CN100555325C - 一种基于非子采样轮廓波变换的图像融合方法 - Google Patents
一种基于非子采样轮廓波变换的图像融合方法 Download PDFInfo
- Publication number
- CN100555325C CN100555325C CNB2007100524929A CN200710052492A CN100555325C CN 100555325 C CN100555325 C CN 100555325C CN B2007100524929 A CNB2007100524929 A CN B2007100524929A CN 200710052492 A CN200710052492 A CN 200710052492A CN 100555325 C CN100555325 C CN 100555325C
- Authority
- CN
- China
- Prior art keywords
- grey scale
- zones
- pixel value
- image
- satisfy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于非子采样轮廓波变换的图像融合方法,包括以下步骤:①使用非子采样轮廓波变换对图像进行多尺度分解,得到高频子图像系列和低频子图像;②对高频子图像,采用基于清晰度选择的融合方法进行融合;③对低频子图像,用可分割条件进行判断,根据判断结果选择采用四区域关联或者二区域关联方法对低频子图像分割,分割后的区域采用相应像素灰度值选择规则进行融合;④对高频子图像的融合结果与低频子图像的融合结果采用非子采样轮廓波逆变换,得到最终的融合结果。本发明可以有效保留源图像中的边缘信息,增大目标背景对比度,突出图像目标特征,融合结果适合进行视觉分析和目标检测等进一步的处理。
Description
技术领域
本发明涉及图像融合领域,特别涉及一种基于非子采样轮廓波变换NSCT(Nonsubsampled Contourlet Transform)的图像融合方法。
背景技术
所谓图像融合是指综合两个或多个源图像的信息,以获取对同一场景的更为精确、更为全面、更为可靠的图像描述。图像融合充分利用了多个待融合图像中包含的冗余信息和互补信息。该融合图像应更符合人或机器的视觉特性,以利于对图像的进一步分析、目标的检测、识别或跟踪。
图像融合由低到高也分为三个层次:像素级融合、特征级融合和决策级融合。像素级融合是在图像严格配准的条件下,直接进行像素关联融合处理。特征级融合是在像素级融合的基础上,使用模式相关、统计分析的方法进行目标识别、特征提取,并得到融合结果。决策级融合则是在上述两种处理的基础上,采用大型数据库和专家决策系统,模拟人的分析、推理过程,以增加判决的智能化和可靠性。从上面可以看出,像素级的图像融合,无论作为直接观察,还是作为进一步处理的输入,都是最基本的处理手段。因此,在图像融合研究中像素级图像融合是最活跃,同时研究成果也是最丰富的。本发明属于像素级图像融合,下面的讨论也围绕像素级图像融合展开。
常用的像素平均法和像素加权平均法等单尺度像素级融合算法,具有实现简单、计算量小的优点,但存在融合后图像对比度下降显著,细节模糊,信息损失大等缺点,不利于应用到目标识别中。基于多尺度分解的图像融合方法由于其融合过程是在不同尺度、不同空间分辨率、不同分解层上分别进行的,因此,与单尺度图像融合方法相比,基于多尺度分解的多分辨率图像融合方法可以获得明显改善的融合效果。
基于多尺度分解的融合方法主要从尺度分解方法和融合规则两方面开展研究。
(1)在多尺度分解方面,从拉普拉斯金字塔(参考Burt P.J.,Andelson E.H.The Laplacian pyramid as a compact image code.IEEE Trans.OnCommunication,Vol.31(4):532-540,1983.),比率低通金字塔(参考Toet A.,Image fusion by a ratio of low-pass pyramid,Pattern Recognition Letters,Vol.9,No.4,pp.245-253,1989)等发展到得已广泛应用的小波变换法(参考I.Daubechies,Ten Lectures on Wavelets.CBMSNSF Series in AppliedMathematics,SIAM Publications,Philadelphia,1992.)。小波变换虽然可以较好捕获边缘中的不连续点,却对轮廓上的平滑区域提取不理想,同时小波变换仅能提取有限的方向信息,无法应对多方向的边缘提取,小波重构时产生的吉伯斯现象也影响融合质量。最近提出的轮廓波变换ContourletTransform(参考文献Minh N.Do,Martin Vetterli.The Contourlet Transform:An Efficient Directional Multi-resolution Image Representation.IEEETransactions On Image Processing 2004)因其方向滤波器可以准确得到任意方向的边缘信息,而被引入到图像融合中,取得了优于小波融合法的结果。
(2)在融合规则方面,目前的方法大多是直接对像素进行处理,包括对单个像素或者窗口邻域内的像素。此类方法具有结构简单,易实现等特点,但是对于目标的描述往往不是单个像素或者单个窗口领域内的像素所能达到的,所以基于像素的融合方法对于突出目标具有一定的局限性。
发明内容
本发明的目的是提供一种基于非子采样轮廓波变换的图像融合方法,使融合结果既能保留原图像明显边缘特征,又能增大目标与背景的对比度,从而大大提高融合后的图像质量。
本发明按照以下步骤完成:
(1)将源图像A和B分别进行非子采样轮廓波变换,得到低频子图像Y0 A,Y0 B和一系列高频子图像Yk A,Yk B,k=1,2,...,N,N为高频子图像的个数,由非子采样轮廓波变换中金字塔分解的级数和方向滤波分解的方向数决定;
(2)对一系列高频子图像Yk A,Yk B,k=1,2,…,N和低频子图像Y0 A,Y0 B进行融合:
(a)按照以下步骤对一系列高频子图像Yk A,Yk B,k=1,2,...,N进行融合:
(a1)将Y1 A和Y1 B对应,在Y1 A选取一个窗口Ai,在Y1 B选取一个窗口Bi,Ai与Bi表示大小相同的同一区域;
(a2)计算并比较Ai和Bi对应区域的图像平均梯度大小,选择平均梯度大的窗口对应区域图像作为融合后该区域的图像;
(a3)Ai和Bi采用单像素的移动速度,按照步骤(a2)的方式,逐行逐列遍历Y1 A和Y1 B,得到Y1 A和Y1 B的融合结果Y1 F;
(a4)按照步骤(a1)-(a3)的方式,对Y2 A和Y2 B,Y3 A和Y3 B,...,YN A和YN B进行融合,得到系列高频子图像融合结果Y2 F,Y3 F,...,YN F;
(b)按照以下步骤对低频子图像进行融合:
在Y0 A选取一个窗口Aj,在Y0 B选取一个窗口Bj,Aj与Bj表示大小相同的同一区域,
(b1)将Aj对应的区域图像ej,Bj对应的区域图像fj的方差和梯度分别与预定的临界方差和临界梯度做比较,判断ej,fj是否满足可分割条件;
(b2)根据步骤(b1)的判断结果对ej与fj进行融合:
(I)若ej和fj均满足可分割条件:将ej和fj分别分割为两个区域,将分割后的ej和fj关联得到cj,cj包括四个区域,依照cj的区域划分方式分别将ej和fj划分为相同的四个区域,分别用00、01、10、11表示,将ej和fj的区域对应,根据区域类型,选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点;
(II)若ej和fj中的一个满足可分割条件:设ej满足可分割条件,fj不满足可分割条件,将ej分割为两个区域,fj作为一个区域,将分割后的ej与fj关联,得到关联图像cj,cj包含两个区域,依照cj的区域划分方式分别将ej和fj划分为两个区域,将ej和fj的区域对应,比较对应区域内对应像素点的像素灰度值大小,根据区域类型,选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点;
(III)若ej和fj均不满足:将Y0 A与Y0 B分别分割为两个区域,将分割后的Y0 A与Y0 B关联得到G,G包括四个区域,计算ej,fj的平均像素灰度值,将其分别与Y0 A和Y0 B的分割阈值比较,确定ej,fj属于G的哪一个区域类型,比较ej,fj对应像素点的像素灰度值大小,根据ej,fj的区域类型,选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点;
(b3)Aj和Bj采用单像素的移动速度,按照步骤(b2)的方式,逐行逐列遍历Y0 A和Y0 B,得到低频子图像融合结果Y0 F。
(3)对Y1 F,Y2 F,Y3 F,...,YN F与Y0 F进行非子采样轮廓波逆变换,得到最终融合结果F。
所述步骤(b1)和(b2)具体如下:
(b1)判断ej和fj是否满足可分割条件:将ej的方差Deva和梯度Grada分别与预定的临界方差Dev0和临界梯度Grad0做比较,若Deva>Dev0且Grada>Grad0,ej满足可分割条件,否则,不满足;fj的判断方式同ej;
(b2)根据步骤(b1)的判断结果对ej和fj进行融合:
a)若ej和fj均满足可分割条件:将ej和fj分别分割为两个区域,将分割后的ej和fj关联得到cj,cj包括四个区域,依照cj的区域划分方式分别将ej和fj划分为相同的四个区域,分别用00、01、10、11表示,将ej和fj的区域对应,比较对应区域内对应像素点的像素灰度值大小:
(I)对于00区域,采取像素灰度值选小规则;
(II)对于01、10和11区域,采取像素灰度值选大规则;
b)若ej和fj中的一个满足可分割条件:设ej满足可分割条件,fj不满足可分割条件,将ej分割为两个区域,fj作为一个区域,将分割后的ej与fj关联,得到关联图像cj,cj包含两个区域,依照cj的区域划分方式分别将ej和fj划分为两个区域,分别用00,11表示,将ej和fj的区域对应,比较对应区域内对应像素点的像素灰度值大小:
(I)对于00区域,采取像素灰度值选小规则;
(II)对于11区域,采取像素灰度值选大规则;
c)若ej和fj均不满足:对Y0 A与Y0 B进行四区域关联,得到包含四个区域的关联图像G,计算ej与fj的平均像素灰度值M(ej),M(fj),将其分别与Y0 A与Y0 B的分割阈值thresh(A)、thresh(B)比较:
(I)如果M(ej)<thresh(A),M(fj)<thresh(B),则ej,fj属于G的00区域类型,比较Aj,Bj对应像素点的像素灰度值大小,采取像素灰度值选小规则;
(II)如果M(ej)<thresh(A),M(fj)>thresh(B),则ej,fj属于G的01区域类型,比较Aj,Bj对应像素点的像素灰度值大小,采取像素灰度值选大规则;
(III)如果M(ej)>thresh(A),M(fj)<thresh(B),则ej,fj属于G的10区域类型,比较Aj,Bj对应像素点的像素灰度值大小,采取像素灰度值选大规则;
(IV)如果M(ej)>thresh(A),M(fj)>thresh(B),则ej,fj属于G的11区域类型,比较ej,fj对应像素点的像素灰度值大小,采取像素灰度值选大规则。
本发明的有益效果:在多尺度分解方面,本发明采用非子采样轮廓波变换NSCT对图像进行多尺度分解;在融合规则方面,高频子图像部分基于清晰度的融合方法,有效提取特征明显的边缘,低频子图像部分采取基于局部区域分割的融合方法,有效突出目标与背景的对比度。两种方法的叠加可以得到边缘信息与目标光谱信息俱佳的融合结果。
附图说明
图1为本发明的流程示意图;
图2为非子采样轮廓波变换图像分解的一个例子,其中,图2(a)为原图像,图2(b)为低频子图像,图2(c)-图2(q)为系列高频子图像;
图3为高频子图像基于清晰度的融合方法示意图;
图4为低频子图像基于区域对比度增强的融合方法示意图;
图5为图像分割四区域关联示意图;
图6为图像分割二区域关联示意图;
图7为本发明图像融合的两个例子,其中,图7(a)为可见光图像,图7(b)为红外图像,图7(c)为采用本发明的融合结果,图7(d)为采用像素平均融合法的融合结果,图7(e)为采用塔形变换融合法的融合结果,图7(f)为采用小波融合法的结果;
图8为非子采样轮廓波变换(NSCT)的结构示意图,其中,图8(a)为非子采样滤波器组,图8(b)为图像频率分割结果;
图9为非子采样金字塔(NSP)分解图像示意图,其中图9(a)为金字塔分解结构,图9(b)为图像频率分割结果;
图10为非子采样金字塔分解图像的一个例子,其中,图10(a)为原图,图10(b)为低频子图像,图10(c)为高频子图像;
图11为非子采样方向滤波器(NSDFB)分解图像示意图,其中,图11(a)为方向滤波器结构,图11(b)为图像频率分割结果;
图12为非子采样方向滤波器(NSDFB)分解图像的一个例子,其中,图12(a)为原图,图12(b)为方向滤波结果;
具体实施方式
本发明使用非子采样轮廓波变换NSCT(Nonsubsampled ContourletTransform)对图像进行多尺度分解,然后在不同的频段上进行不同的融合操作,处理流程如图1所示:
(1)源图像A,B分别经非子采样轮廓波变换,分解为低频子图像Y0 A,Y0 B和一系列高频子图像Yk A,Yk B,k=1,2,...,N,其中,N为高频子图像的个数。
高频部分代表图像的细节分量,包含源图像的边缘细节信息,高频子图像的个数N,由非子采样轮廓波变换中金字塔分解的级数和方向滤波分解的方向数决定;低频部分代表图像的近似分量,包含源图像的光谱信息。非子采样轮廓波变换(NSCT)在结构上分为非子采样金字塔NSP(Nonsubsampled Pyramid)和非子采样方向滤波器NSDFB(NonsubsampledDirectional Filter Bank)两部分,我们在稍后详细介绍。本发明中,金字塔分解层数可设为3到6层,对应于第i层的方向滤波个数为2i-1。例如,金字塔分解层数设为4层,第一层到第四层的方向滤波个数依次为1、2、4、8。综合考虑效果和效率,层数设为4层最佳。图2为本发明分解层数为4时使用非子采样轮廓波变换(NSCT)分解图像的一个例子。
(2)对高频子图像Yk A,Yk B,k=1,2,...,N,提出一种基于清晰度选择的融合方法,示意图见图3。清晰度,即平均梯度反映了图像的清晰程度,同时还反映出图像中的细节反差和纹理变换特征,表达式如下:
其中N为总像素个数,Δxf(i,j),Δyf(i,j)分别在横坐标,纵坐标方向上的一阶差分,(i,j)为第i行,第j列的像素点。
将Y1 A和Y1 B一一对应,在Y1 A选取一个窗口Ai,在Y1 B选取一个窗口Bi,Ai与Bi表示大小相同的同一区域。计算Ai与Bi对应区域图像的平均梯度 选择平均梯度大的窗口图像区域作为融合后相应图像区域,用Fi表示:
Ai与Bi在原图像上逐行逐列遍历Y1 A与Y1 B,按照基于清晰度选择的融合方法,得到高频子图像融合结果Y1 F。需要注意的是,为了避免使融合结果产生明显的分块效果,窗口在原图像上采取单像素的平移速度;高频部分中的系数有正有负,所以在计算中取绝对值。
按照Y1 A与Y1 B融合的方式,对Y2 A和Y2 B,Y3 A和Y3 B,...,YN A和YN B进行融合,得到高频子图像融合结果Y2 F,Y3 F,...,YN F;
本发明中,窗口大小一般为5*5-10*10,具体依图像大小而定。
(3)图像的低频部分Y0 A、Y0 B可以看作源图像降低分辨率的结果,包含源图像的灰度光谱信息。要增强目标背景对比度使之有利于进一步分析,低频图像的融合至关重要。原有的基于单个像素的融合方法难以达到要求,本文提出一种基于区域对比度增强的融合方法,示意图见图4。图像经过分割可以将目标与背景分离,在目标区域与背景区域内部再实施不同的融合操作可以增大目标背景对比度,使得目标更加明显。
考虑对应低频图像中表示同一区域的两个等大的窗口,提出相关概念如下:
(A)可分割条件窗口内图像内只有目标与背景间有明显界限才可以分割,否则认为图像是目标或者背景的内部区域不可分割。这里提出临界方差Dev0和临界梯度Grad0的指标,对于窗口图像a来说:
(B)四区域关联如果两个窗口图像a、b均满足可分割条件,将其分别分割,a,b分别被分割为两个区域,分别用0,1表示。然后将分割后的a,b关联得到c,c包括四个区域,分别用00、01、10、11表示。如图5所示,其中黑色区域为00,白色区域为11,灰色区域为01和10。
(C)二区域关联如果两个窗口图像a和b之间的一个满足可分割条件,另一个不满足,假设a满足而b不满足,将a分割为两个区域,分别用0,1表示,而b不分割,则关联图像c与图像a分割后结果相同,如图6所示,图中黑色区域为00,白色区域为11,与四区域关联相比没有灰色区域。
本发明中的分割方法,使用文献N.Otsu.A Threshold Selection Methodfrom Gray-Level Histograms[J].IEEE Transactions on Systems,Man,andCybernetics,Vol.9,No.1,1979,pp.62-66.中的大津灰度阈值分割法。这并不是说明该分割方法效果最好,也可以采用其它的二值分割方法。
设两幅低频子图像Y0 A与Y0 B的融合结果为Y0 F,在Y0 A选取一个窗口Aj,在Y0 B选取一个窗口Bj,Aj与Bj表示大小相同的同一区域。将Aj对应的区域图像ej,Bj对应的区域图像fj的方差和梯度分别与预定的临界方差和临界梯度做比较,判断ej,fj是否满足可分割条件。临界方差Dev0和临界梯度Grad0取值范围一般为10-30,具体视图像而定。
按照以下步骤对低频子图像进行融合。
(3.1)判断ej,fj是否满足可分割条件。
将ej的方差Deva和梯度Grada分别与预定的临界方差Dev0和临界梯度Grad0做比较,若Deva>Dev0且Grada>Grad0,认为ej满足可分割条件,否则不满足;fj的方差Devb和梯度Gradb分别与Dev0和Grad0做比较,若Devb>Dev0且Gradb>Grad0,认为fj满足可分割条件,否则不满足。
(3.2)根据步骤(3.1)的判断结果对ej与fj进行融合。
a)若ej与fj均满足可分割条件:对ej与fj采用四区域关联,得到包含四个区域的关联图像cj,依照cj的区域划分方式分别将ej和fj划分为四个区域,分别用00、01、10、11表示,将ej和fj的区域对应,比较区域内对应像素点的像素灰度值大小:
(I)对于00区域,采取像素灰度值选小规则;
(II)对于11区域,采取像素灰度值选大规则;
(III)对于01和10区域,采取像素灰度值选大规则;
b)若ej和fj中的一个满足可分割条件:对ej和fj采用二区域关联,得到包含两个区域的关联图像cj,分别用00,11表示,依照cj的区域划分方式分别将ej和fj划分为两个区域,将ej和fj的区域对应,比较区域内对应像素点的像素灰度值大小:
(I)对于00区域,采取像素灰度值选小规则;
(II)对于11区域,采取像素灰度值选大规则;
c)若ej和fj均不满足可分割条件:对Y0 A与Y0 B进行四区域关联,得到包含四个区域的关联图像G,计算ej和fj的平均像素灰度值M(ej),M(fj),将其分别与Y0 A与Y0 B的分割阈值thresh(A)、thresh(B)比较:
(I)如果M(ej)<thresh(A),M(fj)<thresh(B),则ej和fj在G的00区域,比较ej和fj对应像素点的像素灰度值大小,采取像素灰度值选小规则;
(II)如果M(ej)<thresh(A),M(fj)>thresh(B),则ej和fj在G的01区域,比较ej和fj对应像素点的像素灰度值大小,采取像素灰度值选大规则;
(III)如果M(ej)>thresh(A),M(fj)<thresh(B),则ej和fj在G的10区域,比较ej和fj对应像素点的像素灰度值大小,采取像素灰度值选大规则;
(IV)如果M(ej)>thresh(A),M(fj)>thresh(B),则ej和fj在G的11区域,比较ej和fj对应像素点的像素灰度值大小,采取像素灰度值选大规则。
上述采取像素灰度值选小规则,是指选择像素灰度值小的像素点作为融合后相应区域的相应像素点;采取像素灰度值选大规则,是指选择像素灰度值大的像素点作为融合后相应区域的相应像素点;
(3.3)ej和fj采用单像素的移动速度,按照步骤(3.2)的方式,逐行逐列遍历Y0 A和Y0 B,得到低频子图像融合结果Y0 F。
本融合方法对于两幅图像中均较暗的区域采取像素灰度值选小,这有利于突出目标与背景的对比度;对于其他区域采取像素灰度值选大,有利于使融合图像综合所有的亮区域目标。
(4)对系列高频子图像的融合结果Y1 F,Y2 F,Y3 F,...,YN F与低频子图像的融合结果Y0 F,采用非子采样轮廓波逆变换,得到最终的融合结果。
图7给出本方法融合的一个例子。源图像是同一场景的可见光与红外图像,可以发现可见光图像具有丰富的细节信息如树木,栅栏,房屋边缘等,道路和植被间及房子和植被间的对比明显;红外图像中光谱信息丰富,具有明显的人形目标,却缺少前者的细节。观察结果发现,融合图像既保留了源图像中的细节信息,又突出了人形目标等与背景的对比度。选择像素平均融合法,塔形变换融合法和小波变换融合法作为对比。其中塔形变换融合法和小波融合法的融合步骤如下:首先对图像进行变换,然后在高频子图像融合采取像素绝对值选大规则,在低频子图像融合采取像素灰度值平均规则,最后应用逆变换得到融合结果。塔形变换采用拉普拉斯塔形变换,分解层数为4层;小波变换采用哈尔(Haar)小波,小波分解层数为3层。
表1给出了图7的评价指标对比,选取熵衡量图像信息量,平均梯度衡量图像细节信息,标准方差衡量图像对比度。观察发现融合结果的熵、平均梯度和标准方差与其他的融合结果相比都有较大提高,所以本融合法可以有效提取源图像的边缘信息并提高图像的对比度,突出目标。
表1(黑体表示本行最佳)
(c) | (d) | (e) | (f) | |
熵 | 7.0245 | 6.2007 | 6.3526 | 6.2455 |
平均梯度 | 53.5528 | 30.6962 | 33.2598 | 32.3673 |
标准方差 | 34.1616 | 22.3824 | 23.5878 | 22.7503 |
本发明所依据的非子采样轮廓波变换原理如下:
非子采样轮廓波变换将多分辨分析与多方向分析分开进行,在结构上可以分为非子采样金字塔分解和非子采样方向滤波两部分。图8显示了变换的结构示意图。图像首先经过非子采样金字塔滤波器分解为一个高频图像金字塔序列和一幅低频图像,然后对金字塔序列的各个高频图像分别采用非子采样方向滤波,得到多组方向滤波图像序列。
(1)非子采样金字塔NSP(Nonsubsampled Pyramid)
NSP类似于拉氏金字塔,对图像进行多级分解。图像经过第一级滤波得到一幅低频图像和一幅高频图像,以后的多级滤波在低频图像上迭代进行。下一级频率分解的滤波器由上一级滤波器升采样得到,这就在完成多级分解的同时避免了新滤波器的设计。NSP可以看成拉氏金字塔去掉降采样和升采样过程,并将相应的滤波器升采样处理得到。非子采样保证了NSP的平移不变性。图9为3级分解的NSP结构示意图,其中H0(z)为低通滤波器,H1(z)为高通滤波器。图10为NSP分解的一个例子。
(2)非子采样方向滤波器NSDFB(Nonsubsampled Directional FilterBank)
文献R.H.Bamberger,M.J.Smith,A filter bank for the directionaldecomposition of images:Teory and design,IEEE Trans.Signal Process.Vol.40,No.4,Apr.1992中提出的方向滤波器组DFB(Directional Filter Bank)由双通道扇形滤波器组和重采样操作构成,滤波结果为将不同方向性的边缘分解到各层中。类似非子采样金字塔NSP的构造,非子采样方向滤波器NSDFB通过去除方向滤波器组DFB的降采样和升采样,并将相应的方向滤波器升采样得到。非子采样同样保证了NSDFB的平移不变性。图11是一个方向滤波器结构示意图,其中整个非子采样方向滤波器组的树型结构是由基本的扇形滤波器U0(z)升采样得到的,U0(zQ)为U0(z)升采样得到。图12为方向滤波器分解的一个例子。
金字塔滤波器和方向滤波器的非子采样保证了非子采样轮廓波NSCT变换的平移不变性。与小波变换相比,NSCT具有任意角度的方向性,更能“捕捉”图像中“沿”边缘信息,比小波对图像几何特征的表达能力更强。
Claims (2)
1.一种基于非子采样轮廓波变换的图像融合方法,包括以下步骤:
(1)将源图像A和B分别进行非子采样轮廓波变换,得到低频子图像Y0 A,Y0 B和一系列高频子图像Yk A,Yk B,k=1,2,…,N,N为高频子图像的个数,由非子采样轮廓波变换中金字塔分解的级数和方向滤波分解的方向数决定;
(2)对一系列高频子图像Yk A,Yk B,k=1,2,…,N和低频子图像Y0 A,Y0 B进行融合:
(a)按照以下步骤对一系列高频子图像Yk A,yk B,k=1,2,…,N进行融合:
(a1)将Y1 A和Y1 B对应,在Y1 A选取一个窗口Ai,在Y1 B选取一个窗口Bi,Ai与Bi表示大小相同的同一区域;
(a2)计算并比较Ai和Bi对应区域的图像平均梯度大小,选择平均梯度大的窗口对应区域图像作为融合后该区域的图像;
(a3)Ai和Bi采用单像素的移动速度,按照步骤(a2)的方式,逐行逐列遍历Y1 A和Y1 B,得到Y1 A和T1 B的融合结果Y1 F;
(a4)按照步骤(a1)-(a3)的方式,对Y2 A和Y2 B,Y3 A和Y3 B,…,YN A和YN B进行融合,得到系列高频子图像融合结果Y2 F,Y3 F,…,YN F;
(b)按照以下步骤对低频子图像进行融合:
在Y0 A选取一个窗口Aj,在Y0 B选取一个窗口Bj,Aj与Bj表示大小相同的同一区域,
(b1)设Aj对应的区域图像为ej,Bj对应的区域图像为fj,将ej和fj的方差与梯度分别与预定的临界方差和临界梯度做比较,判断ej,fj是否满足可分割条件;
(b2)根据步骤(b1)的判断结果对ej与fj进行融合:
(I)若ej和fj均满足可分割条件:将ej和fj分别分割为两个区域,将分割后的ej和fj关联得到cj,cj包括四个区域,依照cj的区域划分方式分别将ej和fj划分为相同的四个区域,分别用00、01、10、11表示,将ej和fj的区域对应,根据区域类型,选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点;
(II)若ej和fj中的一个满足可分割条件:设ej满足可分割条件,fj不满足可分割条件,将ej分割为两个区域,fj作为一个区域,将分割后的ej与fj关联,得到关联图像cj,cj包含两个区域,依照cj的区域划分方式分别将ej和fj划分为两个区域,将ej和fj的区域对应,比较对应区域内对应像素点的像素灰度值大小,根据区域类型,选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点;
(III)若ej和fj均不满足:将Y0 A与Y0 B分别分割为两个区域,将分割后的Y0 A与Y0 B关联得到G,G包括四个区域,计算ej,fj的平均像素灰度值,将其分别与Y0 A和Y0 B的分割阈值比较,确定ej,fj属于G的哪一个区域类型,比较ej,fj对应像素点的像素灰度值大小,根据ej,fj的区域类型,选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点;
(b3)Aj和Bj采用单像素的移动速度,按照步骤(b2)的方式,逐行逐列遍历Y0 A和Y0 B,得到低频子图像融合结果Y0 F;
(3)对Y1 F,Y2 F,Y3 F,…,YN F与Y0 F进行非子采样轮廓波逆变换,得到最终融合结果F。
2.根据权利要求1所述的一种基于非子采样轮廓波变换的图像融合方法,其特征在于,所述步骤(b1)和(b2)具体如下:
(b1)判断ej和fj是否满足可分割条件:将ej的方差Deva和梯度Grada分别与预定的临界方差Dev0和临界梯度Grad0做比较,若Deva>Dev0且Grada>Grad0,ej满足可分割条件,否则,不满足;fj的判断方式同ej;
(b2)根据步骤(b1)的判断结果对ej和fj进行融合:
b21)若ej和fj均满足可分割条件:将ej和fj分别分割为两个区域,将分割后的ej和fj关联得到cj,cj包括四个区域,依照cj的区域划分方式分别将ej和fj划分为相同的四个区域,分别用00、01、10、11表示,将ej和fj的区域对应,比较对应区域内对应像素点的像素灰度值大小:
(i)对于00区域,采取像素灰度值选小规则;
(ii)对于01、10和11区域,采取像素灰度值选大规则;
b22)若ej和fj中的一个满足可分割条件:设ej满足可分割条件,fj不满足可分割条件,将ej分割为两个区域,fj作为一个区域,将分割后的ej与fj关联,得到关联图像cj,cj包含两个区域,依照cj的区域划分方式分别将ej和fj划分为两个区域,分别用00,11表示,将ej和fj的区域对应,比较对应区域内对应像素点的像素灰度值大小:
(i)对于00区域,采取像素灰度值选小规则;
(ii)对于11区域,采取像素灰度值选大规则;
b23)若ej和fj均不满足:对Y0 A与Y0B进行四区域关联,得到包含四个区域的关联图像G,计算ej与fj的平均像素灰度值M(ej),M(fj),将其分别与Y0 A与Y0 N的分割阈值thresh(A)、thresh(B)比较:
(i)如果M(ej)<thresh(A),M(fj)<thresh(B),则ej,fj属于G的00区域类型,比较Aj,Bj对应像素点的像素灰度值大小,采取像素灰度值选小规则;
(ii)如果M(ej)<thresh(A),M(fj)>thresh(B),则ej,fj属于G的01区域类型,比较Aj,Bj对应像素点的像素灰度值大小,采取像素灰度值选大规则;
(iii)如果M(ej)>thresh(A),M(fj))<thresh(B),则ej,fj属于G的10区域类型,比较Aj,Bj对应像素点的像素灰度值大小,采取像素灰度值选大规则;
(iv)如果M(ej)>thresh(A),M(fj)>thresh(B),则ej,fj属于G的11区域类型,比较ej,fj对应像素点的像素灰度值大小,采取像素灰度值选大规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100524929A CN100555325C (zh) | 2007-08-29 | 2007-08-29 | 一种基于非子采样轮廓波变换的图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100524929A CN100555325C (zh) | 2007-08-29 | 2007-08-29 | 一种基于非子采样轮廓波变换的图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101093580A CN101093580A (zh) | 2007-12-26 |
CN100555325C true CN100555325C (zh) | 2009-10-28 |
Family
ID=38991822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100524929A Expired - Fee Related CN100555325C (zh) | 2007-08-29 | 2007-08-29 | 一种基于非子采样轮廓波变换的图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100555325C (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182955B (zh) * | 2014-09-05 | 2016-09-14 | 西安电子科技大学 | 基于可操纵金字塔变换的图像融合方法及其装置 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667289B (zh) * | 2008-11-19 | 2011-08-24 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
JP5640253B2 (ja) * | 2008-12-01 | 2014-12-17 | マーベル ワールド トレード リミテッド | ビット解像度の向上のための装置及び方法 |
CN101447072B (zh) * | 2009-01-06 | 2011-02-16 | 覃征 | 基于金字塔形的经验模态分解图像融合方法 |
