CN101504766B - 基于混合多分辨率分解的图像融合方法 - Google Patents
基于混合多分辨率分解的图像融合方法 Download PDFInfo
- Publication number
- CN101504766B CN101504766B CN2009100429567A CN200910042956A CN101504766B CN 101504766 B CN101504766 B CN 101504766B CN 2009100429567 A CN2009100429567 A CN 2009100429567A CN 200910042956 A CN200910042956 A CN 200910042956A CN 101504766 B CN101504766 B CN 101504766B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- image
- low frequency
- static
- transformation
- 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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于混合多分辨率分解的图像融合方法。它包括以下步骤:将两幅源图像进行非下采样轮廓波分解,得到高频和低频子带系数;根据高频子带系数计算其能量值,选择能量值最大的系数作为融合的高频轮廓波变换系数;对低频子带系数进一步进行静态小波变换,对其高频分量,采用选择小波系数能量值最大的方法进行融合,对其低频分量通过求平均的方法进行融合,得到静态小波变换系数,对静态小波变换系数进行逆变换,得到低频轮廓波变换系数;对轮廓波变换系数进行逆变换,得到融合的图像。本发明结合了静态小波变换和轮廓波变换能表达不同图像特性的优点,可有效提高融合结果图像的质量,达到比较理想的融合效果。
Description
技术领域:
本方法涉及一种图像融合方法,特别涉及一种基于混合多分辨率分解的图像融合方法。
背景技术:
图像融合指按照一定的规则,把同一目标或同一场景的多个传感器的成像或单一传感器的多次成像进行处理,生成一幅新的图像。新图像与原图像相比,信息更全面、精确和稳定。它综合了传感器技术、信号处理、图像处理和人工智能等新兴技术,在军事领域和非军事领域如遥感图像、医学图像、机器视觉上得到了广泛地应用。
图像融合一般可分为像素级图像融合、特征级图像融合和决策级图像融合。其中像素级图像融合是最基本的融合,是特征级和决策级图像融合的基础。图像融合最简单的方法是加权平均法,即将原图像对应像素的灰度值进行加权平均,生成新的图像。这种方法虽然简单但效果比较差。基于Laplacian金字塔、比率低通金字塔、梯度金字塔等图像多分辨率分解的融合方法是图像融合最常用的方法。但是塔形分解是冗余分解,而且不能够很好的表达图像的方向信息。90年代小波变换在图像处理中得到广泛应用,因为其具有的方向性、非冗余性以及具有快速算法等特点,在图像融合中得到了广泛的应用,可获得良好的融合效果。小波变换在分析点状瞬态特性的奇异性时是最优的,但在表示图像结构的直线和曲线奇异性时却不是最优的。
发明内容
为了解决基于小波变换的图像融合方法存在的上述技术问题,本发明提供一种基于混合多分辨率分解的图像融合方法。本发明方法将基于非下采样的轮廓波变换和静态小波变换的融合方法结合起来,可有效提高融合结果图像的质量,达到比较理想的融合效果。
本发明解决上述技术问题的技术方案包括以下步骤:
将两幅源图像进行非下采样轮廓波分解,得到分解后的子带轮廓波高频和低频系数;
根据高频子带系数计算其能量值,选择能量值最大的系数作为融合的高频轮廓波变换系数;
对子带轮廓波分解系数中的低频子带系数进一步进行静态小波变换,得到对应的静态小波变换系数,对静态小波变换系数中的高频分量,采用选择小波系数能量值最大的方法进行融合,对静态小波变换系数中的低频分量通过求平均的方法进行融合,得到融合图像对应的静态小波变换系数,对静态小波变换系数进行逆变换,得到融合的低频轮廓波变换系数;
对融合的轮廓波变换系数进行非下采样的轮廓波逆变换,得到融合的图像。
上述的基于混合多分辨率分解的图像融合方法中,所述能量值的计算包括以下步骤:采用基于窗口的加权平均法,先取每一个像素对应的所有高频系数的平方和,再对其进行基于窗口的加权平均。
本发明的技术效果在于:本发明在图像融合的过程中对每一幅源图像分别进行非下采样轮廓波变换,得到它们的轮廓波分解系数,对其高频分量,采用选择能量值最大的方法进行融合;对低频分量采用基于静态小波变换的图像融合方法进行融合;对融合的轮廓波变换系数进行逆变换,得到最终的融合图像。本发明充分结合了静态小波变换的能够保留源图像角点、纹理等细节信息的特点以及非下采样轮廓波变换具有的方向性和各向异性,能够很好的表达源图像中边缘信息的优点。经实验对比,本发明的融合效果较好,能够使融合后的图像的质量得到较大的提高。
下面结合附图对本发明作进一步的说明。
附图说明
图1为本发明的流程图。
图2为本发明中多聚焦图像融合实例:(a)聚焦在右边的图像;(b)聚焦在左边的源图像;(c)基于轮廓波变换方法得到的融合结果;(d)基于静态小波变换得到的结果;(e)本发明方法得到的融合结果。
图3为医学图像融合实例:(a)CT图像;(b)MRI图像;(c)基于轮廓波变换方法得到的融合结果;(d)基于静态小波变换得到的结果;(e)本发明方法得到的融合结果。
图4为红外可见光图像融合实例:(a)红外图像;(b)可见光图像;(c)基于轮廓波变换方法得到的融合结果;(d)基于静态小波变换得到的结果;(e)本发明方法得到的融合结果。
具体实施方式
参见图1,图1为本发明的流程图。其具体实施步骤如下:
1.将输入的已经配准的源图像分别进行非下采样的轮廓波(NSCT)分解
非下采样轮廓波变换将多尺度分解和方向分解分开进行,首先使用非下采样塔式滤波器组(Nonsubsampled Pyramid Filter Bank,NSPFB)对源图像进行多尺度分解,然后利用非下采样方向滤波器组(Nonsubsampled Directional Filter Bank,NSDFB)对多尺度分解得到的子带系数进行方向分解,从而得到不同尺度、不同方向的子带系数。
非下采样塔式分解是一个在拉普拉斯分解过程中去掉下采样,对滤波器进行上采样的过程。当分解层数为J时,其冗余度为J+1,并且满足完全重构的Bezout恒等式:
H0(z)G0(z)+H1(z)G1(z)=1 (1)
其中H0(z),G0(z)为塔式分解的低通分解滤波器和合成滤波器,H1(z),G1(z)为塔式分解的高通分解滤波器和合成滤波器。
非下采样的方向滤波是一种在方向滤波中无下采样的滤波过程,通过àtrous小波算法实现。àtrous算法是将图像分解为不同频带上的细节信息和最低频带的近似信息,该细节信息称为小波面,其大小与原图像大小相同。对于图像f(x,y),可逐级得到以下图像序列:
其中,fk(x,y)为尺度k下的近似图像,f0(x,y)是f(x,y),Lk为低通滤波。k=1,2,…,N。相邻尺度的近似图像间差异构成小波变换的高频系数即小波面:
ωk(x,y)=fk(x,y)-fk-1(x,y) (3)
其中ωk(x,y)为第k层小波面。
本发明对源图像A、B依次进行非下采样塔式滤波和非下采样方向滤波变换得到一系列的子带系数,记为:和其中s=0,1,...,S,d=1,2,...,2n,S为分解的子带数,2n为各子带的方向总数,和为低频子带,其它为方向高频子带。
2.基于能量最大规则的高频子带融合
在非下采样轮廓波分解中,能量值较高的系数对应于图像中对比度变化较大的边缘特征,因此高频子带融合的关键是选取能量较高的部分。本发明采用基于窗口的能量值最大的融合规则,取对应像素能量值较大者作为高频子带融合结果。首先定义一个大小为5×5的卷积模板W:然后利用此模板对所有高频子带系数进行卷积,再对卷积结果在对应位置上的各个方向和尺度上求和,并将求和结果作为中心位置的能量。能量的整体计算公式为:
S代表尺度总数,D代表方向频率总数,i,j表示当前点在图像中的位置,i为横坐标,j为纵坐标,m,n为变量,其取值由卷积模板W的大小决定。最后高频系数的融合规则为:
和分别为源图像A和B经过NSCT分解后在尺度s方向d上的子带系数,为融合后的对应系数。式(5)表示当A图像在(x,y)处能量大于B图像在此处的能量时,则在此处的各个尺度和方向的高频系数选取A图像在此处的系数,否则选取B在此处的高频系数。
3.基于静态小波的低频系数融合
低频子带系数和采用基于静态小波变换的图像融合方法进行融合。静态小波分解不对滤波结果进行下采样操作,而是对滤波器进行上采样。由于静态小波分解的滤波器是可分离的,因而可在图像的行和列分别进行滤波。以下是由j层得至j+1层的分解参数:
式中,AX,j是原始图像在尺度2j下的低频近似,和分别是j层图像在水平,垂直和对角方向的高频细节信息,a,b表示当前点在图像中的位置,a为横坐标,b为纵坐标,k,l为变量,其取值由卷积模板h和g的大小决定。
基于静态小波的低频系数融合实施方式如下:
2)对于分解后的低频系数,采用加权平均算子进行融合
FLL=w×ALL+(1-w)×BLL (10)
3)对于高频变换系数,仍然采用能量最大的方法进行融合。在各个尺度内的所有高频子带上,首先基于5×5的窗口W获得对某一像素的区域特性描述(该像素居于正方形窗口的中心处),然后合并该尺度上所有子带在对应空间位置处的区域特性来衡量该系数的重要程度,采用系数的能量来表示系数的重要程度,其计算公式为:
比较两源图像在各个尺度内不同空间位置上变换系数的重要程度,通过选择最大重要程度的方法完成变换域内的系数融合,可用如下公式表示:
4.采用轮廓波逆变换得到最终融合结果
将本发明所提供的方法所得到的融合结果与单独使用静态小波变换方法和单独使用非下采样轮廓波变换方法所得到的结果进行了比较。图2、图3和图4给出了实验结果。表1列出了客观评价的结果。这里用了常用的信息熵(EN),标准差(STD)以及QAB/F作为评价标准。对于三种评价标准,数值大表示融合结果越好。从实验结果我们可以看出本发明提出的方法优于传统的基于小波变换的方法。
表1图像融合结果指标评价
Claims (2)
1.一种基于混合多分辨率分解的图像融合方法,包括以下步骤:
将两幅源图像进行非下采样轮廓波分解,得到分解后的子带轮廓波高频和低频系数;
根据高频子带系数计算其能量值,选择能量值最大的系数作为融合的高频轮廓波变换系数;
对子带轮廓波分解系数中的低频子带系数进一步进行静态小波变换,得到对应的静态小波变换系数,对静态小波变换系数中的高频分量,采用选择小波系数能量值最大的方法进行融合,对静态小波变换系数中的低频分量通过求平均的方法进行融合,得到融合图像对应的静态小波变换系数,对静态小波变换系数进行逆变换,得到融合的低频轮廓波变换系数;
对融合的轮廓波变换系数进行非下采样的轮廓波逆变换,得到融合的图像。
2.根据权利要求1所述的基于混合多分辨率分解的图像融合方法,所述能量值的计算包括以下步骤:采用基于窗口的加权平均法,先取每一个像素对应的所有高频系数的平方和,再对其进行基于窗口的加权平均。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100429567A CN101504766B (zh) | 2009-03-25 | 2009-03-25 | 基于混合多分辨率分解的图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100429567A CN101504766B (zh) | 2009-03-25 | 2009-03-25 | 基于混合多分辨率分解的图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101504766A CN101504766A (zh) | 2009-08-12 |
CN101504766B true CN101504766B (zh) | 2011-09-07 |
Family
ID=40977001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100429567A Expired - Fee Related CN101504766B (zh) | 2009-03-25 | 2009-03-25 | 基于混合多分辨率分解的图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101504766B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI619092B (zh) * | 2017-05-18 | 2018-03-21 | 上海兆芯集成電路有限公司 | 使用多分辨率改善圖像品質的方法及裝置 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867721B (zh) * | 2010-04-15 | 2012-07-04 | 青岛海信网络科技股份有限公司 | 宽动态图像的实现方法、实现装置及成像设备 |
CN101968882B (zh) * | 2010-09-21 | 2012-08-15 | 重庆大学 | 一种多源图像融合方法 |
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 |
CN103093449A (zh) * | 2013-02-28 | 2013-05-08 | 重庆大学 | 一种多分辨率融合的射线图像增强方法 |
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 |
CN103985105B (zh) * | 2014-02-20 | 2016-11-23 | 江南大学 | 基于统计建模的Contourlet域多模态医学图像融合方法 |
CN104318539A (zh) * | 2014-10-16 | 2015-01-28 | 哈尔滨工程大学 | 一种基于扩展Piella框架的声纳图像融合方法 |
JP6453694B2 (ja) * | 2015-03-31 | 2019-01-16 | 株式会社モルフォ | 画像合成装置、画像合成方法、画像合成プログラム及び記録媒体 |
GB2555675B (en) | 2016-08-05 | 2019-05-08 | Secr Defence | Method and apparatus for generating an enhanced digital image of a physical object or environment |
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 |
CN106971383B (zh) * | 2017-02-13 | 2019-12-31 | 重庆邮电大学 | 基于离散Tchebichef多项式变换和聚焦评价的多聚焦图像融合方法 |
CN107194891B (zh) | 2017-05-18 | 2020-11-10 | 上海兆芯集成电路有限公司 | 改善图像质量的方法及虚拟实境装置 |
CN107689055A (zh) * | 2017-08-24 | 2018-02-13 | 河海大学 | 一种多时相遥感影像变化检测方法 |
CN107845109A (zh) * | 2017-11-17 | 2018-03-27 | 杨俊刚 | 针对光场阵列相机重聚焦图像的全景深融合方法及系统 |
EP3605448A1 (en) * | 2018-08-01 | 2020-02-05 | Koninklijke Philips N.V. | Method for providing automatic adaptive energy setting for ct virtual monochromatic imaging |
CN111724334A (zh) * | 2020-06-15 | 2020-09-29 | 石家庄铁道大学 | 多聚焦图像融合方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1431523A (zh) * | 2003-01-16 | 2003-07-23 | 上海交通大学 | 遥感图像双线性插值小波变换融合的优化方法 |
CN1484039A (zh) * | 2003-07-24 | 2004-03-24 | 上海交通大学 | 基于不可分离小波框架的图像融合方法 |
CN1570970A (zh) * | 2004-05-13 | 2005-01-26 | 上海交通大学 | 基于期望值最大与离散小波框架的图像融合方法 |
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101303764A (zh) * | 2008-05-16 | 2008-11-12 | 西安电子科技大学 | 基于非下采样轮廓波的多传感器图像自适应融合方法 |
-
2009
- 2009-03-25 CN CN2009100429567A patent/CN101504766B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1431523A (zh) * | 2003-01-16 | 2003-07-23 | 上海交通大学 | 遥感图像双线性插值小波变换融合的优化方法 |
