改進的響尾蛇雙模式細(xì)胞模型的圖像融合

王 勇， 王宇慶， 馬 嬌

(1.吉林大學(xué) 通信工程學(xué)院，吉林 長春 130012；2.中國科學(xué)院 長春光學(xué)精密機械與物理研究所，吉林 長春 130033；3.中國科學(xué)院 電子學(xué)研究所，北京 100080)

?

改進的響尾蛇雙模式細(xì)胞模型的圖像融合

王 勇1*， 王宇慶2， 馬 嬌3

(1.吉林大學(xué) 通信工程學(xué)院，吉林 長春 130012；2.中國科學(xué)院 長春光學(xué)精密機械與物理研究所，吉林 長春 130033；3.中國科學(xué)院 電子學(xué)研究所，北京 100080)

由于基于經(jīng)典Waxman融合模型得到的偽彩色融合圖像目標(biāo)不夠清晰，本文提出了一種改進的感受野融合模型。對紅外圖像和可見光圖像分別進行了ON對抗增強和OFF對抗增強；將紅外ON對抗增強圖像饋入中心-環(huán)繞感受野模型的中心興奮區(qū)域，可見光OFF對抗增強圖像饋入環(huán)繞抑制區(qū)，得到融合圖像的B分量；將紅外OFF對抗增強圖像饋入中心-環(huán)繞感受野模型的環(huán)繞抑制區(qū)域，可見光ON對抗增強圖像饋入中心興奮區(qū)，得到融合圖像的G分量；將可見光ON對抗增強圖像直接作為融合圖像的R分量；然后，輸出RGB偽彩色融合圖像。最后，用Waxman方法和本文提出的方法分別對兩組源圖像進行融合，并用信息熵和平均梯度對融合結(jié)果進行了評價。結(jié)果表明，采用提出的模型，第一組融合圖像的信息熵和平均梯度比Waxman融合模型分別高出0.314 6和0.004 1，第二組融合圖像的信息熵和平均梯度比Waxman融合模型分別高出0.255 1和0.002 7。得到的數(shù)據(jù)顯示本文提出的融合模型的融合效果優(yōu)于經(jīng)典Waxman模型。

圖像融合；感受野融合模型；紅外圖像；可見光圖像；中心-環(huán)繞受域；雙模式細(xì)胞

1 引 言

圖像融合是通過提取兩個或兩個以上源圖像的信息，得到同一場景或目標(biāo)更為準(zhǔn)確、全面和可靠的圖像描述[1]。目前關(guān)于圖像融合的研究多數(shù)集中在像素級、特征級或決策級的圖像融合算法的探索上[2-5]。近年來，有部分學(xué)者提出了通過模擬生物視覺成像機制實現(xiàn)圖像融合的方法[6]。他們將響尾蛇作為主要研究對象。

自然界中，任何物體都能夠輻射紅外能量，響尾蛇利用目標(biāo)和背景紅外輻射能量的差異得到不同目標(biāo)的紅外圖像。即使相距較遠(yuǎn)，其紅外感知系統(tǒng)也能排除外界事物的干擾，探測到隱藏著的熱目標(biāo)。然而紅外圖像的對比度較差，它只對環(huán)境中目標(biāo)的熱輻射比較敏感，對于亮度變化并不敏感，而且由于沒有顏色信息，對場景細(xì)節(jié)也不敏感?？梢姽鈭D像比紅外圖像包含更多的目標(biāo)細(xì)節(jié)信息，但在環(huán)境亮度較低時，圖像的亮度、對比度和圖像分辨率都會下降[7-8]?？蒲腥藛T通過研究發(fā)現(xiàn)，在響尾蛇的視覺系統(tǒng)中，紅外信息和可見光信息可以很好地相互協(xié)同，形成的融合圖像細(xì)節(jié)信息豐富、目標(biāo)清晰。因此，人們試圖通過研究響尾蛇的視覺成像機制，揭示出紅外與可見光圖像的融合機理，建立一套仿生融合算法。

