【图像融合】基于参数自适应单元链接双通道PCNN的红外和可见图像融合附Matlab代码-优快云博客

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

今天给大家带来 “参数自适应单元链接双通道 PCNN” 的红外与可见光图像融合技术 —— 这是传统脉冲耦合神经网络（PCNN）的进阶方案，解决了传统 PCNN 参数手动调试、融合权重固定、通道信息割裂的痛点，能同时保留红外图像的热目标特征和可见光图像的纹理细节，广泛应用于安防监控、遥感探测、医疗影像分析等场景。本文从原理拆解、改进创新、代码实现到效果验证全程详解，附上可直接运行的 MATLAB 代码，新手也能快速上手！

一、先搞懂：为什么需要改进 PCNN？

红外图像（热成像）和可见光图像的核心差异的是：

图像类型	优势	劣势
红外图像	不受光照影响，清晰捕捉热目标（如人体、火源）	分辨率低、纹理细节少、信噪比低
可见光图像	纹理丰富、色彩 / 灰度层次清晰、空间分辨率高	受光照干扰大，弱光环境下目标易淹没

图像融合的目标是 “1+1>2”：保留红外的热目标和可见光的纹理细节。但传统 PCNN 存在 3 大痛点：

参数依赖手动调
：链接强度、阈值衰减系数等需反复测试，适配性差；
通道单一
：将红外和可见光图像简单叠加输入单通道 PCNN，忽略两者特征差异；
无单元链接
：神经元独立工作，未利用相邻像素的空间相关性，导致融合图像碎片化。

而本文提出的 “参数自适应 + 单元链接 + 双通道”PCNN 完美解决这些问题：

参数自适应：根据图像局部特征（梯度、熵值）自动计算 PCNN 参数，无需手动调试；
单元链接：相邻神经元的脉冲反馈，增强空间一致性，避免碎片化；
双通道设计：红外、可见光图像分别输入专属通道，针对性提取特征后融合，保留各自优势。

二、核心原理速览（从基础 PCNN 到改进方案）

2.1 基础 PCNN 结构回顾

PCNN 是模拟生物视觉系统的神经网络，每个神经元对应一个像素，核心由 3 部分组成：

接收域（R）
：接收外部输入（图像灰度值）和相邻神经元的链接输入；
链接域（L）
：传递相邻神经元的脉冲反馈，增强空间相关性；
脉冲产生器（Y）
：当接收域总和超过动态阈值（θ）时，发放脉冲（Y=1），否则 Y=0。

基础 PCNN 数学模型：

⛳️ 运行结果

📣 部分代码

rstd=sqrt(stdA*stdB);

alpha_u=log10(1.0/rstd);

LA=max(A(:));

LB=max(B(:));

LAO=graythresh(A);

LBO=graythresh(B);

xA=LA/LAO;

xB=LB/LBO;

xy=sqrt(LAO*LBO);

lambda=(sqrt(xA*xB)-1.0)/6;

V_E=exp(-alpha_u)+sqrt(xA*xB);

Y=(1-exp(-3*alpha_u))/(1- exp(-alpha_u))+(sqrt(xA*xB)-1)*exp(-alpha_u);

alpha_e=log(V_E / (xy * Y));

🔗 参考文献

Panigrahy, C., Seal, A., & Mahato, N. K. (2022). Parameter adaptive unit-linking dual-channel PCNN based infrared and visible image fusion. Neurocomputing, 514, pp. 21-38. DOI: 10.1016/j.neucom.2022.09.157.