CN1484039A (zh) * | 2003-07-24 | 2004-03-24 | 上海交通大学 | 基于不可分离小波框架的图像融合方法 |
CN1570970A (zh) * | 2004-05-13 | 2005-01-26 | 上海交通大学 | 基于期望值最大与离散小波框架的图像融合方法 |
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101303764A (zh) * | 2008-05-16 | 2008-11-12 | 西安电子科技大学 | 基于非下采样轮廓波的多传感器图像自适应融合方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI619092B (zh) * | 2017-05-18 | 2018-03-21 | 上海兆芯集成電路有限公司 | 使用多分辨率改善圖像品質的方法及裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN101504766A (zh) | 2009-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101504766B (zh) | 基于混合多分辨率分解的图像融合方法 | |
CN100557633C (zh) | 基于梳状波和拉普拉斯塔形分解的多源图像融合方法 | |
CN104809734A (zh) | 一种基于引导滤波的红外图像与可见光图像融合的方法 | |
CN104408700A (zh) | 基于形态学和pca的轮廓波红外与可见光图像融合方法 | |
CN104616261A (zh) | 一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 | |
CN105719263A (zh) | 基于nsct域底层视觉特征的可见光和红外图像融合算法 | |
CN103854267A (zh) | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 | |
CN102163329A (zh) | 基于尺度类推的单幅红外图像的超分辨率重建方法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
Biswas et al. | Color PET-MRI medical image fusion combining matching regional spectrum in shearlet domain | |
Anand et al. | Performance evaluation of image fusion using the multi-wavelet and curvelet transforms | |
CN104766290A (zh) | 一种基于快速nsct的像素信息估计融合方法 | |
Kannan et al. | Performance comparison of various levels of fusion of multi-focused images using wavelet transform | |
ALEjaily et al. | Fusion of remote sensing images using contourlet transform | |
CN102298768B (zh) | 基于稀疏样本的高分辨率图像重建方法 | |
Kannan et al. | Optimal decomposition level of discrete wavelet transform for pixel based fusion of multi-focused images | |
CN105225214B (zh) | 一种基于直觉模糊处理理论的图像融合方法及其系统 | |
CN104182955B (zh) | 基于可操纵金字塔变换的图像融合方法及其装置 | |
Sumathi et al. | Qualitative evaluation of pixel level image fusion algorithms | |
Al-Azzawi et al. | An efficient medical image fusion method using contourlet transform based on PCM | |
Taxak et al. | High PSNR based image fusion by weighted average brovery transform method | |
Wang et al. | Multispectral image fusion approach based on GHM multiwavelet transform | |
Budhiraja et al. | Infrared and visible image fusion based on sparse representation and spatial frequency in DTCWT domain | |
Sun et al. | A novel multi-focus image fusion algorithm based on NSST-FRFT | |
Kaur et al. | Frequency Partioning Based Image Fusion for CCTV |
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: 20110907 Termination date: 20140325 |