近幾年，在生物學(xué)研究成果的基礎(chǔ)上，圖像處理領(lǐng)域的研究者對基于響尾蛇的視覺成像系統(tǒng)做了深入研究[9]，概括為以下兩個方面：(1)用感受野動力學(xué)方程做圖像融合，探討方程中各個參數(shù)的取值[6]。(2)提出了多波段圖像假彩色融合技術(shù)[9-10]。本文對waxman感受野模型做了改進，先對紅外圖像和可見光圖像分別進行ON對抗增強和OFF對抗增強，再將紅外ON對抗增強圖像饋入中心-環(huán)繞感受野模型的中心興奮區(qū)域，將可見光OFF對抗增強的圖像饋入環(huán)繞抑制區(qū)，得到融合圖像的B分量；接著將紅外OFF對抗增強圖像饋入中心-環(huán)繞感受野模型的環(huán)繞抑制區(qū)域，可見光ON對抗增強的圖像饋入中心興奮區(qū)，得到融合圖像的G分量；最后將可見光ON對抗增強的圖像直接作為融合圖像的R分量。輸出RGB偽彩色融合圖像。

2 經(jīng)典雙模式細(xì)胞模型

2.1 經(jīng)典雙模式細(xì)胞模型

Newman、Hartline兩人指出響尾蛇視頂蓋中紅外和可見光信息的融合作用通過雙模式細(xì)胞的與、或、紅外增強可見、可見增強紅外、紅外抑制可見和可見抑制紅外這6種方式的相互作用實現(xiàn)。為了實現(xiàn)其視覺成像過程的仿真，需要對這6種雙模式細(xì)胞建立合適的數(shù)學(xué)模型[9]。

文中將可見光圖像和紅外圖像分別用fv(x，y)和fir(x，y)表示，6種模式分別描述如下。

2.1.1 可見光增強紅外細(xì)胞

該細(xì)胞對單獨的可見光信號不起作用，對單獨的紅外信號則能產(chǎn)生響應(yīng)。當(dāng)紅外信號存在時加入可見光信號刺激，細(xì)胞的響應(yīng)將明顯增強。由此可知可見光對紅外信號起到了輔助增強的作用。本文用指數(shù)函數(shù)來模擬紅外信號的增強效果。可以得到：

fv+ir(x，y)=fir(x，y)expfv(x，y)，

(1)

其中：fv+ir(x，y)表示可見光增強紅外后的圖像。

2.1.2 可見光抑制紅外細(xì)胞

該細(xì)胞對單獨的紅外信號可以產(chǎn)生響應(yīng)，而對單獨的可見光信號卻不起作用。當(dāng)紅外信號存在時加入可見光信號的刺激，細(xì)胞響應(yīng)將明顯減弱，即可見光對紅外信號的響應(yīng)起到了抑制的作用。本文用對數(shù)函數(shù)來模擬可見光對紅外信號的抑制：

fv-ir(x，y)=fir(x，y)log[fv(x，y)+1]，

(2)

其中：fv-ir(x，y)表示可見光抑制紅外后的圖像。

2.1.3 紅外增強可見光細(xì)胞

該細(xì)胞對單獨的紅外信號不起作用，對單獨的可見光信號則能產(chǎn)生響應(yīng)。當(dāng)可見光信號單獨存在時加入紅外信號刺激，細(xì)胞的響應(yīng)將大大增強。由此可知紅外對可見光信號起到了輔助增強作用。本文用指數(shù)函數(shù)來模擬紅外信號對可見光信號的增強效果?？梢缘玫剑?/p>

fir+v(x，y)=fv(x，y)expfir(x，y)，

(3)

其中：fir+v(x，y)表示紅外增強可見光信號后的圖像。

2.1.4 紅外抑制可見光細(xì)胞

該細(xì)胞對單獨的可見光信號可以產(chǎn)生響應(yīng)，而對單獨的紅外信號不起作用。當(dāng)可見光信號單獨存在時加入紅外信號的刺激，細(xì)胞響應(yīng)將大大減弱。由此可知紅外對可見光信號的響應(yīng)起到了抑制作用。本文用對數(shù)函數(shù)來模擬紅外信號對可見光信號的抑制。得到下式：

fir-v(x，y)=fv(x，y)log[fir(x，y)+1]，

(4)

