引言

簡單回顧一下以往的單通道PCNN模型，原理與實(shí)現(xiàn)步驟：
13、單通道PCNN原理
14、單通道PCNN融合代碼實(shí)現(xiàn)

一、單通道PCNN

圖1 單通道PCNN：
在單通道PCNN中，對于一個(gè)神經(jīng)元的一次迭代過程正如圖1描述：
①、F（i,j）代表外部刺激，在傳統(tǒng)模型中這一刺激都是由I（i,j）提供，像素的灰度值直接作為神經(jīng)元的刺激，在后來的研究中逐漸發(fā)現(xiàn)這樣做不利于表達(dá)像素空間關(guān)系，從而使用各種算子代替I（i，j）成為外部刺激，在接收部分中除了外部刺激，還有“內(nèi)部刺激”，這一刺激來自于上一次迭代的結(jié)果以及其他神經(jīng)元上次迭代的結(jié)果，根據(jù)一定的權(quán)重共同組成“內(nèi)部刺激”，注意，這一名詞并不通用，僅用于理解。
②、調(diào)制部分是PCNN內(nèi)部最重要思想體現(xiàn)，通過接收到的外部刺激與內(nèi)部刺激，神經(jīng)元產(chǎn)生了內(nèi)部活動(dòng)，內(nèi)部活動(dòng)在公式中被命名為U，它實(shí)質(zhì)上是一個(gè)計(jì)算，將內(nèi)部刺激視為權(quán)值，再結(jié)合β這個(gè)鏈接強(qiáng)度決定內(nèi)部刺激這一權(quán)值在內(nèi)部活動(dòng)中的重要性，完后一個(gè)計(jì)算，將外部刺激轉(zhuǎn)換為內(nèi)部活動(dòng)值F（i,j）→U（i,j）。
③、設(shè)定一個(gè)閾值，當(dāng)內(nèi)部活動(dòng)的值大于這個(gè)閾值，就產(chǎn)生一個(gè)脈沖信號，這一部分就叫做脈沖產(chǎn)生部分，在離散的計(jì)算中，產(chǎn)生的脈沖信號就是1。閾值并不是一成不變的，通常選定一個(gè)初始閾值，如果內(nèi)部活動(dòng)U遲遲不能大于閾值，已經(jīng)預(yù)先選擇好的線性衰減系數(shù)或指數(shù)衰減系數(shù)令這個(gè)閾值衰減，閾值越來越小，終于U可以大于閾值T了，當(dāng)產(chǎn)生脈沖信號后，閾值T立刻增大到這個(gè)值（初始閾值T加上上次U大于T時(shí)的T值），顯然此時(shí)T>=初始T。
綜上所述，我們還是喜歡數(shù)學(xué)表達(dá)式：

二、雙通道PCNN

雙通道PCNN其原理與單通道其實(shí)類似，我們在使用單通道PCNN進(jìn)行圖像融合時(shí)，需要對兩幅圖像分別進(jìn)行PCNN的點(diǎn)火，得到點(diǎn)火圖之后通常根據(jù)極大值原則便確立融合決策圖。此時(shí)我們的PCNN模型需要獨(dú)立運(yùn)行兩次–PCNN本身就是迭代計(jì)算的，所以運(yùn)行2次會產(chǎn)生較大的計(jì)算開銷，這是第一點(diǎn)。第二點(diǎn)就是兩個(gè)PCNN各自點(diǎn)各自的火，耦合性質(zhì)只體現(xiàn)在每幅圖像內(nèi)部像素點(diǎn)之間，而圖像之間并不存在耦合性。
說了這么多就是為了引出本文的雙通道PCNN，它主要是針對上述兩點(diǎn)問題而提出的一種“新型”PCNN模型，且提出很久了，分析它的結(jié)構(gòu)，我們還可以做出三通道、四通道PCNN。

