小波变换与PCNN在图像处理中的比较与结合

!"#!$%&$'(')*+&,-./&$01$21(3$&)%)()$%)1基于5:;;的小波变换多光谱与全色遥感影像融合算法段延超4高利杰河南开封科技传媒学院!河南开封!"*%$$'摘4要 本文在小波变换融合算法的基础上 结合了68J J算法 提出了一种新的多光谱影像与全色影像融合算法 该算法首先利用68W变换和#V;变换完成对影像的前置处理 然后对小波变换后的低频分量采用加权平均法的融合规则 高频分量采用68J J的融合规则 最后 通过#V;逆变换完成影像的融合 结果表明 算法影像融合效果较好 有效地解决光谱失真和融合细节的问题 具有较好的实用价值关键词 图像融合 68J J 小波变换 多光谱与全色44随着遥感技术的不断发展"获取遥感数据的能力也越来越强"种类也越来越丰富"包括全色影像$多光谱影像$高光谱影像$夜光影像等*$+#不同类型的遥感影像在空间分辨率$光谱分辨率等方面具有不同的特点#如何综合利用这些遥感数据"成为遥感技术研究的一个重要方向#多光谱影像是指通过对地球表面反射$辐射$散射等电磁波进行多波段的采集和记录"形成的带有多个波段的遥感影像#每个波段都包含了物体不同的光谱特征信息"可以用于地表物质分类$植被覆盖度计算$水体提取等分析应用#全色影像是指在单一波段内采集的遥感影像"与多光谱影像相比"其光谱分辨率较高"一般在%&(R$&%米之间#全色影像具有高空间分辨率和较好的灰度级表现力"可以用于地物边界提取$建筑物检测等应用#因此"对于一些需要既考虑地物信息又需要高空间分辨率的遥感应用"比如地物分类$地形分析等"就需要将多光谱影像和全色影像进行融合"以期得到更加准确$全面的遥感信息#融合后的影像具有高空间分辨率和多波段信息的特点"因而能更好地支持遥感数据的分析和决策#多光谱影像与全色影像融合技术在提高遥感数据的综合利用效率$地表信息获取的准确度和全面性$优化遥感图像分析方法以及推动遥感技术发展等方面具有重要意义*)+#本文重点研究在小波变换的基础上"使用68J J'脉冲耦合神经网络(来处理小波变换后的高频分量"从而提高多光谱影像和全色影像的融合的细节信息#'常见多光谱与全色影像融合算法遥感影像融合算法可以分为基于变换的融合算法$基于像素级的融合算法$基于图像分割的融合算法$基于深度学习的融合算法#不同的算法具有不同的适用场景和优缺点"需要根据具体的应用需求和数据特点来选择合适的算法#以下算法是多光谱与全色影像常见的融合算法#$&$\B>b N e变换\B>b N e变换是一种常见的遥感影像融合算法"用于将多光谱影像和全色影像融合在一起#该算法通过将全色影像的每个像素值按比例分配给多光谱影像的=:\三个分量"从而产生融合后的=:\图像#由于全色影像具有高空间分辨率和单一光谱波段"\B>b N e变换融合可以使融合后的影像具有更高的空间分辨率和更多的光谱信息#然而"该算法存在着色偏和光谱失真等问题"因此在实际应用中需要注意算法参数的调整和效果评估# $&)#V;变换#V;变换是一种基于颜色空间的融合算法"它将多光谱影像和全色影像转换到三个颜色分量中"并将全色影像的强度分量与多光谱影像的色彩分量进行加权平均来生成融合图像#这种方法的优点是融合后的图像色彩保真度高"但对于保留多光谱信息而言"效果并不是很好# $&(68W变换68W是一种数据降维的方法"可以将高维度数据转换为低维度数据"并且保留数据的主要信息#由于68W变换可以在保留原始数据信息的同时减少数据维度"从而降低了数据冗余和噪声的影响"因此68W变换融合算法具有良好的融合效果和实用性#同时"与传统的基于像素的融合方法相比"68W变换融合算法能够更好地保持影像细节和色彩信息"提高影像的可解释性和应用效果#$&3小波变换小波变换'_Z b N?N O(是一种多尺度分析的融合算法"它通过对多光谱影像和全色影像进行小波变换"然后将变换后的系数进行加权平均来生成融合图像*(+#这种方法的优点是可以在不同尺度上融合图像"从而得到更加丰富的信息#+*!