基于區(qū)域特征脈沖耦合神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)渦輪葉片DR 圖像融合

宋艷艷，朱 倩，朱建偉，穆晨光

（1.中國航發(fā)上海商用航空發(fā)動(dòng)機(jī)制造有限責(zé)任公司，上海201100；2.南昌航空大學(xué)無損檢測教育部重點(diǎn)實(shí)驗(yàn)室，南昌330063）

引 言

航空發(fā)動(dòng)機(jī)渦輪葉片質(zhì)量檢測的主要方法是數(shù)字射線成像（Digital radiography，DR）［1］。渦輪葉片形狀復(fù)雜，在射線透照方向上的等效厚度差異比較大，對(duì)于動(dòng)態(tài)范圍有限的X 射線平板探測器來說，高射線能量使工件較厚部分的細(xì)節(jié)信息能夠清晰地分辨，工件較薄部分灰度值接近于飽和，無法分辨當(dāng)中的細(xì)節(jié)；射線能量較低時(shí)，工件較薄的部分正常曝光，細(xì)節(jié)清晰，工件較厚部分則顯示過暗，無法分辨細(xì)節(jié)。因此對(duì)于渦輪葉片，常規(guī)的固定能量的成像模式無法在單一電壓下使得整個(gè)部件同時(shí)正常成像，在同一幅DR 圖像當(dāng)中容易出現(xiàn)過曝光與曝光不足共存的現(xiàn)象，造成被檢測對(duì)象的結(jié)構(gòu)信息缺失。某典型葉片不同能量下的DR 圖像如圖1 所示，圖1（a）顯示在較低能量透照下葉身較薄，右側(cè)前端較薄部分可以顯示細(xì)節(jié)，左側(cè)較厚部分不能顯示細(xì)節(jié)；圖1（b）顯示在較高能量透照條件下，葉身部分和部分葉榫內(nèi)部能顯示細(xì)節(jié)，但葉身左側(cè)部分邊緣過曝光完全飽和，出現(xiàn)部分結(jié)構(gòu)消失。為解決此問題出現(xiàn)了變能量DR 成像技術(shù)［2］，它是獲取遞變能量圖像序列，通過圖像融合技術(shù)獲取被檢對(duì)象完整結(jié)構(gòu)信息的方法。

圖像融合是最大限度提取多幅圖像的有利信息，綜合成一幅高質(zhì)量圖像的過程，融合后的圖像較融合前的圖像含有更多的有用信息。將圖像融合技術(shù)應(yīng)用到DR 圖像中，會(huì)得到具有融合前圖像共同特征的融合圖像，增加了信息量，極大地方便觀察人員的評(píng)定，降低了工作量。

目前，基于變換域的圖像融合算法大量涌現(xiàn)，在復(fù)雜件的數(shù)字射線檢測領(lǐng)域也有應(yīng)用［3］，其中較多的有小波變換［4］、Contourlet 變換［5］等以及在此基礎(chǔ)上改進(jìn)的一些變換。Contourlet 變換可以很好捕捉到源圖像的邊緣信息，但不具備平移不變性，易在奇異點(diǎn)處產(chǎn)生偽吉布斯現(xiàn)象，因此Cunha 等［6］提出了平移不變的非下采樣Contourlet 變換（Non-subsampled contourlet transform，NSCT），消除了輪廓波變換過程中出現(xiàn)的頻譜混疊現(xiàn)象。蔡志芳等［7］將NSCT 與空間域融合方法結(jié)合，對(duì)亮度分量進(jìn)行融合，可以降低運(yùn)算復(fù)雜度且彌補(bǔ)了傳統(tǒng)方法在細(xì)節(jié)表現(xiàn)力上的不足。