其中：fir-v(x，y)表示紅外抑制可見光信號后的圖像。

2.1.5 AND (與)細(xì)胞

當(dāng)紅外信號和可見光信號同時存在時，細(xì)胞才產(chǎn)生明顯的響應(yīng)。因此本文用“加權(quán)與”來模擬可見光圖像和紅外圖像的共同作用。

①當(dāng)fv(x，y)>fir(x，y)時，融合結(jié)果為：

fand(x，y)=bfv(x，y)+afir(x，y).

(5)

②當(dāng)fv(x，y)

fand(x，y)=afv(x，y)+bfir(x，y)，

(6)

其中：a>0.5，b<0.5。

2.1.6 OR(或)細(xì)胞

可見光信號或紅外信號任意一種存在或兩者都存在時，細(xì)胞都會產(chǎn)生明顯的響應(yīng)。本文用“加權(quán)或”來模擬可見光圖像和紅外圖像的共同作用。

①當(dāng)fv(x，y)>fir(x，y)時，融合結(jié)果為：

for(x，y)=afv(x，y)+bfir(x，y).

(7)

②當(dāng)fv(x，y)

for(x，y)=bfv(x，y)+afir(x，y)，

(8)

其中：a>0.5，b<0.5。

生理視覺研究發(fā)現(xiàn)，視網(wǎng)膜中神經(jīng)細(xì)胞的不同位置對光照產(chǎn)生的反應(yīng)不同，即興奮或抑制響應(yīng)。本文把視網(wǎng)膜上能夠影響某一個神經(jīng)細(xì)胞反應(yīng)的區(qū)域稱為神經(jīng)細(xì)胞的受域，也稱作感受野(RF)。神經(jīng)元細(xì)胞的受域是視覺信息處理的基本單位[6]。

根據(jù)視網(wǎng)膜錐體細(xì)胞與大腦視覺皮層細(xì)胞之間的聯(lián)系，可將視網(wǎng)膜神經(jīng)細(xì)胞的感受野分為兩種：ON中心-OFF環(huán)繞感受野和OFF中心-ON環(huán)繞感受野，分別表示中心興奮/環(huán)繞抑制和中心抑制/環(huán)繞興奮，簡稱為ON-中心型和OFF-中心型感受野。圖1表示了視神經(jīng)節(jié)細(xì)胞的同心圓結(jié)構(gòu)對抗受域模型，其中+區(qū)域表示興奮區(qū)域，-區(qū)域表示抑制區(qū)域。ON-中心型對抗受域是由中心的興奮區(qū)和環(huán)繞的抑制區(qū)組成，當(dāng)給予中心光照時，神經(jīng)細(xì)胞的反應(yīng)活動增強；而當(dāng)光照充滿環(huán)繞區(qū)域時，神經(jīng)細(xì)胞的反應(yīng)活動將受到抑制。ON-中心型感受野的興奮性分布為從中心到周邊逐漸減弱。OFF-中心型感受野則與之相反。生物物理學(xué)家將中心區(qū)域和環(huán)繞區(qū)域?qū)τ诠庹兆饔玫牟煌磻?yīng)稱為拮抗作用。利用中心和環(huán)繞區(qū)域的拮抗響應(yīng)，突出圖像中的高頻或細(xì)節(jié)信息，據(jù)此，可以提取出圖像的邊緣信息[11-12]。

圖1 ON-中心型和OFF-中心型感受野

生理學(xué)研究發(fā)現(xiàn)，距離視網(wǎng)膜中心越近，神經(jīng)節(jié)細(xì)胞的受域越大。神經(jīng)節(jié)細(xì)胞受域的模型為高斯差函數(shù)模型。中心受域和環(huán)繞受域的細(xì)胞活躍特性符合高斯分布，受域中心的敏銳性最高，距離中心越遠(yuǎn)，受域的敏銳性越低[6]。