科技风"#"$年%月电子信息$&9J J !/X X ^C N算法J J !/X X ^C N 融合算法是一种基于J J !/X X ^C N 算法的图像融合方法"它可以将多幅具有不同成像特点的图像融合成一幅具有更高质量的图像#但是"由于J J !/X X ^C N 算法本身的计算量比较大"因此J J !/X X ^C N 融合算法的计算量也较大"需要一定的计算资源和时间*3+# 本文融合算法小波变换融合算法对噪声比较敏感"因为噪声可能会导致小波分解后的低频和高频分量之间的权重分配不合理"从而影响融合结果的质量#为了提高多光谱影像和全色影像的融合效果"本文融合算法主要步骤如下#)&$小波变换前置处理步骤)&$&$多光谱影像68W 变换由于多光谱影像的第一主成分反映了多光谱影像中最大的变化"通常也包含了最多的信息#为了减少光谱扭曲"同时提升融合后细节信息#本文算法首先对全色图像进行68W 变换"然后将多光谱图像的第一主成分与全色图像进行直方图匹配"从而提升融合后遥感影像的质量和分析结果的准确性#)&$&)多光谱影像#V ;变换为了避免融合后影像出现色彩失真等问题"本文采用了#V ;变换作为融合算法的前置处理步骤#首先"对重采样后的多光谱影像进行#V ;变换"将其分解为强度'#($色度'V (和饱和度';(三个分量#其次"经直方图配准的全色影像与#进行小波变换"得到新的强度分量'#d (#最后"利用#V ;逆变换将#d 与原色度分量'V (和饱和度分量';(组合成新的彩色影像"完成融合处理#由于色度和饱和度分量未经过改变"因此融合后的影像能够很好地保留原多光谱影像的色彩信息#)&)小波变换融合规则)&)&$基于加权平均法的低频分量融合规则小波变换融合算法中"加权平均法用于融合低频分量"目的是保留多光谱影像和全色影像的结构信息#低频分量融合的规则如下!&+,'-".(m /$&0,'-".(G /)&1,'-".(在公式中"'-".(表示像素点的位置"-表示经小波分解的层数"&0,'-".("&1,'-".(表示低频分量系数对相应像素值"&+,'-".(表示融合后低频分量系数"/$"/)表示融合时加权系数'/$G /)m $(#)&)&)基于68J J 的高频分量融合规则68J J 是一种基于生物学神经系统的人工神经网络模型"其灵感来源于脉冲神经元之间相互作用的方式#68J J 在图像处理领域广泛应用"其主要特点是能够实现对图像的非线性$时空域的信息处理"并且能够很好地提取出图像中的边缘信息"因此在图像融合中也被广泛应用*9+#经过小波分解后"高频分量包含了边缘$区域边界等细节信息#将高频分量系数与68J J 结合起来"可以进一步改善融合的细节效果#高频分量融合的规则如下!&+-.m&0-."#0-.',( #1-.',(&1-."#0-.',(l #1-.',({在公式中"经过-次迭代后"#0-.',(和#1-.',(表示神经元点火次数矩阵"&+-.表示融合后高频分量系数"&0-.和&1-.表示分解后高频分量系数#通过68J J 模型的非线性作用"可以提取出图像中的边缘和纹理等细节信息"从而进一步改善融合效果#)&(本文融合算法具体步骤'$(影像配准#')(多光谱影像进行#V ;变换"将其分解成#$V 和;三个分量"并对其进行68W 变换"得到第一主成分68$#'((全色影像和重采样后的68$进行直方图匹配"得到匹配后的6W J d #'3(将亮度分量#和匹配后的6W J d 进行小波变换"得到高频分量和低频分量#'9(低频分量采用加权平均值"高频分量采用68J J 融合规则#'0(经小波逆变换"得到新强度分量#d #'1(使用#d "经#V ;逆变换"得到融合影像#本文算法流程图如图$所示#图$本文融合算法 实验结果与分析为了验证本文融合算法的优越性"使用\B >b N e 变换$V #;变换$68W 变换$小波变换$J J !