圖2 雙通道PCNN：與單通道一樣，雙通道同樣有3個(gè)部分來描述單個(gè)神經(jīng)元的單次運(yùn)行，如圖2。
①、我們在一種定義了外部刺激與內(nèi)部刺激。在接收部分中，雙通道與單通道在內(nèi)部刺激的接收中是沒有區(qū)別的，區(qū)別在于外部刺激同時(shí)接收雙線信號：I1與I2，分別表示2個(gè)不同的外部刺激，在后面的調(diào)制部分中，也將變成兩條并行的線路同時(shí)計(jì)算，增加I的數(shù)量，可以類似定義三通道、四通道PCNN。
②、在①中，我們將外部刺激I1與內(nèi)部刺激結(jié)合，可以形成路線1；將外部刺激I2與內(nèi)部刺激結(jié)合，可以形成路線2。這兩路同時(shí)做U內(nèi)部活動(dòng)的計(jì)算，但是內(nèi)部活動(dòng)U向第三部分脈沖部分進(jìn)行的時(shí)候，只輸出一個(gè)值，兩路產(chǎn)生2個(gè)內(nèi)部活動(dòng)值，此時(shí)，取最大值流入第三部分是它與單通道最大的不同。
③、在經(jīng)過步驟①②之后，第三部分的工作原理與單通道也是完全一致的。
④、需要注意的是，大體框架雖然沒有區(qū)別，但是根據(jù)用法的不同，實(shí)際上的PCNN模型可以做許多微調(diào)，比如內(nèi)部刺激，我們通常采用窗口內(nèi)神經(jīng)元的上次迭代值來輔助決策內(nèi)部刺激，但是有許多成功的dual-PCNN并不采用窗口，而是簡單地定義為0或1,。這是出于這樣的考慮：
觀察這兩行公式，L是一個(gè)只與前次L和前次Y相關(guān)的一個(gè)變量，它并不受外部刺激的影響，而在U中，L作為一個(gè)數(shù)字，還要和β相乘。β的值要么是固定值，要么是自適應(yīng)，分開討論：當(dāng)β是定值，β相當(dāng)于常數(shù)可以直接乘在第一行的L公式里面，L不具備自適應(yīng)特性，對于單次計(jì)算來說，L也是一個(gè)固定值，此時(shí)β對機(jī)制的調(diào)節(jié)作用要明顯于L，此時(shí)應(yīng)當(dāng)維持原公式不變化；當(dāng)β是自適應(yīng)的時(shí)候，βL反而會變成一個(gè)不確定的值，既然L對機(jī)制的調(diào)節(jié)作用不如β重要，確定了一個(gè)β，但是βL整體是不可控的，這對機(jī)制的把握其實(shí)是不利的，在β不能自適應(yīng)的時(shí)候，我們要依賴L，但是現(xiàn)在β自適應(yīng)了，L的不確定反而會影響β，因此在很多案例中，把βL作為一個(gè)整體去優(yōu)化，而不單單優(yōu)化β，因?yàn)橹粌?yōu)化β依然無法完全控制機(jī)制。
基于上面的分析，在雙通道PCNN中，既然強(qiáng)調(diào)的是2個(gè)外部刺激之間的耦合性，那也可以舍棄一定的神經(jīng)元之間的耦合性，這相當(dāng)于強(qiáng)化d-PCNN的特性，最終，L被簡化為了一個(gè)0/1的常數(shù)。
這只是一個(gè)舉例，我們分別給出一個(gè)常規(guī)雙通道PCNN的數(shù)學(xué)定義，和一個(gè)流行的雙通道PCNN的數(shù)學(xué)定義：
常規(guī)PCNN

流行PCNN

三、代碼及分析

clc;clear;close all; A=imread('05A.jpg');A=double(A); B=imread('05B.jpg');B=double(B);C=dual_PCNN(A,B); figure;imshow(A,[]); figure;imshow(B,[]); figure;imshow(C,[]);function R=dual_PCNN(matrixA,matrixB)L1=[-1,-1,-1;-1,8,-1;-1,-1,-1];AA=conv2(matrixA,L1,'same');BB=conv2(matrixB,L1,'same');[p,q]=size(matrixA);F_NA=Normalized(matrixA);F_NB=Normalized(matrixB);L=zeros(p,q);U=zeros(p,q);Y=zeros(p,q);Y0=zeros(p,q);Theta=zeros(p,q);betaA=AA;betaB=BB;con=ones(p,q);fuse=zeros(p,q);np=200;alpha_Theta=0.2;vTheta=20;for n=1:npif sum(sum(Y))<=0L=zeros(p,q);else L=ones(p,q);endTheta=exp(-alpha_Theta)*Theta+vTheta*Y;U=max(F_NA.*(con+betaA.*L),F_NB.*(con+betaB.*L));Y=im2double(U>Theta);Y0=Y0+Y; endfor i = 1:pfor j = 1:qif(F_NA(i,j)*(1+betaA(i,j)*L(i,j)) == U(i,j ))fuse(i,j) = matrixA(i,j);elseif(F_NB(i,j)*(1+betaB(i,j)*L(i,j)) == U(i,j))fuse(i,j) = matrixB(i,j);endendendend R=fuse; endfunction normalized_matrix=Normalized(matrix)input_matrix=abs(matrix);Max_input=max(input_matrix(:));Min_input=min(input_matrix(:));min_matrix=ones(size(input_matrix)).*Min_input;normalized_matrix=(input_matrix-min_matrix)./(Max_input-Min_input+eps); end

可以看到，效果還不錯(cuò)，下面補(bǔ)一個(gè)單通道的測試結(jié)果：

clc;clear;close all;im=imread('05A.jpg'); im=double(im);im2=imread('05B.jpg'); im2=double(im2); link_arrange=3; iteration_times=300;firing_times1=PCNN_large_arrange(im,link_arrange,iteration_times); firing_times2=PCNN_large_arrange(im2,link_arrange,iteration_times); [m,n]=size(im2); for i=1:mfor j=1:nif firing_times1>=firing_times2fuse(i,j)=im(i,j);elsefuse(i,j)=im2(i,j);endend end figure;imshow(im,[]); figure;imshow(im2,[]); figure;imshow(fuse,[]);function R=PCNN_large_arrange(matrix,link_arrange,np) F_NA=Normalized(matrix); disp('PCNN is processing...') [p,q]=size(matrix);alpha_L=1; alpha_Theta=0.2;beta=3; vL=1.00; vTheta=10; % Generate the null matrix that could be used L=zeros(p,q); U=zeros(p,q); Y=zeros(p,q); Y0=zeros(p,q); Theta=zeros(p,q); % Compute the linking strength. center_x=round(link_arrange/2); center_y=round(link_arrange/2); W=zeros(link_arrange,link_arrange); for i=1:link_arrangefor j=1:link_arrangeif (i==center_x)&&(j==center_y)W(i,j)=0;elseW(i,j)=1./sqrt((i-center_x).^2+(j-center_y).^2);endend endF=F_NA; for n=1:npK=conv2(Y,W,'same');L=exp(-alpha_L)*L+vL*K;Theta=exp(-alpha_Theta)*Theta+vTheta*Y;U=F.*(1+beta*L);Y=im2double(U>Theta);Y0=Y0+Y; end R=Y0; endfunction [normalized_matrix,cmin,cmax]=Normalized(matrix) input_matrix=abs(matrix); Max_input=max(input_matrix(:)); Min_input=min(input_matrix(:)); min_matrix=ones(size(input_matrix)).*Min_input; normalized_matrix=(input_matrix-min_matrix)./(Max_input-Min_input+eps); cmin=Min_input; cmax=Max_input; end

總結(jié)

以上是生活随笔為你收集整理的【MATLAB图像融合】[18]双通道PCNN模型实现图像融合的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。