2.2 視覺感受野的數(shù)學(xué)模型

E.H.Land在1971年發(fā)表的具有劃時代意義的論文“Lightness and Retinex Theory”中提出把明度計算和顏色恒定性簡化為工程可操作的計算方法，并稱之為Retinex。該詞是組合詞，來源于視網(wǎng)膜Retina和大腦皮層Cortex兩個詞[4]。在生物視覺系統(tǒng)中，ON-中心型感受野和OFF-中心型感受野在大腦皮層的視覺信息處理階段起著很重要的作用，此視覺細(xì)胞感受野數(shù)學(xué)模型的建立使圖像處理的前景十分廣闊。

中心-環(huán)繞對抗受域的一種動力學(xué)描述是被動膜方程(Passive Membrane Equation)。此方程最早由A.L.Hodgkin和A.F.Huxley提出，后來S.Grossberg在描述中心-環(huán)繞受域神經(jīng)網(wǎng)絡(luò)的動力學(xué)過程時，也得到了形式相似的網(wǎng)絡(luò)動力學(xué)方程[7]：

ON對抗系統(tǒng)細(xì)胞響應(yīng)：

(9)

OFF對抗系統(tǒng)細(xì)胞響應(yīng)：

(10)

式中：A是衰減常數(shù)，i，j為像素坐標(biāo)，D表示細(xì)胞基底活性，k是顏色通道，E和F是極化常數(shù)。Ck(i，j)為受域興奮中心，其可描述為：

Ck(i，j)=Ik(i，j)*Wc(i，j)=

(11)

Sk(i，j)為受域抑制環(huán)繞區(qū)域，其可描述為：

Sk(i，j)=Ik(i，j)*Ws(i，j)=

(12)

其中：Ik(i，j)為輸入圖像，*是卷積算子，Wc(i，j)、Ws(i，j)分別是中心區(qū)域和環(huán)繞區(qū)域的高斯分布函數(shù)，它們的高斯模板大小分別為m×n和p×q，σc，σs分別為中心區(qū)域和環(huán)繞區(qū)域的空間常數(shù)，上下標(biāo)c、s分別表示中心(Center) 和環(huán)繞區(qū)域(Surround)。

3 融合結(jié)構(gòu)及評價方法

3.1 經(jīng)典融合結(jié)構(gòu)

美國麻省理工大學(xué)MIT實驗室的A.M.Waxman等模仿響尾蛇雙模式細(xì)胞機理建立了基于生物特性的假彩色圖像融合的典型結(jié)構(gòu)。Waxman融合結(jié)構(gòu)如圖2所示。其中ON/OFF結(jié)構(gòu)表現(xiàn)了中心-環(huán)繞對抗受域的對比度感知屬性，第一階段為增強階段，第二階段為對紅外增強可見光和紅外抑制可見光的處理，這與響尾蛇的視覺融合機理相符。

圖2 Waxman融合結(jié)構(gòu)

該算法在第一階段，分別使用OFF對抗系統(tǒng)和ON對抗系統(tǒng)得到了紅外圖像的OFF增強圖像和ON增強圖像，及ON對抗系統(tǒng)增強可見光信號，用ON_VIS表示。第二階段為融合階段，該階段將ON對抗系統(tǒng)增強可見光信號分別饋人兩個中心-環(huán)繞對抗受域的興奮中心細(xì)胞中，紅外圖像的OFF增強圖像和ON增強圖像則分別饋入相應(yīng)神經(jīng)元的環(huán)繞抑制細(xì)胞中，得到了兩個融合信號+VIS+IR和+VIS-IR。這兩個信號分別模擬了紅外增強可見細(xì)胞響應(yīng)和紅外抑制可見細(xì)胞響應(yīng)。最后將得到的3個信號+VIS+IR、ON_VIS和+VIS-IR分別映射到R、G、B 3個通道，形成了假彩色融合圖像[10]。