/X X ^C N 融合算法做对比试验"融合效果采用主观评价方法和客观评价方法#实验电子信息科技风 年 月数据使用高分)号卫星拍所摄的$T 分辨率的全色影像和3T 分辨率的多光谱影像#多光谱影像$全色影像及融合结果如图)所示#图)多光谱影像!全色影像及融合结果(&$主观评价根据实验结果"可以看出\B >b N e变换算法融合结果后出现色彩偏差$#V ;变换算法在高光和阴影细节方面表现较差$68W 变换算法在保留图像细节方面略逊于#V ;算法$J J !/X X ^C N 算法在保留多光谱影像的颜色信息方面稍逊于其他算法$小波变换算法在保留多光谱影像颜色信息方面相对较差#本文算法融合结果既保留了多光谱影像的色彩"又很好地保留了全色影像的细节$清晰度等信息#从主观评价上"本文算法要优于其他算法#(&)客观评价融合效果的客观评价选取信息熵$平均梯度$相关系数$均方差误差$交互信息量作为融合结果评价指标*0+#融合结果如下表所示#融合结果客观评价指标表'$(信息熵值越高"表明影像所携带的信息量越多#除了原始影像"本文算法的信息熵值高于其他算法"表明本文算法具有更高的信息量#')(平均梯度值越高"表明影像的清晰度越高#本文算法利用68J J 融合规则有效提高了影像细节表现能力"其平均梯度值高于其他算法"表明本文算法在清晰度方面处于较高水平#'((相关系数值越接近$"表明与参考影像的相关度越高#本文算法与参考影像的相关度较高"表明本文算法的融合效果与理想效果最接近#'3(均方根误差值越小"表明与参考影像的差异越小#本文算法相较于其他算法具有更小的均方根误差值#'9(交互信息量值越大"表明与参考影像最为贴合#本文算法的交互信息量值略高于小波变换融合算法"但优于其他算法#综合而言"本文的融合算法在客观评价指标分析中表现出色"显著提高了融合效果"并成功解决了小波变换融合算法中出现的分块和光谱失真问题#相较于其他算法"本文算法提升了融合后影像的细节表现能力#结论本文算法的优势在于"能够有效地保留多光谱影像的细节信息"还具有较强的适用性和鲁棒性#缺点在于"本文算法处理包含建筑物的遥感影像融合效果较好"但不适用于处理其他类型遥感影像#另外"本文算法的复杂度较高"运算速度较慢"不适合实时处理大量数据#本文算法还需要进行进一步的优化和改进#参考文献&$'李树涛"李聪妤"康旭东&多源遥感图像融合发展现状与未来展望&F '&遥感学报")%)$")9+%$,($3I2$00&&)'张丽霞"曾广平"宣兆成&多源图像融合方法的研究综述&F '&计算机工程与科学")%))"33+%),(()$2((3&&('谭仁龙&一种基于小波变换的图像融合方法&F '&测绘通报")%$1+%',(3)239&&3'8LN -"i &"r ;^-"F &+)%)%,&W ->b N ?/T Z H NX ^C />-T N O L>@MZ C N @>-Z ,>-b >?^O />-Z ?-N ^B Z ?-N O A >B .Z -@J J !/X X ^C N &8>T K^O N B C r:N >C ,/N -,N C "$('"$%39$I&&9'段延超&基于;#D Y 和小波变换的遥感影像配准融合算法研究&!'&河南大学")%$'&&0'杨艳春"李娇"王阳萍&图像融合质量评价方法研究综述&F '&计算机科学与探索")%$I "$)+%1,($%)$2$%(9&作者简介 段延超+$''%$4,"男"汉族"硕士"助教"研究方向(图像处理%高利杰+$''$$4,"男"汉族"硕士"助教"研究方向(图像处理自动控制#科技风 年 月电子信息。