圖像融合技術(shù)中，高低頻的融合準(zhǔn)則至關(guān)重要，傳統(tǒng)的融合準(zhǔn)則主要有絕對(duì)值取大［8］、加權(quán)平均［9］和區(qū)域梯度［10］等，這些融合準(zhǔn)則可以達(dá)到圖像融合的目標(biāo)，但分析不夠全面，易丟失重要細(xì)節(jié)信息，并且較少考慮鄰域及其周邊因素的影響，導(dǎo)致融合效果不是很理想。脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse coupled neural network，PCNN）［11-13］符合人類視覺系統(tǒng)神經(jīng)元運(yùn)行機(jī)制，具備全局耦合性和脈沖同步性，在圖像融合領(lǐng)域的研究方向有：（1）PCNN 模型的理論研究，Kinser［14］提出的PCNN 簡化模型在保持原模型重要特性的基礎(chǔ)上減少了模型參數(shù)，適用于圖像處理應(yīng)用要求；（2）PCNN 模型參數(shù)的自適應(yīng)設(shè)置，考慮到人眼視覺神經(jīng)系統(tǒng)對(duì)不同特征區(qū)域響應(yīng)程度存在差異，PCNN 模型的參數(shù)不應(yīng)該設(shè)置為定值［15］。對(duì)此，許多學(xué)者直接采用改進(jìn)的拉普拉斯能量和（Sum modified Laplacian，SML）［16］、改進(jìn)空間頻率［17］或子帶系數(shù)［18］設(shè)置外部激勵(lì)和連接強(qiáng)度，這些方法在各評(píng)價(jià)指標(biāo)上均有提高，但沒有考慮低頻和高頻子帶包含源圖像的不同特性，不能完整地反映出圖像的方向特性。

圖1 某型葉片不同能量下DR 圖像Fig.1 DR images of a certain type of blade under different energy

針對(duì)上述問題，本文研究渦輪葉片DR 圖像在NSCT 變換下，根據(jù)圖像的全局特征和子帶圖像的不同區(qū)域特性來調(diào)整PCNN 模型的重要參數(shù)，以改進(jìn)空間頻率（Modified spatial frequency，MSF）自適應(yīng)調(diào)整連接強(qiáng)度，低頻子帶采用區(qū)域均方差、高頻子帶采用SML 調(diào)整外部激勵(lì)方法，提出一種包含源圖像信息豐富、邊緣及紋理清晰，適用于復(fù)雜結(jié)構(gòu)件DR 圖像的融合算法。

1 變能量渦輪葉片DR 圖像融合基本原理

經(jīng)典的基于變換域的圖像融合算法雖然已取得很好的效果，但在細(xì)節(jié)處理、信息冗余等方面仍有所欠缺，針對(duì)DR 圖像的融合，充分利用NSCT 和PCNN 技術(shù)優(yōu)點(diǎn)進(jìn)行融合策略設(shè)計(jì)，以期得到紋理細(xì)節(jié)更加豐富、清晰度更高的融合圖像。

1.1 NSCT 原理

NSCT 是一種完全平移不變的Contourlet 變換形式，它不僅具有多尺度、良好的空域和頻域局部特性和方向特性外，還去除了下采樣過程，所以具有平移不變特性。Coutourlet 變換是利用類似輪廓段的基結(jié)構(gòu)來逼近圖像，它在Laplacian 塔式變換（LP）實(shí)現(xiàn)多尺度分解基礎(chǔ)上，利用方向?yàn)V波器組實(shí)現(xiàn)多方向分解，將分布在相同方向上的不連續(xù)點(diǎn)連接成周線結(jié)構(gòu)，最終以類似于周線結(jié)構(gòu)來逼近原圖像，變換過程如圖2 所示。

圖2 NSCT 變換示意圖Fig.2 Schematic diagram of NSCT transformation

NSCT 基本結(jié)構(gòu)分為非下采樣金字塔（Non-subsampled pyramid，NSP）分解和非下采樣方向?yàn)V波器組（Non-subsampled directional filter bank，NSDFB）兩部分，前者實(shí)現(xiàn)多尺度分解，后者實(shí)現(xiàn)多方向分解。NSCT 分解后，得到低頻子帶圖像和多層高頻子帶圖像，利用融合后的高低頻子帶進(jìn)行NSCT 重構(gòu)得到融合圖像。

1.2 脈沖耦合神經(jīng)網(wǎng)絡(luò)

PCNN 是脈沖耦合神經(jīng)元橫向連接的二維網(wǎng)絡(luò)，每個(gè)神經(jīng)元對(duì)應(yīng)一個(gè)特定的像素，其受到周圍神經(jīng)元的影響。PCNN 基本組成單元分為3 部分：接收域、耦合調(diào)制域和脈沖產(chǎn)生器［19］。每個(gè)神經(jīng)元的點(diǎn)火輸出具有點(diǎn)火和不點(diǎn)火兩種狀態(tài)，圖3 為單個(gè)神經(jīng)元的簡化模型。