3.2 本文融合結(jié)構(gòu)

Waxman融合算法中模擬了“紅外增強可見光細(xì)胞”和“紅外抑制可見光細(xì)胞”，但融合圖像中的目標(biāo)并不明顯，細(xì)節(jié)也不夠突出。針對這一問題，本文提出一種基于Waxman融合結(jié)構(gòu)的改進結(jié)構(gòu)，用以模仿響尾蛇視覺成像中紅外信息和可見光信息的融合過程。改進的融合結(jié)構(gòu)如圖3所示。該算法在第一階段，分別使用OFF對抗系統(tǒng)和ON對抗系統(tǒng)得到了紅外圖像和可見光圖像的OFF增強圖像和ON增強圖像。第二階段為融合階段，將ON對抗系統(tǒng)增強可見光信號ON_VIS 饋入中心-環(huán)繞對抗受域的興奮中心細(xì)胞，紅外圖像的OFF增強圖像饋入相應(yīng)神經(jīng)元的環(huán)繞抑制細(xì)胞，得到了可見增強紅外細(xì)胞響應(yīng)+VIS+IR 融合信號。將OFF對抗系統(tǒng)增強可見光信號饋入中心-環(huán)繞對抗受域的環(huán)繞抑制細(xì)胞，紅外圖像的ON增強圖像饋入相應(yīng)神經(jīng)元的興奮中心細(xì)胞，得到了紅外增強可見細(xì)胞響應(yīng)+IR+VIS融合信號。最后將3個信號+VIS+IR、ON_VIS和+IR+VIS分別映射到R、G、B 3個通道，形成了假彩色融合圖像。使用兩組源圖像進行了仿真實驗，圖4為第一組源圖像的仿真結(jié)果，圖6～7(彩圖見期刊電子版)為第二組源圖像的仿真結(jié)果。

圖3 改進的融合結(jié)構(gòu)

3.3 融合圖像評價方法

本文采用的客觀評價指標(biāo)為信息熵和平均梯度。

(1)信息熵

從所含信息量的角度看，融合后圖像的信息量會有所增加，因此可以根據(jù)信息熵的變化來評價融合圖像的效果。信息熵的值越高，融合效果也越好。信息熵H的定義如下：

(13)

其中：L為圖像總的灰度級，pi為不同的灰度值像素的概率分布。

(2)平均梯度

平均梯度可以表示圖像的清晰度，還可用來表示圖像細(xì)節(jié)之間的差距。平均梯度的定義如下：

，

(14)

4 仿真實驗

本文采用兩組源圖像進行仿真實驗，圖4為第一組源圖像，是正常情況下拍攝的可見光和長波紅外圖像；圖6為第二組源圖像，是在煙霧環(huán)境下拍攝的可見光和長波紅外圖像，圖5和圖7為用Waxman方法和本文提出的方法分別對兩組源圖像進行融合的結(jié)果。

(a)可見光圖像

(b)紅外圖像

(a)Waxman融合圖像

(b)本文方法融合圖像

(a)可見光圖像

(b)紅外圖像

(a)Waxman融合圖像

(b)本文融合圖像

從圖5融合圖像結(jié)果看，本文方法得到的融合圖像有較好的視覺效果，且較接近自然色彩，目標(biāo)更加突出，場景的細(xì)節(jié)信息也比較好，較原Waxman方法融合效果有所提升。圖7(a)是Waxman方法對圖6源圖像的融合結(jié)果，從圖中已無法看清被煙霧遮擋的房屋、人物以及著火點。圖7(b)是采用本文提出的融合結(jié)構(gòu)得到的融合結(jié)果，可見，不僅保留了可見光圖像的背景信息，如房屋、樹木、人物和煙霧，而且包含了紅外圖像的主要信息，如較清晰的目標(biāo)人物和發(fā)熱源位置。

