說明該技術的融合效果越差。利用Matlab程序完成對2種技術的互信息量計算，并將實驗結果進行記錄。根據實驗結果中的內容，繪制實驗結果對比圖，如圖1 所示。圖中A～E 5種圖像融合分組分別為：A為第1組多聚焦圖像與紅外與可見光圖像融合；B為第2組多聚焦圖像與紅外與可見光圖像融合；C為第1組多聚焦圖像與醫學CT圖像融合；D為第2組多聚焦圖像與醫學CT圖像融合；E 為紅外與可見光圖像與醫學CT圖像融合。

圖1 兩種圖像融合技術實驗結果對比

由圖中的2 個曲線可以看出，本文融合技術的互信息量明顯高于出臺的融合技術，由上述可知，互信息量數值越高表示該技術的融合效果更好。同時，在實驗過程中從圖像融合后的結果可以看出，在融合的過程中引入了改進神經網絡技術，使得本文融合技術在對多組圖像融合組進行融合后，清晰程度明顯高于傳統融合技術，圖像并未出現失真的現象；而傳統融合技術在實驗過程中對紅外與可見光圖像與醫學CT圖像融合時出現了嚴重的失真問題，造成融合質量進一步受到影響。因此，通過對比實驗進一步證明，本文提出的基于改進神經網絡的圖像融合技術在實際應用中具有更加理想的融合效果，能夠在融合后的圖像當中看出清晰保留的細節信息。

4 結束語

本文從構建脈沖融合數學模型、制定圖像融合行為實施規則、基于高斯噪聲處理融合高/低頻子帶等方式，對圖像融合技術展開設計研究，同步設計對比實驗，驗證本文所設計的技術在進行圖像融合應用中，具備更為顯著的優勢，具有更加理想的融合效果，融合質量相對較高。