CN101504766B (zh) * | 2009-03-25 | 2011-09-07 | 湖南大学 | 基于混合多分辨率分解的图像融合方法 |
CN101609549B (zh) * | 2009-07-24 | 2011-08-10 | 河海大学常州校区 | 视频模糊图像的多尺度几何分析超分辨处理方法 |
CN101887580A (zh) * | 2010-07-23 | 2010-11-17 | 扬州万方电子技术有限责任公司 | 非下采样轮廓波变换域的图像降噪方法 |
CN102208103A (zh) * | 2011-04-08 | 2011-10-05 | 东南大学 | 一种用于影像快速融合与评价的方法 |
CN102236891A (zh) * | 2011-06-30 | 2011-11-09 | 北京航空航天大学 | 基于轮廓波变换及自由搜索微分进化的多光谱融合方法 |
CN102542570B (zh) * | 2011-12-30 | 2014-05-07 | 北京华航无线电测量研究所 | 一种微波图像中人体隐藏危险物体自动检测方法 |
CN103208113B (zh) * | 2012-12-26 | 2015-11-18 | 辽宁师范大学 | 基于非下采样轮廓波和多相cv模型的图像分割方法 |
CN103095996B (zh) * | 2013-01-25 | 2015-09-02 | 西安电子科技大学 | 基于时空显著性检测的多传感器视频融合方法 |
CN103177428B (zh) * | 2013-03-21 | 2015-09-02 | 西安电子科技大学 | 基于非下采样方向波变换与融合的sar图像去噪方法 |
CN103793896B (zh) * | 2014-01-13 | 2017-01-18 | 哈尔滨工程大学 | 一种红外图像与可见光图像的实时融合方法 |
CN105023259B (zh) * | 2014-04-18 | 2019-06-25 | 腾讯科技(深圳)有限公司 | 图片融合方法、装置、终端和计算机可读存储介质 |
CN104700358B (zh) * | 2015-03-13 | 2018-04-27 | 湘潭大学 | 一种基于分割尺度可伸缩的图像融合方法 |
CN104766290B (zh) * | 2015-03-27 | 2018-02-13 | 哈尔滨工程大学 | 一种基于快速nsct的像素信息估计融合方法 |
CN105335972B (zh) * | 2015-10-20 | 2018-11-30 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
CN106846241B (zh) * | 2015-12-03 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 一种图像融合的方法、装置和设备 |
CN105976346B (zh) * | 2016-04-28 | 2018-10-16 | 电子科技大学 | 基于鲁棒主成分稀疏分解的红外与可见光图像融合方法 |
CN106204509B (zh) * | 2016-07-07 | 2019-12-17 | 西安电子科技大学 | 基于区域特性的红外与可见光图像融合方法 |
CN106686214A (zh) * | 2016-12-02 | 2017-05-17 | 努比亚技术有限公司 | 一种终端及图像降噪方法 |
CN106600572A (zh) * | 2016-12-12 | 2017-04-26 | 长春理工大学 | 一种自适应的低照度可见光图像和红外图像融合方法 |
CN107220628B (zh) * | 2017-06-06 | 2020-04-07 | 北京环境特性研究所 | 红外干扰源检测的方法 |
CN107742115A (zh) * | 2017-11-10 | 2018-02-27 | 广东工业大学 | 一种基于视频监控的运动目标物检测追踪的方法及系统 |
CN108682024B (zh) * | 2018-04-20 | 2021-05-18 | 长沙学院 | 一种图像清晰度匹配方法和系统 |
CN109740629B (zh) * | 2018-12-05 | 2022-03-15 | 电子科技大学 | 一种基于fpga的非下采样轮廓波分解变换系统及其实现方法 |
CN110223330B (zh) * | 2019-06-12 | 2021-04-09 | 国网河北省电力有限公司沧州供电分公司 | 一种可见光和红外图像的配准方法及系统 |
CN110415202B (zh) * | 2019-07-31 | 2022-04-12 | 浙江大华技术股份有限公司 | 一种图像融合方法、装置、电子设备及存储介质 |
CN111768376A (zh) * | 2020-06-24 | 2020-10-13 | 山东科技大学 | 一种涡流热成像边缘检测方法、系统、存储介质及应用 |
CN111738769B (zh) * | 2020-06-24 | 2024-02-20 | 湖南快乐阳光互动娱乐传媒有限公司 | 视频处理方法及装置 |
CN113129269A (zh) * | 2021-03-23 | 2021-07-16 | 东北林业大学 | 一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法 |
