CN107133938A - 基于小波系数统计模型的鲁棒图像融合方法 - Google Patents
基于小波系数统计模型的鲁棒图像融合方法 Download PDFInfo
- Publication number
- CN107133938A CN107133938A CN201710217496.1A CN201710217496A CN107133938A CN 107133938 A CN107133938 A CN 107133938A CN 201710217496 A CN201710217496 A CN 201710217496A CN 107133938 A CN107133938 A CN 107133938A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mfrac
- band
- frequency sub
- 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.)
- Granted
Links
- 238000013179 statistical model Methods 0.000 title claims abstract description 11
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000002156 mixing Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008602 contraction Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Complex Calculations (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于小波系数统计模型的鲁棒图像融合方法,其首先准备待融合的两幅含噪图像,对含噪图像分别进行双树复小波变换,分别将两幅图像都分解为低频子带和高频子带;然后分别对两幅图像的高频子带提取收缩算子;基于两个待融系数之间建立联合概率分布和独立的边缘分布,建立基于联合、边缘分布的匹配度;提出基于边缘分布的基于散度和信息熵的显著度度量,并与收缩算子结合;在统计模型框架下,本发明提出利用矩估计的参数估计方法,将去噪算法中的去噪参量替换融合算法中的矩,使得融合规则框架不受噪声影响的,同时将去噪算子与融合权重相结合,精确去除噪声同时保留了源图像的细节信息,进一步提升了融合算法的去噪效果。
Description
技术领域
本发明涉及图像去噪融合算法,具体涉及一种基于小波系数统计模型的鲁棒图像融合的 方法。
背景技术
图像融合的目的是将多幅源图像中有用的重要信息提取、保留并整合到一幅图像中。源 图像中包含不同频率分量的重要特征信息,需要在不同尺度上对其进行提取与分析,从而更 有针对性地决定最终融合图像中将要保留合并的内容。目前基于多尺度的图像融合方法通过 对不同层次子带设计融合规则进行融合,最大程度融合不同高频子带上的细节信息,为后续 的检测、追踪或观察工作提供精确的图像场景信息。
在多尺度变换中,小波变换以其优异的时频局部特性和多分辨率特性,在图像融合和去 噪领域被广泛应用。传统的小波变换因其不具有时移不变性和多方向性,使得在图像处理的 过程中会丢失特征信息,产生伪迹等不良效果。双树复小波变换(Dual-treeComplex Wavelet Transform,DT-CWT)具有近似时移不变性并且每层具有6个方向子带,能够充分的提取源图 像在不同层次上的细节信息,解决了丢失特征或伪迹对于融合结果的影响。
在基于小波变换的融合算法中,构建融合规则的主要方法是基于样本系数值的特定规则 的定义,这种定义的融合规则是基于样本系数本身的幅度信息,而小波系数自身的稀疏性、 传播性、聚集性都是有很强的统计分布表现,未充分呈现出小波系数本身特性的融合规则中 的并不是最精准的。小波系数的邻域、父子以及异源图像小波系数之间都有着强烈的相关特 性,通过统计模型对小波系数统计分布特性进行准确描述,可以将小波子带系数的相关特性 以及边缘特性量化利用,能够实现更加精准的融合效果。
而在图像数字化和传输、储存过程中常会受到成像设备和光照、温度等外界因素的干扰 而使图像质量下降,重要细节被噪声掩盖不仅影响其视觉效果,还直接关系到融合图像的品 质。但是目前的融合算法都是在已去噪的前提下进行操作的,所以能够实现降噪的融合算法 是有现实的应用意义。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于小波系数统计模型的图像 去噪融合相结合的方法。
本发明的基于小波系数统计模型的鲁棒图像融合方法,包括下列步骤:
步骤1:对待融合的含噪(高斯白噪声)源图像IA、IB(其中A、B为源图像标识符) 分别进行双树复小波变换,得到源图像IA、IB的多层分解子带;
步骤2:分别对各层分解子带进行像素级融合,得到融合后的多层分解子带:
步骤201:对分解子带中的低频子带,采用基于区域能量的权重融合方式进行融合,得 到融合低频子带;
步骤202:对分解子带中的高频子带,采用匹配度联合双显著度的融合规则进行同层同 方向高频子带融合,得到各层的融合高频子带:
202-1:基于源图像IA、IB的高频子带分别通过父子系数的拉普拉斯模型,并计算对应 源图像IA、IB的高频子带系数双变量收缩算子SA,SB;
202-2:基于源图像IA、IB的高频子带分别构建立广义高斯模型,并分别计算两个广义 高斯分布的KL散度KLD(A|B)、KLD(B|A),以及广义高斯分布的信息熵HA、HB,由KL散 度与高频子带系数收缩算子的乘积的平方得到第一显著度AA1、AB1;由信息熵和高频子带系 数收缩算子的乘积的平方得到第二显著度AA2、AB2;,其中AA1、AA2对应源图像IA,AB1、AB2对应源图像IB;
202-3:对源图像IA、IB的高频子带系数联合概率建立各向异性拉普拉斯双变量模型, 基于联合概率分布和广义高斯分布计算源图像IA、IB的同层同方向同坐标(同一子带系数坐 标)的高频子带系数之间的互信息MI;
根据互信息MI、信息熵HA、HB定义匹配度