兩種方法的信息熵、平均梯度及仿真時間如表1所示。信息熵和平均梯度越大，說明融合圖像中包含的信息越完整，細(xì)節(jié)越突出。從表1可以看出，對于兩組紅外和可見，本文光源圖像，本文方法的信息熵和平均梯度都要優(yōu)于經(jīng)典Waxman方法。但本文算法的仿真時間略大于Waxman算法，可見算法還有待進一步簡化以縮小圖像融合時間。

表1 融合結(jié)果量化評價

綜上所述，無論從從視覺效果看，還是從量化評價指標(biāo)看，本文感受野融合結(jié)構(gòu)模擬出的響尾蛇視覺成像效果均較好，較符合其捕食活動準(zhǔn)確而可靠的特點。

5 結(jié) 論

針對經(jīng)典Waxman融合模型得到的偽彩色融合圖像目標(biāo)不夠清晰的缺點，本文研究了響尾蛇的視覺成像系統(tǒng)，在此基礎(chǔ)上，對Waxman結(jié)構(gòu)進行了改進。兩組源圖像融合實驗結(jié)果顯示，本文方法較Waxman結(jié)構(gòu)的信息熵和平均梯度分別高0.314 6和0.004 1；0.255 1和0.002 7。證明本文方法效果較好。下一步將對算法進行簡化以縮小圖像融合時間。

[1] 陳浩，朱娟，劉艷瀅，等.利用脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像融合[J].光學(xué) 精密工程，2010，18(4)：995-1001. CHEN H， ZHU J， LIU Y Y，etal.. Image fusion based on pulse coupled neural network [J].Opt.PrecisionEng.， 2010，18(4)：995-1001.(in Chinese)

[2] AGRAWAL J D， SINGHAI J.Multifocus image fusion using modified pulse coupled neural network for improved image quality [J].IETImageProcessing，2010，4(6)：443-451.

[3] YOUNGGI B， JAEWAN C， YOUKYUNG H.An area-based image fusion scheme for the integration of SAR and optical satellite imagery [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing， 2013，6(5)：2212-2220.

[4] XU M， CHEN H，PRAMOD K V.An image fusion approach based on markov random fields [J].IEEETransactionsonGeoscienceandRemoteSensing， 2011，49(12)：5116-5127.

[5] REN H ZH， LAN Y H， ZHANG Y.Research of multi-focus image fusion based on m-band multi-wavelet transformation [J].FourthInternationalWorkshoponAdvancedComputationalIntelligence，Wuhan，Hubei，China， 2011(10)：395-398.

[6] 倪國強. 基于視覺神經(jīng)動力學(xué)的圖像融合與處理技術(shù)若干新進展[J].激光與紅外， 2005，35(11)：817-821. NI G Q.Image fusion technology and its new development [J].Laser&Infrared， 2005，35(11)： 817-821.(in Chinese)

[7] 邢素霞，常本康，張俊舉.基于紅外目標(biāo)分割的圖像融合方法研究[J].視頻工程與應(yīng)用，2009，33(11)：110-112. XING S X，CHANG B K，ZHANG J J.Study of fusion method based on infrared object segmentation [J].VideoApplication&Project， 2009，33(11)：110-112.(in Chinese)

[8] 陳少華. 基于紅外與可見光圖像融合的目標(biāo)跟蹤[D]. 南京：南京航空航天大學(xué)，2012. CHEN SH H.Targettrackingbasedoninfraredandvisibleimagefusion[D].Nanjing：Nanjing University of Aeronautics，2012.(in Chinese)

[9] 荊紹威.多波段圖像仿生假彩色融合技術(shù)研究[D]. 太原：中北大學(xué)，2009. JING SH W.Studyofbionicfalsecolorfusionofmulti-bandimage[D].Taiyuan：North University of China，2009.(in Chinese)

[10] 倪國強.多波段圖像融合算法研究及其新發(fā)展Ⅰ[J].光電子技術(shù)與信息，2001，14(5)：11-17. NI G Q.Study on multi-band image fusion algorithms and its progressing(Ⅰ)[J].OptoelectronicTechnology&Information，2001，14(5)：11-17.(in Chinese)