CN114692701A (zh) * | 2022-05-31 | 2022-07-01 | 国网天津市电力公司电力科学研究院 | 一种电力设备缺陷的多元图像处理及模式识别方法 |
-
2007
- 2007-08-29 CN CNB2007100524929A patent/CN100555325C/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
Fusion of Multi-band SAR Images Based onContourletTransform. Yong-an Zheng,Changsheng Zhu,Jianshe song andXunhui Zhao.Proceeding of the 2006 IEEE,International conference on Information Acquisition. 2006 |
Fusion of Multi-band SAR Images Based onContourletTransform. Yong-an Zheng,Changsheng Zhu,Jianshe song andXunhui Zhao.Proceeding of the 2006 IEEE,International conference on Information Acquisition. 2006 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182955B (zh) * | 2014-09-05 | 2016-09-14 | 西安电子科技大学 | 基于可操纵金字塔变换的图像融合方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101093580A (zh) | 2007-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100555325C (zh) | 一种基于非子采样轮廓波变换的图像融合方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN103984946B (zh) | 一种基于K‑means的高分辨率遥感地图道路提取方法 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
US20080063238A1 (en) | Method and apparatus for automatic object identification | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN105761266A (zh) | 从遥感图像中提取矩形建筑物的方法 | |
CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN105608429B (zh) | 基于差分激励的鲁棒车道线检测方法 | |
CN103198332A (zh) | 一种实时鲁棒的远红外车载行人检测方法 | |
CN1822046A (zh) | 基于区域特征模糊的红外与可见光图像融合方法 | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN102663357A (zh) | 基于颜色特征的停车场车位检测算法 | |
Li et al. | Research on vehicle license plate location based on neural networks | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
Ouma et al. | Urban features recognition and extraction from very-high resolution multi-spectral satellite imagery: a micro–macro texture determination and integration framework | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
Tahseen et al. | Binarization Methods in Multimedia Systems when Recognizing License Plates of Cars | |
CN105139011A (zh) | 一种基于标识物图像的车辆识别方法及装置 | |
Sharma et al. | An object-based shadow detection method for building delineation in high-resolution satellite images | |
CN109815961B (zh) | 一种基于局部纹理二值模式的路面修补类病害检测方法 | |
CN102222235A (zh) | 基于对象集成高度信息的面向对象的高光谱分类处理方法 | |
CN116071374B (zh) | 一种车道线实例分割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091028 Termination date: 20110829 |