小波变换在图像融合中的应用与性能比较近年来，随着数字图像处理技术的不断发展，图像融合成为了一个热门的研究领域。

图像融合是指将多幅具有不同信息的图像融合为一幅新的图像，以提取出更多的有用信息。

而小波变换作为一种强大的信号处理工具，被广泛应用于图像融合中。

小波变换是一种将信号分解为不同频率分量的方法，它具有时域和频域分析的优势。

在图像融合中，小波变换可以将图像分解为不同频率的子带，然后通过融合算法将这些子带进行合成，得到一幅新的图像。

这种方法可以有效地提取出原始图像中的细节信息，并将不同图像的特点进行融合。

与其他图像融合方法相比，小波变换具有以下几个优点。

首先，小波变换能够提供多分辨率的分析，可以同时处理图像的低频和高频信息。

这使得小波变换在处理图像中的细节信息时具有较好的效果。

其次，小波变换的基函数具有局部化的特性，可以更好地适应图像的局部特征。

这使得小波变换在处理具有不同纹理和结构的图像时更加准确。

此外，小波变换还具有较好的时域和频域分析能力，可以提取出图像中的运动信息和频率信息。

在实际应用中，小波变换在图像融合中的性能表现也得到了广泛的验证。

通过与其他图像融合方法的比较，小波变换在保持图像细节的同时，能够更好地融合图像的纹理和结构信息。

这使得小波变换在医学影像、遥感图像等领域的图像融合中具有较好的应用前景。

然而，小波变换在图像融合中也存在一些问题。

首先，小波变换对图像的边缘信息处理较差，容易产生边缘模糊的问题。

其次，小波变换对图像的亮度和对比度变化较为敏感，容易导致融合后的图像亮度不均匀或对比度失真。

此外，小波变换在处理大尺寸图像时，计算复杂度较高，需要消耗较多的计算资源。

为了克服小波变换在图像融合中的缺点，研究者们提出了许多改进的方法。

例如，基于小波变换的多尺度图像融合方法可以提高图像的融合效果。

同时，结合小波变换和其他图像融合方法，如像素级融合和区域级融合等，可以进一步提高图像融合的质量和效率。

小波变换在图像拼接中的应用小波变换是一种信号处理和图像处理中常用的数学工具。

它能够将一幅图像分解为不同尺度和不同频率的子图像，从而提取出图像中的细节和特征。

在图像拼接中，小波变换的应用可以帮助我们更好地理解和处理图像，从而实现高质量的图像拼接结果。

首先，小波变换能够将图像分解为不同尺度的子图像。

这意味着我们可以在不同尺度上对图像进行分析和处理。

在图像拼接中，这种特性可以帮助我们更好地理解图像的结构和内容。

通过对图像进行小波分解，我们可以获取到不同尺度上的细节信息，从而更好地理解图像的特征和细节。

这对于图像拼接来说非常重要，因为在拼接过程中，我们需要考虑到图像的结构和细节，以保证拼接后的图像具有良好的连续性和一致性。

其次，小波变换还可以帮助我们对图像进行特征提取和匹配。

在图像拼接中，我们需要找到两幅或多幅图像之间的相似特征，以便将它们正确地拼接在一起。

小波变换可以帮助我们提取图像中的特征信息，并将其表示为小波系数。

通过对小波系数的分析和比较，我们可以找到图像之间的相似特征，并进行匹配和拼接。

这种特性使得小波变换在图像拼接中具有很大的应用潜力。

另外，小波变换还可以帮助我们处理图像中的噪声和失真。

在图像拼接中，由于拍摄条件和光照变化等因素的影响，图像中常常会存在噪声和失真。

这些噪声和失真会对图像拼接的结果产生负面影响。

小波变换可以通过对图像进行去噪和修复，帮助我们减少噪声和失真的影响，从而提高图像拼接的质量和准确性。

通过对小波系数的滤波和修复，我们可以去除图像中的噪声和失真，并恢复图像的细节和清晰度。

此外，小波变换还可以帮助我们实现图像的无缝拼接。

在图像拼接中，我们常常需要将多幅图像拼接在一起，以实现全景或大尺寸图像的生成。

小波变换可以通过对图像进行平移、缩放和旋转等变换，帮助我们实现图像的对齐和拼接。

通过对小波系数的变换和调整，我们可以将不同尺度和不同频率的图像拼接在一起，从而实现图像的无缝拼接效果。

小波变换与神经网络的结合在图像分析中的应用随着科技的不断发展，数字化技术在图像处理中的应用越来越广泛。

在图像分析领域中，小波变换和神经网络是两个重要的工具，它们可以互相结合，最终帮助人们更好地进行图像分析。

本文将探讨小波变换和神经网络的结合在图像分析中的应用。

一、小波变换的介绍小波变换是一种基于时间和频率分析的变换方法，它可以将信号分解为不同频率成分和时域特征。

相比于傅里叶变换，小波变换更适合处理非稳态信号，可以提取出更为准确的信息。

在图像分析中，小波变换可以用于图像压缩、去噪、边缘检测等方面。

通过分解和重构，小波变换可以将图像压缩到更小的尺寸，同时保留图像的主要信息。

此外，小波变换可以减少噪声在图像中的影响，提高图像的质量。

在边缘检测方面，小波变换可以定位图像中的边缘，并将其突出显示。

二、神经网络的介绍神经网络是一种基于生物神经系统的模拟技术，它通过多个节点（神经元）之间的连接，来实现信息的处理。

神经网络可以设置多个隐藏层，根据数据集不断进行学习，提高其对目标的识别准确性。

在图像分析中，神经网络可以用于图像识别、物体检测等方面。

通过对大量数据的学习，神经网络可以判断图像中是否存在目标物体，并将其与其他物体区分开来。

此外，神经网络还可以对图像进行分类，例如将不同的动物、车辆等分类出来。

三、小波变换与神经网络的结合小波变换和神经网络在图像分析中都有重要的作用，它们的结合可以更全面地分析图像。

以下是小波变换与神经网络结合的一些应用。

1. 基于小波变换的图像预处理在使用神经网络进行图像分析之前，需要对图像进行预处理。

由于神经网络对噪声、模糊等干扰比较敏感，因此需要使用小波变换来对图像进行去噪、边缘检测等处理，以提高神经网络的准确性。

