针对传统图像融合方法引起的清晰度低、轮廓模糊以及适应性差等问题, 提出了一种改进的红外与可见光图像融合方法。采用非下采样轮廓波(NSCT)对红外与可见光图像进行分解, 分别得到带通子带系数与低频子带系数。采用融合准则采用改进的空间频率(MSF-PCNN)获取高频融合系数, 采用改进的脉冲耦合神经网络(PCNN), 即NL-PCNN, 获取低频融合系数。针对两种异源低频信息, 利用改进的加权锐化滤波器和加权均值滤波器作频率梯度分离进行轮廓提取。实验结果表明了所提融合算法的有效性, 在获取图像轮廓信息, 增强融合图像清晰度方面均优于传统的图像融合算法, 具有较高的自适应能力。

针对红外与可见光图像融合过程中出现的细节损失严重、视觉效果不佳等问题,提出了基于多尺度几何变换模型的融合方法。首先,采用改进的视觉显著性检测算法对红外与可见光图像进行显著性检测,并构建显著性矩阵;然后,对红外与可见光图像进行非下采样剪切波变换,得到相应的低频和高频子带,并采用显著性矩阵对低频子带进行自适应加权融合,同时采用简化的脉冲耦合神经网络并结合多方向拉普拉斯能量和对高频子带进行融合处理;最后,通过逆变换得到融合图像。实验结果表明,该方法能够有效提升融合图像的对比度并保留源图像的细节信息,融合图像具有良好的视觉效果,且多个客观评价指标均表现良好。

为了提升多模态图像融合精度,提出了一种局部化非下抽样剪切波变换与脉冲耦合神经网络相结合的图像融合方法。首先，利用局部化非下抽样剪切波对源图像进行多尺度、多方向分解; 然后，在分解后的各子带图像中，利用局部区域奇异值构造的局部结构信息因子作为PCNN神经元链接强度。经过脉冲耦合神经网络点火处理，获取子带图像的点火映射图，通过判决选择算子，选择各子带图像中的明显特征部分生成子带融合图像; 最后，应用局部化非下抽样剪切波逆变换重构图像。选用多组不同模态的图像进行实验，并对实验结果进行了客观评价。实验结果表明，本文提出的融合方法在主观和客观评价上均优于一些典型融合方法，可获得更好的融合效果。

为了充分利用图像彩色信息，克服传统单通道脉冲耦合神经网络的图像分割过程中信息丢失，提出了一种多通道图像分割方法。采用RGB 颜色空间，为每一个色彩分量建立一个输入通道，形成包含三个输入通道的多通道脉冲耦合神经网络，将内部活动项修改为各输入通道耦合平均，动态阈值变化采用上升指数，各通道的连接加权系数矩阵选取三维欧氏距离倒数矩阵。以最大信息熵作为评价标准，通过标准彩色图像进行实验分析，选取多通道脉冲耦合神经网络最佳参数。实验结果表明，多通道脉冲耦合神经网络的彩色图像分割方法对图像的细节信息保留明显，最大信息熵相对平均提高3%，在提高了图像分割效果的同时降低运行时间80%。

距离选通式水下激光成像技术是一种能够有效抑制水介质的后向散射效应的探测技术，在海洋研究、深海探测和水下作业领域中拥有广阔的应用前景。然而在水下激光图像中出现的散斑噪声和灰度不均匀现象使得实现目标的准确分割较为困难。通过分析散斑噪声形成的机理，提出了一种水下激光图像的有效分割方法。该方法根据像素的噪声响应和灰度分布特性自适应确定各神经元的关键参数，并对噪声位置的神经元的行为进行抑制，基于最大二维Renyi熵准则采用梯度下降法确定了神经元的动态阈值，通过实验结果的比较分析说明该方法明显优于NormalizedCut、模糊C均值、均值漂移和分水岭分割方法，而运行时间约为常规脉冲耦合神经网络的五分之一。

为了提升红外与可见光图像融合精度,提出了一种局部化非下抽样剪切波变换与脉冲耦合神经网络相结合的红外与可见光图像融合方法。首先,利用局部化非下抽样剪切波对源图像进行多尺度、多方向分解;然后,在分解后的各子带图像中进行块奇异值分解,求取区域特征能量值作为脉冲耦合神经网络对应神经元的链接强度。经过脉冲耦合神经网络点火处理,获取子带图像的点火映射图,通过判决选择算子,选择各子带图像中的明显特征部分生成子带融合图像;最后,应用局部化非下抽样剪切波逆变换重构图像。采用多组红外与可见光图像进行融合实验,并对融合结果进行了客观评价。实验结果表明本文提出的融合方法在主观和客观评价上均优于已有文献的一些典型融合方法,可获得更好的融合效果。

针对 SAR图像的目标自动分割问题, 在分析非下采样轮廓波变换和脉冲耦合神经网络的基础上, 提出了一种基于非下采样轮廓波域特征图和 PCNN的 SAR图像目标分割算法。对 SAR图像经过 NSCT分解后的高、低频图像分别运用不同方式进行处理。对低频图用 PCNN进行分割以获取目标所在的区域, 对高频子带构造了特征图, 对特征图利用 PCNN进行分割以获取目标的精细结构。利用 MSTAR数据进行了仿真实验, 并与基于模糊 C均值的分割算法、基于马尔可夫随机场的分割算法进行了对比。实验结果表明, 所提出算法对 SAR图像目标的分割结果更为准确, 同时较其它算法具有更强的抗噪性能, 是一种有效可行的 SAR目标分割算法。

提出了一种基于非采样Contourlet 变换(NSCT)和脉冲耦合神经网络(PCNN)的红外与可见光图像融合方法。首先用NSCT 对已配准的源图像进行分解，得到低频子带系数和各带通子带系数；其次对低频子带系数采取一种基于边缘的方法以得到融合图像的低频子带系数；对各带通子带系数提出了一种改进的基于PCNN 的图像融合方法来确定融合图像的各带通子带系数；最后经过NSCT 逆变换得到融合图像。实验结果表明，本文方法优于Laplacian 方法、小波方法和传统的NSCT 方法。

针对小波图像去噪方法中使用的NeighShrink 方法,本文提出了一种有效的保护图像边缘的图像去噪算法。主要改进了NeighShrink 方法中固定的邻域范围,根据图像自身的性质,自适应分割成不同的邻域对图像进行去噪处理;并进一步结合小波层内相关性,对各个不规则邻域加上固定的窗口,选择了几何距离更为接近且在同一不规则邻域内的系数,以完善NeighShrink 方法。该算法采取平稳小波对含噪图像进行分解,以保持相位不变性,并对低频子带利用脉冲耦合神经网络模型进行图像分割,按照一定的规则将性质相似的像素点相接,得到原图像分割后的信息。在处理过程中利用得到的分割信息对边缘予以保护。实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留了图像的边缘信息,是一种有效的去噪方法。

针对存在着无旋转角度的线性位移模糊的图像，本文提出了一种新的基于脉冲耦合神经网络(PCNN)的边缘-参数曲线模糊分析法来辨识位移参数。该方法利用归一化的局部熵变换和改进的单阈值PCNN 模型构造一个新的边缘因子，提取出模糊图像的边缘和纹理信息；通过边缘因子与对应的线性匀速运动参数构成的边缘-参数曲线，可以准确地辨识该模糊图像的位移量。实验结果表明，该算法产生的辨识曲线性能稳定，辨识方便准确，可辨识的有效线性移动模糊参数范围可到4～30 个像素。