202-4:联合匹配度M和第一、二显著度设置各高频子带系数的融合权重WA、WB,其中图像WA对应图像IA,WB对应图像IB:
若M>T1,则且WB=1-WA;
若T2<M<T1,则且WB=1-WA;
若M<T2,则且
其中,T1、T2为预设匹配度阈值,取值范围在0~1;
303-4:将高频子带系数收缩算子与融合权重的乘积作为融合算子,以融合算子作为 权重进行加权和融合,生成融合高频子带;
步骤4:对融合后的多层分解子带进行双树复小波逆变换得到去噪融合图像。
本发明提出全新的基于统计模型的匹配度,基于两个待融源之间建立联合概率分布,并 由此联合概率分布提取出两个待融源之间的互信息,充分利用了待融合图像的灰度变化信息 以及关联信息,很好的度量了两个待融源之间的相似性;同时提出基于KL散度和信息熵的显 著度度量,能够充分反映两待融源在灰度变化和所含信息量之间的差异。同时参数估计方法 中结合去噪思想,融合权重结合去噪算子,最终实现对噪声图像的鲁棒融合。最终融合效果 能够去除噪声影响,同时保留源图像中的细节信息,在主观和客观评价中都获得优异指标。
附图说明
图1是本发明的高频子带融合的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式,对本发明作进一步 地详细描述。
本发明的目的可以通过采取如下技术方案达到:基于双树复小波变换的去噪融合算法, 其特征在于包括以下具体步骤:
步骤1:对噪声源图像IA、IB(下标A、B为源图像标识符)执行双树复小波变换,得到源图像IA、IB的多层分解子带,用CAL、CBL表示对应的低频子带,表示对应 的高频子带,其中j=1,2...,J为双树复小波分解的层标识符,k=1,2...,K为双树复小波分解的层标识符方向标识符,本实施方式中,取J=5,K=6,其中6个方向依次是 15°,45°,75°,-15°,-45°,-75°。用CAL(m,n)、CBL(m,n)表示对应IA、IB的低频子带系数,表示对应IA、IB的高频子带系数,其中(m,n)表示子带系数坐标。
步骤2:分别对各层分解子带进行像素级融合,得到融合后的多层分解子带:
步骤201:对分解子带中的低频子带,采用基于区域能量的权重融合方式进行融合,得 到融合低频子带;
201-1:采用滑窗方式计算低频子带系数在邻域N*N的区域能量和:
即
其中w表示能量累加权重矩阵,w(x+(N+1)/2,y+(N+1)/2)(N=5)表示在子带系数坐 标(x+(N+1)/2,y+(N+1)/2)处的矩阵元素值。
以N取5为例,w可以表示为:
201-2:计算低频子带系数的权重:
201-3:计算融合低频子带系数CFL(m,n),得到融合低频子带:
CFL(m,n)=δA(m,n)CAL(m,n)+(1-δA(m,n))CBL(m,n);
步骤202:对分解子带中的高频子带,采用匹配度联合双显著度的融合规则进行同层同 方向高频子带融合,得到各层的融合高频子带,参见图1,具体融合过程如下:
202-1:基于源图像IA、IB的高频子带(CAH、CBH)分别建立父子系数的拉普拉斯模型,并计算每个子带系数坐标(m,n)在第j层k方向的高频子带系数的双变量收缩算子因本融合处理时为同层同方向的像素级融合,为了简化描述,可将任一子带系数坐标在第j层k方向的收缩算子简化描述为SA、SB,其中,A、B为源图像标识符;
(1)采用蒙特卡罗(Monte Carlo)统计模拟方法估计高频子带噪声标准差σnA、σnB,即:
基于第一层高频子带系数根据下式分别估计中所含的噪声标 准差σnA、σnB:其中符号median(·)表示中位 数,表示的是分解尺度为1且分解方向为±45°的高频子带上的所有系数。
(2)计算各高频子带系数的邻域方差
其中分别表示位于子带系数坐标(m+x,n+y)的第j 层尺度、k方向的高频子带系数,且其中N为预设 的邻域尺寸,本具体实施方式中取值为5;
根据公式分别计算各高频子带系数的高频子带纯净 系数邻域方差其中符号“(x)+”表示:当变量x≥0时,(x)+=x;当x<0时, (x)+=0;
(3)根据基于父子系数的双变量收缩方法,分别计算各高频子带系数的双变量收缩算子
其中分别为源图像IA、IB高频子带噪声方差;分别为位于(m,n)的第j 层尺度、k方向的高频子带系数的纯净系数邻域方差。
202-2:基于源图像IA、IB的高频子带分别构建立广义高斯模型,并分别计算两个广义 高斯分布的KL散度KLD(A|B)、KLD(B|A),以及广义高斯分布的信息熵HA、HB,定义第 一显著度AA1为AB1为定义第二显著度AA2为AB2为
(1)分别计算源图像IA的各高频子带系数的一阶原点矩源图像IB的各高频子带系 数的一阶原点矩
其中N为预设的邻域尺寸,为图像IA和IB的高频子带系数;
并将各高频子带系数的纯净系数邻域方差作为各高频子带系数的纯净二阶原点 矩其中上标A、B为源图像标识符。
(2)基于广义高斯模型矩估计参数估计法,通过一阶原点矩和二阶原点矩 计算各高频子带系数的邻域参数αA、αB、βA、βB:
构建广义高斯模型:
其中XA、XB 分别为源图像IA、IB的同层同方向的高频子带系数,e为自然底数,Γ(·)表示伽马函数;
基于广义高斯模型PA、PB计算KL散度KLD(A|B)、KLD(B|A):
基于广义高斯模型PA、PB计算信息熵HA,HB:
202-3:对源图像IA、IB的高频子带系数联合概率建立各向异性拉普拉斯双变量模型:
基于广义高斯模型PA(XA)、PB(XB)计算源图像IA、IB的同层同方向的同坐标高频子带 系数之间的互信息MI:
根据互信息MI、信息熵HA、HB定义匹配度
202-4:联合匹配度M和第一、二显著度设置各高频子带系数的融合权重 因本融合处理时为同层同方向的像素级融合,为了简化描述,将任一子带系数坐 标在第j层k方向的融合权重简化描述为WA、WB,其中,A、B为源 图像标识符:
若M>T1,则且WB=1-WA;
若T2<M<T1,则且WB=1-WA;
若M<T2,则且
其中阈值T1,T2可调整,本实施方式取T1=0.75,T2=0.25;
203-4:计算各融合高频子带系数得到融合高频子带:
步骤3:对融合后的多层分解子带进行双树复小波逆变换得到去噪融合图像。