圖3 PCNN 單個(gè)神經(jīng)元結(jié)構(gòu)模型Fig.3 PCNN single neuron structure model

對(duì)于（i，j）位置的神經(jīng)元，在時(shí)刻n 受到外界刺激信息Sij和鄰域k×l（連接范圍）內(nèi)其他神經(jīng)元n-1時(shí)刻的脈沖信息｛Ykl｝影響后，其反饋輸入Fij、線性連接輸入Lij、內(nèi)部活動(dòng)項(xiàng)Uij、脈沖發(fā)生器中輸出Yij和膜電位動(dòng)態(tài)閾值θij的離散數(shù)學(xué)表達(dá)式分別為

式中：Sij為外部輸入激勵(lì)，n 為迭代次數(shù)，Wijkl為Lij中{Yij}的加權(quán)系數(shù)；VL、Vθ分別為連接放大系數(shù)和閾值函數(shù)的放大系數(shù)；αL、αθ分別為連接輸入和變閾值函數(shù)的衰減時(shí)間常數(shù)；β 為連接強(qiáng)度；當(dāng)Uij超過閾值時(shí)，產(chǎn)生脈沖輸出Yij，Yij也會(huì)被記錄下來對(duì)脈沖發(fā)生器的閾值進(jìn)行調(diào)節(jié)，來影響下一次的信號(hào)是否能超過閾值從而輸出；θij隨著該神經(jīng)元輸出狀態(tài)而變化［20］。PCNN 神經(jīng)元接收到輸入信號(hào)后根據(jù)上述原理判定并輸出點(diǎn)火情況，每個(gè)（i，j）位置的神經(jīng)元在n 次迭代后將點(diǎn)火總次數(shù)統(tǒng)計(jì)輸出形成點(diǎn)火映射圖，表達(dá)式為

將圖像的單個(gè)像素灰度值輸入神經(jīng)元，設(shè)置連接輸入和外部輸入激勵(lì)（所求解的區(qū)域特征），經(jīng)過域映射后進(jìn)行閾值判別，每進(jìn)行一次閾值判別后閾值會(huì)進(jìn)行動(dòng)態(tài)調(diào)整進(jìn)行下次判別，點(diǎn)火圖是統(tǒng)計(jì)像素點(diǎn)超過閾值的次數(shù)，超過閾值次數(shù)越多的點(diǎn)表明此像素點(diǎn)越活躍，邊緣和紋理信息的多少與點(diǎn)火次數(shù)正相關(guān)，因此用原圖像之間點(diǎn)火圖的判決遵循取大原則，可以最大限度保留源圖像的信息。最終輸出總點(diǎn)火映射圖。

2 變能量葉片DR 圖像融合規(guī)則

變能量圖像序列采集實(shí)驗(yàn)條件為FOMR225.030RT 微焦點(diǎn)X 射線源、XRpad2 4336HWC 平板探測器。保持葉片位置不變，射線機(jī)管電壓從90 kV 依次以5 kV 的步進(jìn)從小到大遞增至210 kV，管電流設(shè)置為1 mA，積分時(shí)間設(shè)置為1 500 ms，獲得了28 張葉片DR 圖像（圖像編號(hào)分別為1～28，大小均為1 024 像素×1 024 像素）作為待融合的源圖像，部分圖像如圖4 所示。

圖4 渦輪葉片DR 圖像Fig.4 DR images of turbine blade

2.1 融合原理與步驟

根據(jù)圖像低頻子帶和高頻子帶的特性，采用點(diǎn)火圖取大原則進(jìn)行處理，結(jié)合PCNN 模型的特點(diǎn)得到最終的融合圖像，主要流程如圖5 所示。

（1）實(shí)驗(yàn)中n=28，對(duì)源圖像進(jìn)行NSCT 分解，使用4 級(jí)LP 分解，每張?jiān)磮D像分別獲得一個(gè)低頻子帶和多個(gè)尺度下的高頻子帶（其中1 級(jí)分解2 張，2 級(jí)分解4 張，3 級(jí)分解8 張，4 級(jí)分解16 張）。每個(gè)尺度上的方向數(shù)分別為l（j）。以兩張葉片源圖像A 和B 為例，源圖像的分解過程表示為

式中：aJ表示低頻子帶；bj為尺度j上的方向子帶集合；dj·k為尺度j上第k個(gè)方向的高頻子帶。每張?jiān)瓐D像對(duì)應(yīng)的低頻子帶中有1 張圖像，高頻子帶中有30 張圖像。最終共得到28 張低頻子帶圖像，840 張高頻子帶圖像。

（2）對(duì)于分解后的低頻子帶和所有高頻子帶，設(shè)置各個(gè)子帶對(duì)應(yīng)連接范圍、加權(quán)系數(shù)和連接強(qiáng)度，以及低頻、高頻子帶的外部激勵(lì)。

將PCNN 按照式（1～5）迭代運(yùn)行，直至每個(gè)神經(jīng)元都被激活，然后統(tǒng)計(jì)出各子帶特征的點(diǎn)火次數(shù)獲得點(diǎn)火映射圖。對(duì)融合子帶進(jìn)行NSCT 逆變換，即重構(gòu)出融合圖像F。

2.2 連接強(qiáng)度

人類視覺系統(tǒng)特性對(duì)單個(gè)像素的灰度取值并不敏感，圖像清晰與否是由區(qū)域內(nèi)像素共同體現(xiàn)的，PCNN 神經(jīng)元的連接強(qiáng)度也應(yīng)該與圖像的邊緣細(xì)節(jié)信息有關(guān)?？臻g頻率是局部鄰域區(qū)域的一個(gè)顯著特征，并且能反映圖像的邊界特征，通常只表述為水平與垂直兩個(gè)方向FR和FC，文獻(xiàn)［21］增加兩個(gè)對(duì)角方向FMD和FSD的梯度能量，為了突出方向特征，提取更多細(xì)節(jié)信息，使得圖像特征信息的提取更為全面，提出式（14）采用方向特征最顯著的梯度信息來調(diào)整連接強(qiáng)度。

式中：M 和N 為子帶圖像尺寸，A（i，j）為（i，j）處的子帶系數(shù)值；FR、FC、FMD、FSD分別表示行頻率、列頻率、主對(duì)角頻率和副對(duì)角頻率。

2.3 低頻子帶融合規(guī)則

低頻子帶包含源圖像的近似面貌和大部分信息，是圖像總體輪廓的體現(xiàn)。PCNN 輸入激勵(lì)一般為圖像的單個(gè)像素點(diǎn)，其無法充分體現(xiàn)源圖像的特征信息。局部區(qū)域內(nèi)的多個(gè)像素之間存在相關(guān)性，基于區(qū)域的融合規(guī)則能更好體現(xiàn)出圖像局部特征。采用均方差指導(dǎo)融合可以保留和增強(qiáng)圖像結(jié)構(gòu)信息，因此，針對(duì)低頻子帶，將區(qū)域均方差作為PCNN 的輸入激勵(lì)。將低頻子帶aJ進(jìn)行子塊劃分，窗口大小取3×3。分割成獨(dú)立的正方形子塊aJ(m，n)，隨后計(jì)算當(dāng)前子塊的區(qū)域均方差

經(jīng)NCST 分解，將像素灰度值輸入PCNN 中，得到的部分低頻子帶圖像及對(duì)應(yīng)的點(diǎn)火圖如圖6所示。

2.4 高頻子帶融合規(guī)則

高頻子帶集中了邊緣和紋理等細(xì)節(jié)信息，分布呈現(xiàn)出方向特性。考慮到DR 圖像中細(xì)節(jié)信息尤為重要，以改進(jìn)的拉普拉斯能量和來設(shè)置外部激勵(lì)。傳統(tǒng)的SML 算法只在水平和垂直方向上計(jì)算每個(gè)像素點(diǎn)的變步長拉普拉斯算子值，而改進(jìn)算法是在水平、垂直和斜對(duì)角線共8 個(gè)方向上計(jì)算每個(gè)像素點(diǎn)的變步長拉普拉斯算子值，增加了斜對(duì)角線上4 個(gè)方向。8 個(gè)方向中，距離中心像素點(diǎn)越近，對(duì)ML（i，j）貢獻(xiàn)更大。因此，設(shè)定水平和垂直方向?qū)L（i，j）的貢獻(xiàn)權(quán)值為1，斜對(duì)角線距離中心像素點(diǎn)比水平和垂直方向更遠(yuǎn)，對(duì)ML（i，j）貢獻(xiàn)權(quán)值設(shè)置為0.7，如式（17）所示。

圖6 低頻圖像及對(duì)應(yīng)的點(diǎn)火映射圖Fig.6 Low frequency images and fire mapping images

式中：SML為改進(jìn)的拉普拉斯能量和；A（i，j）為（i，j）處的系數(shù)值，測度窗口大小取3×3。

高頻子圖細(xì)節(jié)信息目視顯示不明顯，經(jīng)過范圍擴(kuò)展可看到細(xì)節(jié)信息。第2 層部分高頻圖與對(duì)應(yīng)的點(diǎn)火映射圖如圖7 所示。