[11] 張彬，許廷發(fā)，黃光華，等.基于小波框架的紅外/可見光圖像融合[J]. 光學(xué)技術(shù)，2007，32(3)：334-336. ZHANG B， XU T F， HUANG G H，etal.. Fusion of infrared and visible images based on wavelet frame [J].OpticalTechnique，2007，32(3)：334-336.(in Chinese)

[12] 倪國強，肖蔓君，秦慶旺，等. 近自然彩色圖像融合算法及其實時處理系統(tǒng)的發(fā)展[J].光學(xué)學(xué)報，2007，27(12)：2101-2109. NI G Q，XIAO M J，QIN Q W，etal.. Development of near natural color image fusion algorithms and real time image fusion system [J].ActaOpticaSinica，2007，27(12)：2101-2109.(in Chinese)

王 勇(1982-)，女，山西太原人，博士，講師，2004年于吉林大學(xué)獲得工學(xué)學(xué)士學(xué)位，2010年于中國科學(xué)院長春光學(xué)精密機械與物理研究所獲得工學(xué)博士學(xué)位，主要從事數(shù)字圖像處理，模式識別等方面的研究。E-mail：wang_yong8205@163.com

王宇慶(1979-)，男，吉林長春人，博士，副研究員，2002年于吉林大學(xué)通信工程學(xué)院獲得學(xué)士學(xué)位，2005年于吉林大學(xué)信號與信息處理專業(yè)獲得碩士學(xué)位，2008年于中國科學(xué)院長春光學(xué)精密機械與物理研究所光學(xué)工程專業(yè)獲得博士學(xué)位，主要從事圖像質(zhì)量評價、圖像增強、圖像融合、FPGA設(shè)計，群體智能的研究。E-mail： wyq7903@163.com

(版權(quán)所有 未經(jīng)許可 不得轉(zhuǎn)載)

Improved rattle snake dual mode cell model for image fusion

WANG Yong1*， WANG Yu-qing2，MA Jiao3

(1.College of Communication Engineering， Jilin University，Changchun 130012， China；2.ChangchunInstituteofOptics，F(xiàn)ineMechanicsandPhysics，ChineseAcademyofSciences，Changchun130033，China；3.InstituteofElectronics，ChineseAcademyofSciences，Beijing100080，China)

Since the target in a pseudo color fusion image based on the classical Waxman fusion model is not clear，this paper proposes an improved receptive field fusion model. The infrared image and visible light image were respectively ON against enhanced and OFF against enhanced. The infrared ON against enhanced image was fed into an center exciting area of the center-surround receptive field model and the visible light OFF against enhanced image was fed into a surround inhibition zone to get the fusion imageBcomponent. Then， the infrared OFF against image was fed into a center inhibition zone of the center-surrounding receptive field model and the visible light ON against enhanced image was fed into the center exciting area to get the fusion image ofGcomponent. Furthermore， the visible ON against enhanced image was directly taken as theRcomponent of fused image and to output the pseudo color fusion image. Finally， the fusion experiments were performed for two groups of original images by Waxman model and proposed model and the fusion results were evaluated by the information entropy of fused image and the average gradient. The results show that the first set data by proposed method are higher 0.314 6 and 0.004 1 respectively than that of Waxman fusion model， and that of the second set data by proposed method are higher 0.255 1 and 0.255 1 than that of the Waxman fusion model. It concludes that fusion effect of the proposed fusion model is superior to that of the classical Waxman model.

image fusion； receptive field fusion model； infrared image； visible image； center-surrounded by domain； dual mode cell

2016-06-29；

2016-08-13.

國家自然科學(xué)基金青年基金資助項目(No.61201368)；吉林省教育廳“十二五”科學(xué)技術(shù)研究計劃資助項目(No.吉教科合字[2015]第 484號)

1004-924X(2016)11-2848-07

TP391.4

A

10.3788/OPE.20162411.2848

*Correspondingauthor，E-mail：wang-yong8205@163.com