综上,本发明基于两个待融源之间建立联合概率分布,并由此联合概率分布提取出两个 待融源之间的互信息,充分利用了待融合图像的灰度变化信息以及关联信息,很好的度量了 两个待融源之间的相似性;同时提出基于KL散度和信息熵的显著度度量,能够充分反映两待 融源在灰度变化和所含信息量之间的差异;在去噪算法与融合的结合方面本发明实现了融合 与去噪的交互结合,本发明提出利用矩估计的参数估计方法,将去噪算法中的去噪参量替换 融合算法中的矩,使得融合规则框架下求得的融合参量都是不受噪声影响的,因此融合规则 具有一定鲁棒性;同时将去噪算子与融合权重相结合,精确去除噪声同时保留了源图像的细 节信息,进一步提升了融合算法的效果。在统计模型下的小波域去噪算法对于小波相关特性 的研究相对成熟,融合算法中融入模型去噪的思路,一方面可以补足小波系数相关性的利用, 另一方面也可以实现精确去噪,将更多的细节轮廓等信息保留在融合结果里。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述, 均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过 程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (3)
1.基于小波系数统计模型的鲁棒图像融合方法,其特征在于,包括下列步骤:
步骤1:对含噪源图像IA、IB分别进行双树复小波变换,得到源图像IA、IB的多层分解子带,其中下标A、B为源图像标识符;
步骤2:分别对各层分解子带进行像素级融合,得到融合后的各层分解子带:
步骤201:对分解子带中的低频子带,采用基于区域能量的权重融合方式进行融合,得到融合低频子带;
步骤202:对分解子带中的高频子带,采用匹配度联合双显著度的融合规则进行同层同方向高频子带融合,得到各层的融合高频子带:
202-1:基于源图像IA、IB的高频子带分别建立父子系数的拉普拉斯模型,并计算各高频子带系数的双变量收缩算子SA,SB;
202-2:基于源图像IA、IB的高频子带分别构建立广义高斯模型,并分别计算基于两个广义高斯分布的KL散度KLD(A|B)、KLD(B|A),以及广义高斯分布的信息熵HA、HB,定义第一显著度AA1为AB1为定义第二显著度AA2为AB2为其中AA1、AA2对应源图像IA,AB1、AB2对应源图像IB;
202-3:对源图像IA、IB的同层同方向高频子带系数联合概率分布建立各向异性拉普拉斯双变量模型,基于联合概率分布和广义高斯分布计算源图像IA、IB的同一子带系数坐标的同层同方向的高频子带系数之间的互信息MI,联合互信息MI、信息熵HA、HB定义归一化匹配度
202-4:联合匹配度M和第一、二显著度设置各高频子带系数的融合权重WA、WB,其中图像WA对应图像IA,WB对应图像IB:
若M>T1,则且WB=1-WA;
若T2<M<T1,则且WB=1-WA;
若M<T2,则且
其中,T1、T2为预设匹配度阈值,取值范围为0~1;
303-4:将高频子带系数收缩算子与融合权重的乘积作为融合算子,以融合算子作为权重进行加权和融合,生成融合高频子带系数;
步骤4:对融合后的多层分解子带进行双树复小波逆变换得到去噪融合图像。
2.如权利要求1所述的方法,其特征在于,步骤202-2中,KL散度KLD(A|B)、KLD(B|A),、信息熵HA、HB的具体计算为:
分别计算源图像IA的各高频子带系数的一阶原点矩源图像IB的各高频子带系数的一阶原点矩
<mrow>
<msubsup>
<mi>m</mi>
<mn>1</mn>
<mi>A</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
<mi>y</mi>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
<mi>y</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
</mrow>
</munderover>
<mo>|</mo>
<msubsup>
<mi>CA</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>H</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mi>x</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>m</mi>
<mn>1</mn>
<mi>B</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
<mi>y</mi>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
<mi>y</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>,</mo>
</mrow>
</munderover>
<mo>|</mo>
<msubsup>
<mi>CB</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>H</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mi>x</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>,</mo>
</mrow>
其中(m,n)表示当前子带系数坐标,N为预设的邻域尺寸,为图像IA和IB的高频子带系数,j为双树小波分解的层标识符,k为双树小波分解的方向标识符;
分别计算源图像IA的各高频子带系数的纯净二阶原点矩源图像IB的各高频子带系数的纯净二阶原点矩
<mrow>
<msubsup>
<mi>m</mi>
<mn>2</mn>
<mi>A</mi>
</msubsup>
<mo>=</mo>
<msub>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mi>&Sigma;</mi>