圖7 第2 層高頻子圖及點(diǎn)火映射圖Fig.7 High frequency sub-graphs and fire mapping images in the second layer

3 實(shí)驗(yàn)結(jié)果與分析

3.1 融合結(jié)果比較

為驗(yàn)證算法的有效性，圖8 給出了各方法DR 圖像融合結(jié)果。其中，圖8（a）為本文算法，圖8（b）為文獻(xiàn)［7］所提方法，選取像素值大的高頻系數(shù)作為融合后的高頻系數(shù)，記作NSCT；圖8（c～e）分別為文獻(xiàn)［16-18］所提方法。文獻(xiàn)［16］算法低頻融合規(guī)則為SML取大，以SML作為高頻外部激勵(lì)，文獻(xiàn)［17］算法以SML作為低頻外部激勵(lì)，MSF 作為高頻外部激勵(lì)，平均梯度作為連接強(qiáng)度；文獻(xiàn)［18］算法低頻部分采用區(qū)域能量加權(quán)，帶通子帶系數(shù)作為外部激勵(lì)，空間頻率作為連接強(qiáng)度。圖8（f）為采用傳統(tǒng)經(jīng)典空間頻率作為連接強(qiáng)度，外部激勵(lì)與本文一致的融合算法。NSCT 尺度分解均為4 層。

圖8 不同方法的融合結(jié)果Fig.8 Fusion results of different methods

3.2 主觀評(píng)價(jià)

觀察圖8 可以發(fā)現(xiàn)，圖8（a）與圖8（c）、圖8（d）都可以比較完整地看到葉片全貌，內(nèi)部線狀結(jié)構(gòu)呈連續(xù)狀態(tài)，但圖8（c）、圖8（d）整體亮度偏低，對(duì)比度差，視覺效果略差，圖8（c）中存在葉身部分結(jié)構(gòu)信息缺失的現(xiàn)象，圖8（a）質(zhì)量更高，不僅亮度有所提高，且無偽影，紋理更加明顯，可以分析出，直接以SML作為高低頻融合的外部激勵(lì)效果較差，沒有考慮到高低頻的不同特點(diǎn)，本文算法采用的區(qū)域特征相較于文獻(xiàn)［17］的區(qū)域特征更優(yōu)；圖8（b）融合結(jié)果分辨率較差，葉榫部分出現(xiàn)縱橫交叉紋理，與真實(shí)結(jié)構(gòu)偏差較大，PCNN 相較于其他NSCT 域內(nèi)的融合規(guī)則更優(yōu)；圖8（e）結(jié)果可以觀察到盡管較為完整地保存了源圖像外圍結(jié)構(gòu)信息，但葉身內(nèi)部結(jié)構(gòu)信息沒有完全表現(xiàn)出來，存在部分結(jié)構(gòu)缺失的問題，采用帶通子帶系數(shù)相比于改進(jìn)的拉普拉斯能量和作為外部激勵(lì)的效果較差；圖8（f）質(zhì)量效果較好，但整體亮度稍微低于本文算法，且其邊緣細(xì)節(jié)顯示略差于本文算法，綜合來看，本文提出的低頻子帶采用區(qū)域均方差、高頻子帶采用SML調(diào)整外部激勵(lì)算法圖像融合，在主觀視覺上更優(yōu)。

3.3 客觀評(píng)價(jià)

由于主觀評(píng)價(jià)很難區(qū)分融合圖像之間的細(xì)微差別，為保證結(jié)論具有客觀性和說服力，用5 個(gè)客觀指標(biāo)進(jìn)行對(duì)比分析：平均梯度（Average gradient，AVG）、標(biāo)準(zhǔn)差（Standard deviation，STD）、信息熵（Entropy，EN）、空間頻率（Spatial frequency，SF）和對(duì)比度（Contrast ratio，CR）。其中，AVG 是一幅圖像的梯度圖上所有點(diǎn)的均值，它反映了圖像中的微小細(xì)節(jié)反差和紋理變化特征，同時(shí)也能反映出圖像的清晰度，一般來說平均梯度越大，圖像層次也就越豐富，變化就越多，圖像越清晰；STD 指的是圖像像素灰度值相對(duì)于均值的離散程度，標(biāo)準(zhǔn)差越大，表明圖像中灰度級(jí)別越分散，視覺效果較好；EN 反映了圖像中平均信息量的多少，圖像中的信息熵越大，說明圖像包含的信息越多，證明融合圖像的質(zhì)量越好；SF 反映了一幅圖像空間的總體活躍程度；CR 是視覺效果的影響非常關(guān)鍵，CR 越大表示圖像越清晰，圖像更豐富。實(shí)驗(yàn)所獲得的融合圖像性能指標(biāo)如表1 所示。

表1 融合圖像評(píng)價(jià)指標(biāo)Table 1 Fusion image evaluation index

從表1 中可以看出，本文方法在EN、AVG、STD、CR 方面優(yōu)于其他方法，SF 處于較高水平，較高的空間頻率表明了融合質(zhì)量較高；標(biāo)準(zhǔn)差和平均梯度越高，圖像對(duì)邊緣細(xì)節(jié)的保持能力就越好，融合后的圖像可利用的有用信息也就越多。總體來說，本文方法融合后的圖像對(duì)圖像的邊緣細(xì)節(jié)信息的保持能力更強(qiáng)，在融合過程中損失信息更少，融合效果最優(yōu)，結(jié)論與主觀評(píng)價(jià)一致。

4 算法驗(yàn)證

為驗(yàn)證算法相比于其他同類型采用不同激勵(lì)的優(yōu)勢，對(duì)不同類型的2 號(hào)葉片進(jìn)行同樣實(shí)驗(yàn)和融合步驟，管電壓從90 kV 依次以10 kV 的步進(jìn)從小到大遞增至240 kV，管電流設(shè)置為5 mA，積分時(shí)間設(shè)置為500 ms，獲得16 張待融合葉片DR 圖像，采用同類型不同激勵(lì)的算法對(duì)2 號(hào)葉片進(jìn)行DR 圖像融合，結(jié)果如圖9 所示。

圖9（c）融合結(jié)果與圖9（a）主觀視覺差別不大，但細(xì)節(jié)部分更加粗糙，下半部分可以看到明顯的階梯狀，分析其原因是可能算法中沒有進(jìn)行灰度階平滑處理。圖9（a）相較于圖9（e）來說，葉片榫頭部分更加明亮，其紋理更加清晰，圖9（b）與圖9（d）出現(xiàn)嚴(yán)重的信息丟失現(xiàn)象，葉片下半部分結(jié)構(gòu)信息已經(jīng)消失，無法獲得葉片真實(shí)反映。

在表2 中，本文方法在EN、AVG、STD、CR 方面的優(yōu)勢與表1 類似，2 號(hào)葉片源圖像融合后的信息熵、標(biāo)準(zhǔn)差、對(duì)比度、平均梯度都比其他方法顯示出了明顯的優(yōu)勢，說明了融合后的圖像對(duì)圖像的邊緣細(xì)節(jié)信息的保持能力更強(qiáng)，在融合過程中損失信息更少，與圖9 得到的主觀分析結(jié)論相呼應(yīng)，進(jìn)一步說明了本文方法融合后圖像的可用信息更多，能夠更加全面地表現(xiàn)出葉片內(nèi)部復(fù)雜結(jié)構(gòu)信息，證明了本文算法在大厚度比工件的DR 圖像融合中具有適用性。

圖9 2 號(hào)葉片融合結(jié)果Fig.9 Fusion result of No.2 blade

表2 2 號(hào)葉片融合圖像評(píng)價(jià)表Table 2 Evaluation table of No.2 blade fusion image

5 結(jié)束語

本文針對(duì)航空發(fā)動(dòng)機(jī)葉片DR 圖像，經(jīng)NSCT 變換分解后，根據(jù)低頻和高頻子帶特性的不同，提出了基于PCNN 的融合算法，可以更好地模擬人眼視覺神經(jīng)系統(tǒng)觀察圖像邊緣、紋理等細(xì)節(jié)，得到的融合圖像紋理清晰，很好地保留了源圖像的特征信息，主觀視覺效果佳；在客觀指標(biāo)EN、STD、AVG、CR 方面有優(yōu)勢，該算法為葉片等大厚度比復(fù)雜結(jié)構(gòu)件多能DR 圖像序列融合提供了一種新的思路?；赑CNN 神經(jīng)元結(jié)構(gòu)模型輸入?yún)?shù)較多，如何采用優(yōu)化算法，選擇這些參數(shù)的具體數(shù)值以及它們對(duì)最終融合結(jié)果的影響，是值得深入研究的方向。