2. 基于小波变换的神经网络训练方法神经网络的识别准确性与其所学习的数据集的质量有关。

在训练神经网络时，可以采用小波变换来对数据集进行压缩，从而减少神经网络的训练时间和计算量，提高训练效率。

收稿日期:2005-10-25基金项目:国家自然科学基金(60572011/f010204),“985”特色项目计划基金(LZ985-231-582627),甘肃省自然科学基金(YS021-A22-00910)小波变换与PC NN 在图像处理中的比较与结合田　勇,敦建征,马义德,夏春水,吴记群(兰州大学信息科学与工程学院,甘肃兰州　730000)摘　要:　主要介绍了小波变换和PCNN 的基本原理,结合它们在图像处理中的应用,比较说明了小波变换和PCNN 各自的优缺点.通过分析表明,将小波变换和PCNN 技术相结合在图像处理中会产生更好的效果.关键词:　小波变换;脉冲耦合神经网络(PCNN);图像处理中图分类号:　TN 911.73 文献标识码:　A 文章编号:1004-0366(2006)04-0053-03The Comparison Between Wavelet Transform and PC NN in ImageProcessing and Their CombinationTIAN Yo ng ,DUN Jian-zheng,M A Yi-de,X IA Chun-shui,W U J i-qun(School of Information Science &Engineering ,L anzhou University ,Lanzhou 730000,China )Abstract :　The ba sic principles of w av elet transfo rm and PCNN a re first bining their applicatio ns in the image processing ,w e analy ze their adva ntag es and draw backs respectiv ely.From the analysis ,it is co ncluded tha t w e will g et better effects if we co mbine the tw o techniques tog ether in the imag e processing .Key words :　wav elet transform;pulse co upled neural netw o rk(PCNN);image processing 小波变换可对函数或信号进行多尺度的细化分析,解决了傅立叶变换不能解决的许多问题,被认为是时间——尺度分析和多分辨率分析的一种新技术[1].目前,它已被广泛应用于分形、信号处理、图像处理、地震勘探、语音识别等应用领域[1～4].脉冲耦合神经网络PCNN (Pulse Co upled Neural Netw ork,PCNN)是一种不同于传统人工神经网络的新型神经网络.PCNN 有着生物学的背景,是根据对动物的大脑视觉皮层同步脉冲发放所获得的实验结果[5～8],建立起来的一种神经网络数学模型.PCNN 在图像处理中的应用已经取得巨大成果[9～12].PCNN 在旋转、平移、尺度不变性等方面起着重要的作用.而小波变换的长处在于它能够生成含有输入信息显著特征的系数并且能够对信号进行由粗及精的逐级多分辨率分析.我们发现小波变换和PCNN 有许多相似点,只是在性能和本质特征上有一些差别.1　小波变换理论简介[13～16]小波(wav elet)即小区域的波.“小”是指在时域具有紧支集或近似紧支集;“波”指小波具有正负交替的波动性.连续小波函数的确切定义为:设J (t )为一平方可积函数,即J (t )∈L 2(R ),若J (k )(其傅里叶变换)满足容许条件(Admissible Co nditio n)C J =∫R|J (k )|2|k |d k <∞(1)则称J (t )为一个基本小波或母小波(M other Wav elet).小波函数具有多样性,实际应用中应根据支撑长度、对称性、正则性等标准选择合适的小波.常用的小波有:Haar 小波,Daubechies (dbN )小波系,Bio rthog onal(biorN r.Nd)小波系,Coiflet(coifN )小波系,Sy mletsA (sym N )小波系,M orlet 小波,M exican Hat 小波,M eyer 小波,Battle-Lemarie 小第18卷　第4期2006年12月 甘肃科学学报Journal of Gans u Sciences Vol.18　No.4Dec.2006波等.由同一母函数J (t )经伸缩和平移后得到的一组函数J a ,b (t )称为一族小波.小波变换的实质就是采用一族小波函数去表示信号或函数.从20世纪90年代开始,由Eckhor n 等对猫的视觉皮层神经元脉冲串同步振荡现象的研究,得到了哺乳动物神经元模型[5,6],并由此发展形成了脉冲耦合神经网络——PCNN 模型.当PCNN 用于图像处理时,它为一单层二维的局部连接的网络,神经元的个数等于输入图像中像素点的个数,神经元与像素点一一对应.每一个神经元与对应的像素点相连,同时与邻近的神经元相连.如图1所示为PCNN 的一个神经元模型.神经元按照式(2)～式(7)进行迭代计算.图1　脉冲耦合神经网络神经元模型F ij [n ]=ex p (-TF )F i j [n -1]+V F ∑m ijkl Y kl [n -1]+I i j ,(2)　L i j [n ]=ex p(-T L )L ij [n -1]+V L ∑w ijkl Y kl [n -1],(3)U i j[n ]=F ij [n ](1+U L ij [n ]),(4)Y ij [n ]=1,if U ij [n ]>E i j [n ],(5)Y ij [n ]=0,otherwise,(6)　E ij [n ]=ex p(-T E )E ij [n -1]+V E ∑Y kl [n -1]F ,(7)其中F 就是第(i ,j )个神经元的n 次反馈输入F ij [n ];I ij 为外部输入刺激信号;U 为突触之间连接强度常数;同样L 为线性输入项L ij [n ];E 为神经元内部活动项U 能否激发脉冲产生动态门限E ij [n ];Y 是PCNN 脉冲输出Y i j [n ];U 为神经元内部活动项U ij [n ].2　小波、PC NN 在图像处理中的比较通常在图像处理的不同处理阶段,选择使用小波和PCN N 各自的优点,来获取最佳的效果.以下通过小波变换和PCNN 在图像处理中的几个应用问题,说明它们之间的异同,以及各自的优缺点[17].(1)边缘检测　从理论上讲,小波针对于一维信号的奇异性检测是非常有效的.而对于二维图像边缘检测问题,尽管基于小波变换的算法对噪声的敏感性相对于基于PCNN 的算法较低,因而在含噪情况下对该问题的处理具有优势.但小波却对角度、弧度等边缘问题,在多尺度的框架下,需要大量的变换系数来描述,通常的临界抽样或降维小波,很难达到设想的效果.而PCNN 所具有的旋转、平移、尺度不变性,正好可以弥补小波在该方面的缺点,因此它在这方面的应用中起着非常重要的作用.(2)消噪处理　在图像及信号的除噪方面,用PCNN 处理,几乎不会给图像带来任何新的污染.用小波进行除噪也会产生很好的结果,但是如果噪声点处于边缘等重要位置,则除噪会导致边缘模糊,在这种情况下,PCNN 就显示出很大的优势.不过,就目前的评价标准而言,小波除噪算法已非常成熟,应用广泛,处理后图像的信噪比高,并且算法的计算复杂度远远小于基于PCNN 的除噪算法.而PCNN 用于图像除噪,仍处于理论探索阶段.就目前的研究成果来看,PCNN 的非线性特点非常适用于图像除噪领域,但必须跨越计算复杂度这一难关.(3)纹理识别　图像的纹理识别与分割有很大关系,它包括将图像分割成一些“相类似”的区域,而这些区域的局部纹理质量是不变的.纹理元素的方向和频率对识别来说是很重要的参数[18～20].要想从2个不同的纹理中识别出其中一个,必须观察垂直方向、水平方向、对角线方向的输出能量和它们的交叉尺度.另外,对于不同的图像,能量的交叉扩展尺度也是不相同的.在这种情况下,小波变换就会显示出很大优势.当然,小波的后处理算法必须聚集各个尺度和方向上的响应.PCNN 的旋转不变特性,具有提供任意不同方向特征的潜质,在该方面的研究,必将推动该领域的发展.3　小波变换与PCNN 的结合目前,在生物学和化学中小波变换和PCNN 技术已经得到广泛的应用[21,22].Mary Lou Padg ett 和John L Joh nso n [22]提出了一种PCNN 和小波变换在生物传感器中的应用方法.从传感器得到的不稳定的数据流含有大量的噪声,将该含噪时间信号按规则构成一个二维矩阵,因此图像处理技术可得以应用.时间抽样序列形成的图像分成5个部分,其中4个角上的方形区域是通过4个传感器得到的数据,这4个区域被直线边界分开,中间部分是背景图像.应用PCNN 技术对形成的图像进行处理,可以得到由PCNN 因数形成的图像.由于4个角上传感器受54 甘肃科学学报 2006年　第4期噪声污染的程度各不相同,PCNN因数含噪的程度也各不相同,应用小波对PCNN因数进行分解,其系数对噪声具有自适应性.通过小波变换,对PCNN 因数进行分类,从而可以探求哪些PCNN因数里包含有我们所感兴趣的信息,并提取这些有用的数据.对传感器信号仿真的例子说明:PCNN对图像进行处理后可以有效地将信号从背景中分离出来. PCNN的因数中包含了大量的有用信息,我们可以通过小波变换从中提取最感兴趣的因数,从而对经过PCNN处理得到的因数进行了压缩,提高了效率.文献[23]中提出了这项技术的硬件应用,并且指出在检测和鉴别不稳定的化学药品时,PCNN和小波分析技术相结合也是非常有效的.PCNN具有平移不变性,这一特性为小波所吸收,发展为所谓的平移不变小波,在图像处理中,平移不变小波可提供线性相位,用于图像压缩可减小人工效应.PCNN具有旋转不变性,这一特点为图像的方向性分析提供了参考,许多新的基于小波的变换方法可以提供旋转不变性,以获取局域化的方向特征.这些新的方法组合了二者的优点,因而算法复杂度相当高.基于小波变换和PCNN在图像处理中的应用说明了它们的优势和不足,并且对它们进行了比较,说明了小波变换和PCNN在本质特征上的差别及相似之处.通过分析,我们发现单纯地使用小波变换或PCNN均存在一定的局限性.需要进一步的研究,才能使两者真正地融合,使得理论基础更加完整严谨,算法更加规范实用.参考文献:[1]　M allat S.A Th eory fo r M ultires olution Signal Decomposit- ion:Th e Wav elet Rep resentation[J].IEEE Trans Pattern Anal M ach In tel,1989,11(7):674-693.[2]龚怀云,寿纪麟,王绵森.应用泛函分析[M].西安:西安交通大学出版社,1985.[3]　M allat S,Hw ang W L.Singularity Detection and Proces singwith W av elets[J].IEEE Trans on information th eo ry,Special iss,1992,38(2):617-643.[4]赵纪元,何正嘉.小波包-自回归谱分析及在振动诊断中的应用[J].振动工程学报,1995,8(3):198-203.[5]Eck horn R,Reitboeck H J,Arnd tetal M.Featu re LinkingVia Synchroniz ation Among Distribu ted As semblies:Simula- tion of Res ults from Cat Cortex[J].Neural Computation, 1990,2(3):293-307.[6]　Eckhorn R,Frien A,Bau er R,et al.High Frequency Os ci- llations in Primary Vis ual Cortex of Awak e M onkey[J].Ne- u ro Rep,1993,4(3):243-246.[7]　Kreiter A K,Singer W.Oscillatory Neuronal Respons es inthe Vis ual Cortex of the Aw ake M acaque M onk ey[J].Eu r- opean J Neu rosci,1992,4:369-375.[8]　Frien A,Eck horn R,Bau er R,et al.Stimulus-specific FastOscillations at Zero Phas e Betw een Vis ual Areas V1and V2ofAw ake M onk ey[J].Neu ro Rep,1994,5(17):2273-2277. [9]　Liu X,W ang D L.R ange Image Seg men tation Using a R ela- xation Os cillator Netwo rk s[J].IEEE Trans.Neural Netw o- rk s,1999,10(3):564-573.[10]　Kins er J M.Fov eation by a Puls e-cou pled Neural Netw ork[J].IEEE Trans.Neural Netw orks,1999,10(3):621-625.[11]　Johns on J ohn L,Padgett M ary Lou.PCNN M odel and Ap pl- ications[J].IEEE trans,on Neu ral Netw orks,1999,10(3): 480-498.[12]　J oh nson J L.Puls e-coupled Neural Nets:Trans lation,Rota- tion,Scale,Dis tortion and Intensity Signal Invariance for Images[J].Appl Opt,1994,33(26):6239-6253.[13]　秦前清,杨宗凯.实用小波分析[M].西安:西安电子科技大学出版社,1994.[14]　崔锦泰(美).小波分析导论[M].程正兴译.西安:西安交通大学出版社,1996.[15]　程正兴.小波分析算法与应用[M].西安:西安交通大学出版社,1998.20-76.[16]　杨福生.小波变换的工程分析与应用[M].北京:科学出版社,1999.[17]　Thomas L.Inh erent Features of Wavelets and Puls e CoupledNeural Netw ork s[J].IEEE Trans on Neural Netw orks,1999,10(3):204-1092.[18]　J anin A,Farrokh nina F.Uns upervis ed Tex tu re Seg men tati- on Using Gab or-filter[J].Pattern Recognition,1991,24(12):1167-1186.[19]　Porat M,Zeevi Y.Localized Tex ture Processing in Vision:Analysis and Synth esis of Gaborian Space[J].IE EE TransBiomed Eng,1989,36:115-129.[20]　M allat S.W av elets for a Vision[J].Proc IEEE,1996,84(4):604-614.[21]　M ary Lou Padgett.Puls e Coupled Neural Netw orks(PC- NN),W avelets and R adial Basis Functions:Olfactory Sens or Application s[J].IEEE Trans action s on Neu ral Netw orks,1998,3:1784-1789.[22]　Pad gett M L,J oh nson J L.Puls e Coupled Neu ral Netw orks(PCNN)and W avelets:Biosensor Applications[J].ProcIEEE Int Conf Neural Netwo rk s,1997,4:2507-2512. [23]　Th Lindblad,Székely G,Pad gett M L,et al.Implementingthe Dynamic Decay Ad justment Algorith m in a CNAPSParallel Computer System[J].Nucl Instr M eth,1996,A381:502-507.作者简介:田　勇,(1969-)男,甘肃省天水人,现为兰州大学信息科学与工程学院讲师并为在职博士研究生.55第18卷 田勇等:小波变换与PCNN在图像处理中的比较与结合 。

小波变换和数字图像处理中的应用什么是小波变换？小波变换是目前数字信号处理领域中比较常用的一种分析方法，它是利用小波函数作为基函数来描述复杂信号的一种变换方法。

小波函数和傅里叶基函数一样也可以作为一个完备集，用来表示任意信号。

小波变换可以将信号分解成一系列尺度不同、频率不同的小波分量。

和傅里叶变换相比，小波变换具有更好的时域和频域的局部性质，能够更有效地描述信号的分析特征和边缘信息。

小波变换在数字图像处理中的应用小波变换作为一种分析和处理信号的方法，在数字图像处理中也有着广泛的应用。

主要应用于图像的压缩、去噪、边缘检测、特征提取等方面。

图像压缩图像在传输和存储过程中需要压缩，小波变换可以通过选择不同的阈值方法，将信号的高频系数去掉，从而达到压缩的目的。

小波变换压缩图像的方法有很多种，如基于阈值的小波压缩、基于零树编码的小波压缩、基于小波系数统计特性的压缩方法等。

图像去噪图像中通常会存在一些噪声，噪声会影响到图像的质量和可视效果。

小波变换可以将信号分解成多个尺度的小波系数，从中选择高频小波系数，并进行阈值处理，达到去噪的目的。

小波去噪方法中常用的有软阈值和硬阈值方法，实验表明，小波去噪方法可以在一定程度上提高信噪比，使图像更加清晰。

图像边缘检测小波变换在图像边缘检测中的应用也比较广泛。

由于小波变换具有时域和频域的局部性质，可以在提取高频小波分量时，更加准确地提取出图像中的边缘。

小波变换边缘检测方法中，常用的有Canny算子和Sobel算子。

特征提取小波变换在特征提取中也具有独特的优势，可以通过对图像进行小波变换，获取多尺度的频谱信息，从而提取出图像的纹理和特征。

小波变换特征提取方法主要包括小波纹理特征、小波熵特征、小波矩和小波小震荡等。

小波变换作为一种分析和处理信号的方法，在数字图像处理中具有广泛的应用。

通过对图像进行小波变换，可以实现图像的压缩、去噪、边缘检测和特征提取等多方面的目的。

小波变换在数字图像处理中的应用还有很大的发展空间，未来将会有更多的改进和创新。

基于二代小波变换和PCNN的高光谱图像融合算法
李万臣;陈瀚孜
【期刊名称】《仪器仪表用户》
【年(卷),期】2008(015)002
【摘要】采用信息融合技术可以降低高光谱遥感图像的分析难度.本文提出一种基于二代小波变换和脉冲耦合神经网络(PCNN)的融合算法.在利用自适应子空间分解技术将高光谱图像的数据空间划分为数个子空间后,对各子空间内的每一波段图像进行二代提升小波分解.对低频系数部分进行方差加权融合的同时利用PCNN的脉冲同步和全局耦合特性对高频系数部分进行选取,最后用二代小波逆变换得到各子空间的融合图像.其仿真实验结果显示:所提算法有效降低了高光谱图像维数,很好保留了原图像的信息,效果优于单一的一代小波和二代小波融合算法.
【总页数】3页(P84-86)
【作者】李万臣;陈瀚孜
【作者单位】哈尔滨工程大学,信息与通信工程学院,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,哈尔滨,150001
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.基于二代曲波变换和PCNN的高光谱图像融合 [J], 赵春晖;季亚新
2.基于提升小波变换和PCNN的医学图像融合算法 [J], 徐卫良;戴文战;李俊峰
3.改进基于小波变换的PCNN图像融合算法 [J], 闫敬文;许建航;屈小波
4.基于增补小波变换和PCNN的NSCT域图像融合算法 [J], 王健;张修飞;任萍;院文乐
5.基于双树复小波变换的自适应PCNN图像融合算法 [J], 杜进楷;陈世国
因版权原因，仅展示原文概要，查看原文内容请购买。