<mo>|</mo>
<msubsup>
<mi>CA</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>H</mi>
</msubsup>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>x</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>n</mi>
<mi>A</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
</msub>
<mo>,</mo>
<msubsup>
<mi>m</mi>
<mn>2</mn>
<mi>B</mi>
</msubsup>
<mo>=</mo>
<msub>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mi>&Sigma;</mi>
<mo>|</mo>
<msubsup>
<mi>CB</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>H</mi>
</msubsup>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>x</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>n</mi>
<mi>B</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
</msub>
<mo>;</mo>
</mrow>
其中符号“(x)+”表示:当变量x≥0时,(x)+=x;当x<0时,(x)+=0;σnA,σnB是由蒙特卡罗统计模拟方法估计出的源图像IA和IB的高频子带噪声标准差;
通过一阶原点矩和纯净二阶原点矩计算各高频子带系数的广义高斯分布的参数αA、αB、βA、βB:
构建广义高斯模型:
其中XA、XB分别为源图像IA、IB的位于同层同方向的高频子带系数,e为自然底数,Γ(·)表示伽马函数;
基于广义高斯模型PA、PB计算KL散度KLD(A|B)、KLD(B|A):
<mrow>
<mi>K</mi>
<mi>L</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>|</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>B</mi>
</msub>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>A</mi>
</msub>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&alpha;</mi>
<mi>A</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
</msup>
<mfrac>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<mi>K</mi>
<mi>L</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>|</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>A</mi>
</msub>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>B</mi>
</msub>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&alpha;</mi>
<mi>B</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>A</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
</msup>
<mfrac>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
基于广义高斯模型PA、PB计算信息熵HA、HB:
<mrow>
<msub>
<mi>H</mi>
<mi>A</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
</mfrac>
<mo>-</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<mrow>
<mn>2</mn>
<msub>
<mi>&alpha;</mi>
<mi>A</mi>
</msub>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>H</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>-</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<mrow>
<mn>2</mn>
<msub>
<mi>&alpha;</mi>
<mi>B</mi>
</msub>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.如权利要求2所述的方法,其特征在于,步骤202-3中,建立各向异性拉普拉斯双变量模型为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mi>A</mi>
<mo>,</mo>
<mi>X</mi>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>3</mn>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mi>A</mi>
