基于改進神經(jīng)網(wǎng)絡(luò)的圖像融合技術(shù)*

黃 珍，潘 穎，苑 毅

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

0 引言

針對圖像融合技術(shù)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(biāo)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(guān)鍵信息用于描繪一幅新的圖像。而經(jīng)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(zhì)不僅具備更加清晰的優(yōu)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?；谖覈咝卵芯款I(lǐng)域與該方面關(guān)注度的提升，圖像融合技術(shù)在我國市場中的應(yīng)用逐步廣泛，目前該技術(shù)已實現(xiàn)在遙感監(jiān)測、紅外線光源可見度、醫(yī)學(xué)單位實施診療行為等領(lǐng)域應(yīng)用。近年來，隨著我國對該方面研究的不斷深入，相關(guān)研究的側(cè)重點被轉(zhuǎn)移到對圖像的尺度轉(zhuǎn)換融合方面[2]。而在這一背景下，被應(yīng)用到圖像融合處理中的相關(guān)支撐性技術(shù)，包括小波轉(zhuǎn)換、遙感定位等。盡管提出的相關(guān)技術(shù)在應(yīng)用中可實現(xiàn)對圖像的動態(tài)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(jié)描述不準(zhǔn)確等問題，這些問題也反映了我國對于高新技術(shù)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(jīng)網(wǎng)絡(luò)，對圖像融合技術(shù)展開進一步的研究。

1 改進神經(jīng)網(wǎng)絡(luò)

改進神經(jīng)網(wǎng)絡(luò)是對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的優(yōu)化與改進，屬于信息通信的一種。在應(yīng)用中，通過對動物神經(jīng)元進行提取，并采用模仿其行為或特征的方式，對相關(guān)數(shù)據(jù)信息進行分布式計算處理[3]。此種網(wǎng)絡(luò)通過定位目標(biāo)源的方式，結(jié)合通信網(wǎng)絡(luò)的復(fù)雜程度，進行網(wǎng)絡(luò)中節(jié)點信息連接方式的調(diào)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(xué)的研究范疇，使用計算機技術(shù)，在硬件設(shè)備的支撐下，建立物理數(shù)據(jù)模型，并借助使用神經(jīng)算法，進行前端信息的獲取與后端信息的反饋[4－5]。區(qū)別于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，本文提出的改進神經(jīng)網(wǎng)絡(luò)在應(yīng)用中的優(yōu)勢較為顯著。不僅可實現(xiàn)對網(wǎng)絡(luò)中大規(guī)模信息的并行處理，同時也可實現(xiàn)對自適應(yīng)信號的高效率定位與獲取[6－7]。此外，改進神經(jīng)網(wǎng)絡(luò)還具備較強的包容性與信息適應(yīng)性，對于網(wǎng)絡(luò)提供給其的信息數(shù)據(jù)具備較強的自我組織能力，可實現(xiàn)對數(shù)據(jù)信號的計劃性模擬處理?？傊涔ぷ鞯暮诵呐c原理在于對生物學(xué)人腦的描述，目前此項技術(shù)在市場中已實現(xiàn)了普及化應(yīng)用。

2 基于改進神經(jīng)網(wǎng)絡(luò)的圖像融合技術(shù)

2.1 構(gòu)建脈沖融合數(shù)學(xué)模型

為了滿足對多種特征圖像的融合需求，引進改進神經(jīng)網(wǎng)絡(luò)，建立由多個神經(jīng)元數(shù)據(jù)構(gòu)成的信息反饋模型。按照PCNN模型的構(gòu)成模式，對脈沖融合數(shù)學(xué)模型的構(gòu)建展開研究。在此過程中認為每個數(shù)學(xué)計算機區(qū)域均是由改進分支樹、網(wǎng)絡(luò)調(diào)節(jié)耦合器與脈沖發(fā)生器構(gòu)成[8－9]。在模型的前端，多個相鄰的神經(jīng)元進行同步信息輸入，當(dāng)導(dǎo)入的多特征圖像進入鏈接區(qū)域，調(diào)制耦合器對其進行分支樹的反饋處理。最終由脈沖發(fā)生器根據(jù)硬限幅函數(shù)，進行圖像中特征參數(shù)及變化閾值函數(shù)的輸出，輸出的神經(jīng)元將與鄰近的神經(jīng)網(wǎng)絡(luò)進行對照處理，以此檢測圖像在融合中產(chǎn)生的多種數(shù)字差異[10]。基于上述分析，對本文設(shè)計的脈沖融合數(shù)學(xué)模型進行函數(shù)描述，如下所示。

式中：Fij為圖像信息反饋輸入次數(shù)；n 為網(wǎng)絡(luò)神經(jīng)元的構(gòu)成；β為耦合連接區(qū)域；W為圖像內(nèi)部元素活動行為；i為第i個神經(jīng)元；j為神經(jīng)元衰減系數(shù)（通常為常數(shù)）；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(shù)學(xué)模型基礎(chǔ)表達函數(shù)式；式（2）所示為分支樹的函數(shù)表達式；式（3）所示為網(wǎng)絡(luò)調(diào)節(jié)耦合器在常規(guī)運行狀態(tài)下的函數(shù)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(fā)生器在常規(guī)運行狀態(tài)下的函數(shù)表達式。

在滿足上述提出約束條件的基礎(chǔ)上，即可認為完成對脈沖融合數(shù)學(xué)模型的構(gòu)建。

2.2 制定圖像融合行為實施規(guī)則

在完成上述相關(guān)工作的基礎(chǔ)上，將具備多個特征參數(shù)的圖像導(dǎo)入所建立的數(shù)學(xué)模型中，對其進行多尺度行為轉(zhuǎn)換與維度分解。在PCNN網(wǎng)絡(luò)的影響下，輸出圖像中每個像素點的強度值，將數(shù)據(jù)值導(dǎo)入神經(jīng)元網(wǎng)絡(luò)中，并在此神經(jīng)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(wǎng)絡(luò)結(jié)構(gòu)規(guī)劃）。在上述提出相關(guān)研究的基礎(chǔ)上，認為每個神經(jīng)元的周圍存在2種狀態(tài)，分別為點火狀態(tài)與非點火狀態(tài)?？紤]到本文設(shè)計的脈沖融合數(shù)學(xué)模型，在實際應(yīng)用中，具備對信息的捕捉性能，因此針對點火狀態(tài)的像素神經(jīng)元，可直接選擇對其附近區(qū)域內(nèi)的神經(jīng)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(wǎng)絡(luò)中信息的有機傳遞或信息交互過程。

綜合上述分析，對PNCC網(wǎng)絡(luò)中的單個信息進行傳遞。此時，先對網(wǎng)絡(luò)中j1神經(jīng)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(jīng)元j2。此過程應(yīng)注意j2需要提前進行點火準(zhǔn)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(jīng)結(jié)構(gòu)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(jié)構(gòu)的特征值為k，獲取k中與j1相近的數(shù)據(jù)值，在k的引導(dǎo)下，j1的圖像信息才允許被j2接收。而隨著數(shù)據(jù)迭代次數(shù)的不斷提升，需要不斷對j2、j3甚至jn進行結(jié)構(gòu)特征處理，直至完成改進神經(jīng)元網(wǎng)絡(luò)中所有信息節(jié)點的融合，以此完成對圖像融合規(guī)則的制定與規(guī)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(jīng)元網(wǎng)絡(luò)中多節(jié)點信息的有效融合后，需要持續(xù)對輸出的圖像進行高斯除噪處理。產(chǎn)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(guān)因素的影響所導(dǎo)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(jù)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(biāo)準(zhǔn)差；μ為圖像像素的灰度值。

在定位圖像噪聲的基礎(chǔ)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(chǔ)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(shù)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(wǎng)絡(luò)中所有相關(guān)節(jié)點圖像的融合與去噪處理，以此完成對圖像融合技術(shù)的設(shè)計。

3 對比實驗

為進一步驗證本文提出的基于改進神經(jīng)網(wǎng)絡(luò)的圖像融合技術(shù)的實際應(yīng)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(yī)學(xué)CT 圖像，3 種圖像的分辨率均為1 280×640。為確保實驗結(jié)果的客觀性，實驗在利用本文技術(shù)和傳統(tǒng)技術(shù)分別對圖像進行融合時，設(shè)置相同的實驗條件。設(shè)置兩種技術(shù)均在Intel i8，3.2 GHz雙核處理器，1.25 T硬盤，16 GB內(nèi)存當(dāng)中完成操作。對融合結(jié)果分別記錄，并以互信息量為客觀評價指標(biāo)。互信息量是指融合后的圖像中細節(jié)信息的保留量，互信息量數(shù)值越大，則說明該技術(shù)的融合效果越好；反之互信息量數(shù)值越小，則說明該技術(shù)的融合效果越差。利用Matlab程序完成對2種技術(shù)的互信息量計算，并將實驗結(jié)果進行記錄。根據(jù)實驗結(jié)果中的內(nèi)容，繪制實驗結(jié)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(yī)學(xué)CT圖像融合；D為第2組多聚焦圖像與醫(yī)學(xué)CT圖像融合；E 為紅外與可見光圖像與醫(yī)學(xué)CT圖像融合。

圖1 兩種圖像融合技術(shù)實驗結(jié)果對比

由圖中的2 個曲線可以看出，本文融合技術(shù)的互信息量明顯高于出臺的融合技術(shù)，由上述可知，互信息量數(shù)值越高表示該技術(shù)的融合效果更好。同時，在實驗過程中從圖像融合后的結(jié)果可以看出，在融合的過程中引入了改進神經(jīng)網(wǎng)絡(luò)技術(shù)，使得本文融合技術(shù)在對多組圖像融合組進行融合后，清晰程度明顯高于傳統(tǒng)融合技術(shù)，圖像并未出現(xiàn)失真的現(xiàn)象；而傳統(tǒng)融合技術(shù)在實驗過程中對紅外與可見光圖像與醫(yī)學(xué)CT圖像融合時出現(xiàn)了嚴重的失真問題，造成融合質(zhì)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(jīng)網(wǎng)絡(luò)的圖像融合技術(shù)在實際應(yīng)用中具有更加理想的融合效果，能夠在融合后的圖像當(dāng)中看出清晰保留的細節(jié)信息。

4 結(jié)束語

本文從構(gòu)建脈沖融合數(shù)學(xué)模型、制定圖像融合行為實施規(guī)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(shù)展開設(shè)計研究，同步設(shè)計對比實驗，驗證本文所設(shè)計的技術(shù)在進行圖像融合應(yīng)用中，具備更為顯著的優(yōu)勢，具有更加理想的融合效果，融合質(zhì)量相對較高。