</msub>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mi>B</mi>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msqrt>
<mn>3</mn>
</msqrt>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>X</mi>
<mi>A</mi>
</mrow>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mi>A</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>X</mi>
<mi>A</mi>
</mrow>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mi>B</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
其中
基于广义高斯模型PA(XA)、PB(XB)计算源图像IA、IB的同层同方向同坐标的高频子带系数之间的互信息MI:
<mrow>
<mi>M</mi>
<mi>I</mi>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mi>A</mi>
<mo>,</mo>
<mi>X</mi>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mi>A</mi>
<mo>,</mo>
<mi>X</mi>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mi>A</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>X</mi>
<mi>A</mi>
<mi>d</mi>
<mi>X</mi>
<mi>B</mi>
<mo>.</mo>
</mrow>
3
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610793034X | 2016-08-31 | ||
CN201610793034 | 2016-08-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133938A true CN107133938A (zh) | 2017-09-05 |
CN107133938B CN107133938B (zh) | 2019-08-13 |
Family
ID=59716593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710217496.1A Active CN107133938B (zh) | 2016-08-31 | 2017-04-05 | 基于小波系数统计模型的鲁棒图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133938B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN109377466A (zh) * | 2018-09-28 | 2019-02-22 | 中国科学院长春光学精密机械与物理研究所 | 一种多小波变换矢量图像融合方法 |
CN111161176A (zh) * | 2019-12-24 | 2020-05-15 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
CN111583167A (zh) * | 2020-05-14 | 2020-08-25 | 山东大学第二医院 | 用于钬激光的碎石的图像融合方法 |
CN115436288A (zh) * | 2022-09-20 | 2022-12-06 | 山东大学 | 一种透镜缺陷检测装置及成像方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020931A (zh) * | 2012-11-27 | 2013-04-03 | 西安电子科技大学 | 基于方向波域隐马尔可夫树模型的多源图像融合方法 |
CN106803242A (zh) * | 2016-12-26 | 2017-06-06 | 江南大学 | 基于四元数小波变换的多聚焦图像融合方法 |
-
2017
- 2017-04-05 CN CN201710217496.1A patent/CN107133938B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020931A (zh) * | 2012-11-27 | 2013-04-03 | 西安电子科技大学 | 基于方向波域隐马尔可夫树模型的多源图像融合方法 |
CN106803242A (zh) * | 2016-12-26 | 2017-06-06 | 江南大学 | 基于四元数小波变换的多聚焦图像融合方法 |
Non-Patent Citations (2)
Title |
---|
A. ŁOZA 等: "Statistical model-based fusion of noisy multi-band images in the wavelet domain", 《IN: PROCEEDINGS OF THE 10TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION (FUSION 2007)》 * |
殷松峰 等: "基于各向异性双变量收缩的含噪图像融合", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN108709745B (zh) * | 2018-05-02 | 2020-08-11 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN109377466A (zh) * | 2018-09-28 | 2019-02-22 | 中国科学院长春光学精密机械与物理研究所 | 一种多小波变换矢量图像融合方法 |
CN111161176A (zh) * | 2019-12-24 | 2020-05-15 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
CN111161176B (zh) * | 2019-12-24 | 2022-11-08 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
CN111583167A (zh) * | 2020-05-14 | 2020-08-25 | 山东大学第二医院 | 用于钬激光的碎石的图像融合方法 |
CN111583167B (zh) * | 2020-05-14 | 2022-06-07 | 山东大学第二医院 | 用于钬激光的碎石的图像融合方法 |
CN115436288A (zh) * | 2022-09-20 | 2022-12-06 | 山东大学 | 一种透镜缺陷检测装置及成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107133938B (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133938A (zh) | 基于小波系数统计模型的鲁棒图像融合方法 | |
Wang et al. | EGGDD: An explicit dependency model for multi-modal medical image fusion in shift-invariant shearlet transform domain | |
Xu | Medical image fusion using multi-level local extrema | |
Yin | Sparse representation with learned multiscale dictionary for image fusion | |
CN103985105B (zh) | 基于统计建模的Contourlet域多模态医学图像融合方法 | |
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 | |
CN103093434B (zh) | 基于奇异值分解的非局部维纳滤波图像去噪方法 | |
Yousif et al. | An improved approach for medical image fusion using sparse representation and Siamese convolutional neural network | |
CN103049892A (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
CN102298774B (zh) | 基于联合相似性的非局部均值去噪方法 | |
Wang et al. | Multi-focus image fusion based on the improved PCNN and guided filter | |
Li et al. | A novel multiscale transform decomposition based multi-focus image fusion framework | |
CN104077781B (zh) | 一种基于形变场的医学图像配准算法评价方法 | |
Zhang et al. | Multi-focus image fusion algorithm based on compound PCNN in Surfacelet domain | |
CN116342444B (zh) | 一种双通道多模态图像融合方法及电子设备 | |
CN104008536A (zh) | 基于cs-chmt和idpcnn的多聚焦噪声图像融合方法 | |
Yuan et al. | Nonlocal random walks algorithm for semi-automatic 2D-to-3D image conversion | |
Li et al. | An impulse noise removal model algorithm based on logarithmic image prior for medical image | |
Zhang et al. | CT and MRI image fusion algorithm based on hybrid ℓ0ℓ1 layer decomposing and two-dimensional variation transform | |
Lu et al. | Infrared and visible image fusion based on tight frame learning via VGG19 network | |
Tian et al. | Multimodal medical image fusion based on nonsubsampled contourlet transform using improved PCNN | |
CN108986074A (zh) | 一种基于分块稀疏算法的煤矿井下图像处理方法 | |
CN104200472A (zh) | 基于非局部小波信息的遥感图像变化检测方法 | |
CN104331864A (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
Hu et al. | CVT-based 3D image segmentation and quality improvement of tetrahedral/hexahedral meshes using anisotropic Giaquinta-Hildebrandt operator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |