CN109816618A - 一种基于自适应阈值的区域能量光子计数图像融合算法 - Google Patents
一种基于自适应阈值的区域能量光子计数图像融合算法 Download PDFInfo
- Publication number
- CN109816618A CN109816618A CN201910073899.2A CN201910073899A CN109816618A CN 109816618 A CN109816618 A CN 109816618A CN 201910073899 A CN201910073899 A CN 201910073899A CN 109816618 A CN109816618 A CN 109816618A
- Authority
- CN
- China
- Prior art keywords
- image
- source images
- energy
- photon counting
- adaptive threshold
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 62
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 49
- 238000002156 mixing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000007500 overflow downdraw method Methods 0.000 abstract description 8
- 230000003760 hair shine Effects 0.000 abstract description 3
- 238000013316 zoning Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
一种基于自适应阈值的区域能量光子计数图像融合算法，属于图像融合技术领域。其特征在于：步骤1001：冗余小波变换；步骤1002：计算区域能量、邻域均方差、匹配度以及自适应阈值；步骤1003：计算加权系数和增强因子；步骤1004，计算匹配度；步骤1005，判断匹配度与自适应阈值；步骤1006，匹配度小于自适应阈值，选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值；步骤1007，匹配度大于或等于自适应阈值，采用加权区域能量法；步骤1008，得到光子计数融合图像。通过本算法，解决了区域能量融合法得到融合图像轮廓不清晰，噪声严重，以及极其微弱光照下光子计数图像信息冗余，细节不清晰等问题。
Description
技术领域
一种基于自适应阈值的区域能量光子计数图像融合算法，属于图像融合技术领域。
背景技术
随着微光夜视技术的发展，微光图像处理系统对极微弱光下所得图像融合的需求也在不断提升。图像融合是运用数学方法对获得的多幅源图像进行显著特征合成的过程，由于多幅源图像之间可以相互补充，所以图像融合能降低融合图像不确定性和减少模糊度，同时提高融合图像信息的准确性和可靠性，形成对目标比较完整的描述。图像融合目的就是产生一个更易于理解的合成图像，这将有利于进行观察和目标识别。
近年，图像融合多应用于可见光图像与红外图像、微光图像和红外图像。其中，基于目标增强的红外与可见光图像融合技术研究中首先要对红外图像的目标进行增强，把增强后的红外图像与可见光图像进行图像融合，融合图像能凸显红外图像中的目标，同时提高了融合图像的图像质量和对比度。基于分割与增强方法的红外与微光图像融合将增强后的微光图像与红外图像进行融合，融合后的图像突出了目标；目标增强的红外与微光图像融合算法通过对红外图像进行滤波处理后再与微光图像进行融合，融合后的图像提供了较丰富的背景信息，增强了目标信息。
微光与红外图像实时融合关键技术研究提出了一种微光与红外图像的开窗融合技术方法，解决图像融合速度与图像融合质量的矛盾。一种改进的基于区域梯度—能量的图像融合方法通过小波变换进行图像稀疏化，计算对应的梯度和能量值，采用绝对值取大法和加权平均法对图像进行融合，融合图像效果得到改善，但融合图像中仍存在噪声、不清晰的现象。图像融合中，使用基于区域能量和基于区域梯度法融合规则进行的图像融合，得到融合图像亮度较高，融合图像中出现比较严重的条纹噪声且图像轮廓不清晰。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种解决了现有技术中区域能量融合法得到融合图像轮廓不清晰，噪声严重，以及极其微弱光照下光子计数图像信息冗余，细节不清晰等问题的基于自适应阈值的区域能量光子计数图像融合算法。
本发明解决其技术问题所采用的技术方案是：该基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：包括如下步骤：
步骤1001，在不同照度值下得到光子计数图像：源图像A和源图像B，对源图像A和源图像B进行冗余小波变换，分别获得源图像A和源图像B的高频部分图像、低频部分图像；
步骤1002，计算源图像A和源图像B的高频部分图像、低频部分图像的对应区域能量、邻域均方差、匹配度以及自适应阈值；
步骤1003，计算融合规则中的加权系数和增强因子；
步骤1004，计算两幅源图像的匹配度，并比较匹配度与自适应阈值的大小；
步骤1005，判断匹配度是否小于自适应阈值，如果小于自适应阈值，执行步骤1006及步骤1008，如果匹配度大于或等于自适应阈值，执行步骤1007～步骤1008；
步骤1006，如果匹配度小于自适应阈值，图像融合规则选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值；
步骤1007，如果匹配度大于或等于自适应阈值，采用加权区域能量法确定融合图像；
步骤1008，图像重构得到光子计数融合图像。
在本基于自适应阈值的区域能量光子计数图像融合算法中，基于自适应阈值区域能量融合规则的图像融合方法更能突出光子计数图像的特性，该融合规则就是对参加融合的源图像的某一区域所有像素点进行能量和均方差计算，根据图像区域能量和邻域均方差决定光子计数的融合图像。其基本思想是对源图像进行变换，得到不同高低频部分图像，首先计算相对应的两幅源图像中高频部分图像像素点附近邻域的能量和均方差，然后根据其局部区域能量决定两幅源图像的匹配度，当匹配度小于阈值时，图像融合规则选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值，增强因子是由两幅源图像的相应邻域均方差决定；反之，当匹配度大于或等于阈值时，可采用加权区域能量法确定融合图像，其中加权系数是由两幅源图像的局部区域能量和阈值共同决定的，阈值是根据两幅源图像的图像信息所决定。
优选的，步骤1001中所述的冗余小波变换，具体包括如下步骤：
步骤1001-1，定义一个卷积核为：
步骤1001-2，定义c0＝I0，I0代表原始图像；
步骤1001-3，定义n为分解图像得到的小波平面的个数；
步骤1001-4，令i＝1；
步骤1001-5，用ci-1和核hi做卷积，得到图像ci，即
步骤1001-6，通过计算ci-1和ci的差获取小波平面ωi，即ωi＝ci-ci-1；
步骤1001-7，i＝i+1；
步骤1001-8，如果i≤n，则转到步骤1001-1；
由于用àtrous算法计算出的小波平面具有相同的大小，恢复图像I时将所有小波平面ωi和余量平面cn相加，即：
大多数的小波变换算法通常是将原来的图像分解成为一个大小递减的小波平面，而在冗余小波变换的算法中，全部的小波平面的像素都相同，与原始图像一样，变换后的各频率子带图像与源图像大小相等，具有平移不变性对源图像进行冗余小波变换，而基于冗余小波变换的图像融合原理，首先，对光子计数源图像A和光子计数源图像B进行冗余小波变换，得到图像的高低频部分图像；然后，分别对高部分图像采用高频融合规则法，对低频部分图像采用低频融合规则法；最后融合后的高低频图像进行图像重构，得到融合后的光子计数图像。
所述的步骤1002，包括如下步骤：
步骤1002-1：选择3x3的窗口计算局部区域能量，计算公式如下：
其中，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量；表示A×B在j分辨率下，ε方向上以(m,n)为中心的局部区域的能量；K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，ω(i,j)是权系数；fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值，表示源图像A在三个方向的高频部分图像，代表源图像B在三个方向的高频部分图像；
步骤1002-2：根据局部区域能量计算两幅源图像对应局部区域的匹配度M为：
其中，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量；表示A×B在j分辨率下，ε方向上以(m,n)为中心的局部区域的能量；
步骤1002-3：计算局部区域的均值和均方差，如下：
其中，μA和μB分别表示光子计数源图像A、B的均值，σA和σB分别表示光子计数源图像A、B的均方差，K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值；
步骤1002-4：由计算得到的均值和均方差，计算出与局部区域匹配度M相对应的局部区域阈值T：
其中，K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值，μA和μB分别表示光子计数源图像A、B的均值。
优选的，步骤1003中所述的加权系数为：
其中，ωmin表示值较小的系数，ωmax表示值较大的系数，M表示局部区域匹配度，T表示局部区域阈值。
优选的，步骤1003中所述的增强因子为：
其中，ψA和ψB分别代表光子计数源图像A和光子计数源图像B的增强因子，σA和σB分别表示光子计数源图像A、B的均方差。
优选的，在所述的步骤1006中，选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值，其计算公式为：
其中，ψA和ψB分别代表光子计数源图像A和光子计数源图像B的增强因子，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量。
优选的，在所述的步骤1007中，加权区域能量法计算公式为：
fF(m,n)＝ωAfA(m,n)+ωBfB(m,n)
上式中，ωA和ωB分别表示图像融合中的加权系数，其值是由局部区域能量决定的，如下：
最终得到如下计算公式：
其中：ωmin表示值较小的系数，ωmax表示值较大的系数，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值。
对同一融合方法采用不同的融合规则，将会得到不同效果的融合图像。目前小波域的融合规则有小波系数进行绝对值较大选择法、绝对值较小选择法和加权平均法等，以上图像融合规则法都是对单个像素点进行处理。图像中的单个像素点并不能表示出图像的某一细节，图像的细节特征通常是由多个像素点所能表征的，并且这些像素点是集中分布在图像中的某一区域，像素点之间表现出较强的相关性，因此，图像融合如果只是简单的对单个像素点进行图像融合处理，融合后的图像存在较大的误差，图像效果较差。区域能量的融合规则是对图像的局部区域进行图像融合，区域能量融合规则的图像融合原理是对源图像进行变换，得到高低频图像，计算两幅源图像中高频部分图像的局部区域能量，根据局部区域能量计算两幅源图像的匹配度，匹配度与设定的阈值进行比较，当匹配度小于阈值时，表示在该区域中两幅源图像的能量差异较大，选取局部区域能量较大的图像像素点值；当匹配度大于或等于阈值时，说明两幅源图像在该区域上能量比较接近，采用加权融合规则进行图像融合。
与现有技术相比，本发明所具有的有益效果是：
在本基于自适应阈值的区域能量光子计数图像融合算法中，针对现有技术中区域能量融合法得到融合图像轮廓不清晰，噪声严重，以及极其微弱光照下光子计数图像信息冗余，细节不清晰等问题，将光子计数源图像经过变换后得到图像的高低频部分，图像的低频部分反映了源图像的近似和平均的特性，图像的高频部分反映了图像的突变和细节特性，对应于源图像的边缘和边界信息，采用自适应阈值区域能量的融合规则，对光子计数图像进行融合。
本发明中融合规则进行图像融合得到的光子计数融合图像，主观上可以看出融合图像的目标轮廓更加清晰可见，细节更明显，目标更易于识别；客观评价指标上可以看出，融合图像的信息熵、平均梯度以及空间频率值都有所提高，融合图像效果更好。
附图说明
图1为基于自适应阈值的区域能量光子计数图像融合算法流程图。
图2为基于冗余小波的图像融合方法的原理框图。
具体实施方式
图1～2是本发明的最佳实施例，下面结合附图1～2对本发明做进一步说明。
如图1～2所示，一种基于自适应阈值的区域能量光子计数图像融合算法，包括如下步骤：
步骤1001，对源图像进行冗余小波变换；
将照度值为6.31×10-5lx下得到光子计数图像记为源图像A，将照度值为4.02×10-4lx下得到光子计数图像记为源图像B，对光子计数源图像进行冗余小波变换，获得高低频部分图像，结合图2，其具体实施步骤如下：
步骤1001-1，定义一个卷积核为：
步骤1001-2，定义c0＝I0，I0代表原始图像。
步骤1001-3，定义n为分解图像得到的小波平面的个数。
步骤1001-4，令i＝1。
步骤1001-5，用ci-1和核hi做卷积，得到图像ci，即
步骤1001-6，通过计算ci-1和ci的差获取小波平面ωi，即ωi＝ci-ci-1。
步骤1001-7，i＝i+1。
步骤1001-8，如果i≤n，则转到步骤1001-1。
由于用àtrous算法计算出的小波平面具有相同的大小，恢复图像I时只要简单地将所有小波平面ωi和余量平面cn相加，即
步骤1002，计算局部区域能量和均方差；
计算两幅源图像的高低频部分的对应区域能量、邻域均方差、匹配度以及自适应阈值，其由局部图像的像素值和均值计算得到，其具体实施步骤如下：
步骤1002-1：选择3x3的窗口计算局部区域能量，计算公式如下：
其中，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量；表示A×B在j分辨率下，ε方向上以(m,n)为中心的局部区域的能量；K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，ω(i,j)是权系数；fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值，表示源图像A在三个方向的高频部分图像，代表源图像B在三个方向的高频部分图像。
步骤1002-2：根据局部区域能量计算两幅源图像对应局部区域的匹配度M为：
其中，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量；表示A×B在j分辨率下，ε方向上以(m,n)为中心的局部区域的能量。
步骤1002-3：计算局部区域的均值和均方差，如下：
其中，μA和μB分别表示光子计数源图像A、B的均值，σA和σB分别表示光子计数源图像A、B的均方差，K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值。
步骤1002-4：由计算得到的均值和均方差，可以计算出与局部区域匹配度M相对应的局部区域阈值T。
区域能量的融合规则中阈值T是根据多次实验效果设定的，没有考虑源图像本身的图像信息。如果不同的源图像进行图像融合时，阈值T相同，影响融合图像的融合效果。由于本文所设定的阈值T要与两幅源图像局部区域的匹配度进行比较，故需计算出与匹配度相对应的局部区域阈值，阈值是由两幅源图像的局部像素值和局部均值决定。根据均值计算公式，可以计算出与局部区域匹配度M相对应的局部区域阈值T，计算公式为：
其中，K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值，μA和μB分别表示光子计数源图像A、B的均值。
步骤1003，计算融合规则中的加权系数和增强因子；
图像融合规则选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值，增强因子是由两幅源图像的相应邻域均方差决定。采用加权区域能量法确定融合图像，其中加权系数是由两幅源图像的局部区域能量和阈值共同决定的。
根据匹配度M和阈值T可以确定加权的系数为：
其中，ωmin表示值较小的系数，ωmax表示值较大的系数，M表示局部区域匹配度，T表示局部区域阈值。
图像的邻域特性受多个因素的影响，其中局部区域能量和方差比较显著。局部区域均方差与图像细节的丰富程度有关，均方差值越大，表示图像细节较丰富，图像某点像素的增强值是由该点像素值与增强因子乘积决定，高频部分的像素增强值更能体现出图像的细节。ψA和ψB代表光子计数源图像A、B的增强因子：
其中，ψA和ψB分别代表光子计数源图像A和光子计数源图像B的增强因子，σA和σB分别表示光子计数源图像A、B的均方差。
步骤1004，计算两幅源图像的匹配度，并比较匹配度与自适应阈值的大小；
步骤1005，匹配度是否小于阈值；
判断匹配度是否小于自适应阈值，如果小于自适应阈值，执行步骤1006及步骤1008，如果匹配度大于或等于自适应阈值，执行步骤1007～步骤1008；
步骤1006，选择能量大的区域的像素点的增强值。
如果匹配度小于自适应阈值，即当M＜T时，说明在该区域中两幅源图像的能量差异较大，图像融合规则选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值，计算公式如下：
其中，ψA和ψB分别代表光子计数源图像A和光子计数源图像B的增强因子，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量。
步骤1007，加权法确定该点像素值。
如果匹配度大于或等于自适应阈值，即当M≥T时，采用加权区域能量法确定融合图像，则：
fF(m,n)＝ωAfA(m,n)+ωBfB(m,n)
上式中，ωA和ωB分别表示图像融合中的加权系数，其值是由局部区域能量决定的，如下：
其中，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量。
最终得到如下计算公式：
其中：ωmin表示值较小的系数，ωmax表示值较大的系数，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值。
步骤1008，图像重构得到光子计数融合图像。
对光子计数融合图像质量的评价方法主要包括主观评价和客观评价。主观评价往往随不同评价者有不同的评价，但主观评价能够快速得出评价爱结果，可是主观上的评价存在很大的误差，为了更精确地评价融合图像质量的优劣，采用了客观的评价，评价指标为均值、标准差、信息熵、平均梯度、空间频率。
均值表示图像中所有像素亮度值得平均值，均值在光子计数图像中反映的是图像的平均灰度值，计算公式如下：
其中，f(i,j)为点(i,j)处的像素值，R×S代表融合图像f的大小。
标准差描述了像素值与图像均值的离散程度，标准差的计算公式为：
其中，f(i,j)为点(i,j)处的像素值，R×S代表融合图像f的大小，μ表示均值。
图像的熵值是衡量图像信息丰富程度的一个重要指标，熵值的大小表示图像所包含的平均信息量的多少。
其中，这一幅图像的灰度分布为p＝(p1,p2,...,pi,...,pn)，pi表示图像中像素灰度值为i的概率，即灰度值为i的像素数与图像总像素数之比，H为图像总的灰度级数。
平均梯度反映了图像中的微小细节反差表达能力和纹理变化特征，计算公式为：
其中，分别为图像f在x、y方向上的差分，R×S代表融合图像f的大小。
空间频率SF反映一幅图像空间的总体活跃程度，公式为：
其中，f(i,j)为点(i,j)处的像素值，f(i,j-1)为点(i,j-1)处的像素值，f(i-1,j)为点(i-1,j)处的像素值，空间行频率RF和空间列频率CF，空间频率SF为RF和CF的均方根，R×S代表融合图像f的大小。
其中，这一幅图像的灰度分布为p＝(p1,p2,...,pi,...,pn)，pi表示图像中像素灰度值为i的概率，即灰度值为i的像素数与图像总像素数之比，H为图像总的灰度级数。E表示信息熵，图像的熵值是衡量图像信息丰富程度的一个重要指标，熵值的大小表示图像所包含的平均信息量的多少，图像的熵值越大，表示融合图像的信息量增加，融合图像所含的信息越丰富，融合质量越好。平均梯度G反映了图像中的微小细节反差表达能力和纹理变化特征，同时也反映了图像的清晰度，其值越大，表示图像越清晰，因此可以反映融合图像在微小细节反差表达能力上的差异。空间频率SF反映一幅图像空间的总体活跃程度，包括空间行频率RF和空间列频率CF，空间频率值越大，表示图像越清晰。
现存在有三幅基于冗小波变换进行光子计数图像的融合方法得到的融合图像：图像一、图像二以及图像三，其中图像一的融合规则是低频部分图像采用加权平均法，高频部分图像为小波系数取绝对值较大法，图像二的融合规则是低频部分图像采用加权平均法，高频部分图像为区域能量融合法，图像三的融合规则是低频部分图像采用加权平均融合法，高频部分图像采用自适应阈值区域能量的融合法，通过表1采用客观评价指标对融合结果进行评价：
| 均值(μ) | 标准差(σ) | 平均梯度(G) | 信息熵(E) | 空间频率(SF) | |
| 图像一 | 93.7220 | 54.9280 | 6.6113 | 7.1970 | 10.5665 |
| 图像二 | 95.4256 | 55.7129 | 6.9220 | 7.7568 | 13.3652 |
| 图像三 | 95.1087 | 55.1099 | 8.1051 | 9.9660 | 15.9561 |
表1
表1从客观上评价融合图像的图像效果，图像三在信息熵、平均梯度和空间频率的值相比于同组的图像一和图像二值大，说明其图像所含的信息越多，边缘信息以及细节越丰富，图像效果越好；而图像三的标准差和均值居中，不是最大也不是最小，说明图像三的融合图像有一定的反差、信息含量也较多，图像融合效果较好。通过以上数据分析，采用本发明算法得到的光子计数图像融合得到的图像，在信息熵、平均梯度和空间频率的数值比其他融合规则得到的图像提高了20％、25％、30％左右，图像质量和效果最好，边缘信息和纹理细节也比较明显。
由上述可知，本申请的基于自适应阈值的区域能量光子计数图像融合算法，通过比较采用自适应阈值区域能量的融合规则和其他融合规则得到的光子计数融合图像，验证了本发明自适应阈值区域能量融合规则法在图像融合中的优势。光子计数源图像经过变换后得到图像的高低频部分，图像的低频部分反映了源图像的近似和平均的特性，图像的高频部分反映了图像的突变和细节特性，对应于源图像的边缘和边界信息，采用改进区域能量的融合规则，对光子计数图像进行融合。实验结果表明，本发明自适应阈值融合规则进行图像融合得到的光子计数融合图像，主观上可以看出融合图像的目标轮廓更加清晰可见，细节更明显，目标更易于识别；客观评价指标上可以看出，融合图像的信息熵、平均梯度以及空间频率值都有所提高，融合图像效果更好。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：包括如下步骤：
步骤1001，在不同照度值下得到光子计数图像：源图像A和源图像B，对源图像A和源图像B进行冗余小波变换，分别获得源图像A和源图像B的高频部分图像、低频部分图像；
步骤1002，计算源图像A和源图像B的高频部分图像、低频部分图像的对应区域能量、邻域均方差、匹配度以及自适应阈值；
步骤1003，计算融合规则中的加权系数和增强因子；
步骤1004，计算两幅源图像的匹配度，并比较匹配度与自适应阈值的大小；
步骤1005，判断匹配度是否小于自适应阈值，如果小于自适应阈值，执行步骤1006及步骤1008，如果匹配度大于或等于自适应阈值，执行步骤1007～步骤1008；
步骤1006，如果匹配度小于自适应阈值，图像融合规则选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值；
步骤1007，如果匹配度大于或等于自适应阈值，采用加权区域能量法确定融合图像；
步骤1008，图像重构得到光子计数融合图像。
2.根据权利要求1所述的基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：步骤1001中所述的冗余小波变换，具体包括如下步骤：
步骤1001-1，定义一个卷积核为：
步骤1001-2，定义c0＝I0，I0代表原始图像；
步骤1001-3，定义n为分解图像得到的小波平面的个数；
步骤1001-4，令i＝1；
步骤1001-5，用ci-1和核hi做卷积，得到图像ci，即
步骤1001-6，通过计算ci-1和ci的差获取小波平面ωi，即ωi＝ci-ci-1；
步骤1001-7，i＝i+1；
步骤1001-8，如果i≤n，则转到步骤1001-1；
由于用àtrous算法计算出的小波平面具有相同的大小，恢复图像I时将所有小波平面ωi和余量平面cn相加，即：
3.根据权利要求1所述的基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：所述的步骤1002，包括如下步骤：
步骤1002-1：选择3x3的窗口计算局部区域能量，计算公式如下：
其中，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量；表示A×B在j分辨率下，ε方向上以(m,n)为中心的局部区域的能量；K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，ω(i,j)是权系数；fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值，表示源图像A在三个方向的高频部分图像，代表源图像B在三个方向的高频部分图像；
步骤1002-2：根据局部区域能量计算两幅源图像对应局部区域的匹配度M为：
其中，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量；表示A×B在j分辨率下，ε方向上以(m,n)为中心的局部区域的能量；
步骤1002-3：计算局部区域的均值和均方差，如下：
其中，μA和μB分别表示光子计数源图像A、B的均值，σA和σB分别表示光子计数源图像A、B的均方差，K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值；
步骤1002-4：由计算得到的均值和均方差，计算出与局部区域匹配度M相对应的局部区域阈值T：
其中，K和L表示局部区域的大小，m＝1,2,3,…K，n＝1,2,3,…L，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值，μA和μB分别表示光子计数源图像A、B的均值。
4.根据权利要求1所述的基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：步骤1003中所述的加权系数为：
其中，ωmin表示值较小的系数，ωmax表示值较大的系数，M表示局部区域匹配度，T表示局部区域阈值。
5.根据权利要求1所述的基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：步骤1003中所述的增强因子为：
其中，ψA和ψB分别代表光子计数源图像A和光子计数源图像B的增强因子，σA和σB分别表示光子计数源图像A、B的均方差。
6.根据权利要求1所述的基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：在所述的步骤1006中，选择能量大的区域的像素点的增强值作为融合图像中相对应的像素点值，其计算公式为：
其中，ψA和ψB分别代表光子计数源图像A和光子计数源图像B的增强因子，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量。
7.根据权利要求1所述的基于自适应阈值的区域能量光子计数图像融合算法，其特征在于：在所述的步骤1007中，加权区域能量法计算公式为：
fF(m,n)＝ωAfA(m,n)+ωBfB(m,n)
上式中，ωA和ωB分别表示图像融合中的加权系数，其值是由局部区域能量决定的，如下：
最终得到如下计算公式：
其中：ωmin表示值较小的系数，ωmax表示值较大的系数，表示源图像A在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，表示源图像B在j分辨率下、ε方向上以(m,n)为中心的局部区域的能量，fA(m,n)表示源图像A在(m,n)点的像素值，fB(m,n)表示源图像B在(m,n)点的像素值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910073899.2A CN109816618A (zh) | 2019-01-25 | 2019-01-25 | 一种基于自适应阈值的区域能量光子计数图像融合算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910073899.2A CN109816618A (zh) | 2019-01-25 | 2019-01-25 | 一种基于自适应阈值的区域能量光子计数图像融合算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109816618A true CN109816618A (zh) | 2019-05-28 |
Family
ID=66605032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910073899.2A Pending CN109816618A (zh) | 2019-01-25 | 2019-01-25 | 一种基于自适应阈值的区域能量光子计数图像融合算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816618A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111693469A (zh) * | 2020-04-30 | 2020-09-22 | 新绎健康科技有限公司 | 一种测试光路系统稳定性的方法及系统 |
| CN114399448A (zh) * | 2021-11-22 | 2022-04-26 | 中国科学院西安光学精密机械研究所 | 一种基于非下采样剪切波变换的多偏振信息选通融合方法 |
| CN116167956A (zh) * | 2023-03-28 | 2023-05-26 | 无锡学院 | 基于非对称多层分解的isar与vis图像融合方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867294A (zh) * | 2012-05-28 | 2013-01-09 | 天津大学 | 基于傅里叶和小波正则化的同轴相衬图像恢复方法 |
| CN103065291A (zh) * | 2012-12-26 | 2013-04-24 | 辽宁师范大学 | 基于提升小波变换和像素区域相关性的图像融合方法 |
| CN103530862A (zh) * | 2013-10-30 | 2014-01-22 | 重庆邮电大学 | 基于nsct的邻域特性区域化的红外与微光图像融合方法 |
| CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
-
2019
- 2019-01-25 CN CN201910073899.2A patent/CN109816618A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867294A (zh) * | 2012-05-28 | 2013-01-09 | 天津大学 | 基于傅里叶和小波正则化的同轴相衬图像恢复方法 |
| CN103065291A (zh) * | 2012-12-26 | 2013-04-24 | 辽宁师范大学 | 基于提升小波变换和像素区域相关性的图像融合方法 |
| CN103530862A (zh) * | 2013-10-30 | 2014-01-22 | 重庆邮电大学 | 基于nsct的邻域特性区域化的红外与微光图像融合方法 |
| CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| HONG-YU ZHONG等: ""Photon Counting Image Fusion Algorithm Based on Adaptive Threshold of Regional Energy"", 《2018 INTERNATIONAL CONFERENCE ON INFORMATION, ELECTRONIC AND COMMUNICATION ENGINEERING (IECE 2018)》 * |
| 徐萌萌: ""基于小波变换的图像融合算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 金晓光: ""毫米波和红外复合成像关键技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693469A (zh) * | 2020-04-30 | 2020-09-22 | 新绎健康科技有限公司 | 一种测试光路系统稳定性的方法及系统 |
| CN111693469B (zh) * | 2020-04-30 | 2023-03-14 | 新绎健康科技有限公司 | 一种测试光路系统稳定性的方法及系统 |
| 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 |
| CN114399448A (zh) * | 2021-11-22 | 2022-04-26 | 中国科学院西安光学精密机械研究所 | 一种基于非下采样剪切波变换的多偏振信息选通融合方法 |
| CN114399448B (zh) * | 2021-11-22 | 2023-04-11 | 中国科学院西安光学精密机械研究所 | 一种基于非下采样剪切波变换的多偏振信息选通融合方法 |
| CN116167956A (zh) * | 2023-03-28 | 2023-05-26 | 无锡学院 | 基于非对称多层分解的isar与vis图像融合方法 |
| CN116167956B (zh) * | 2023-03-28 | 2023-11-17 | 无锡学院 | 基于非对称多层分解的isar与vis图像融合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816618A (zh) | 一种基于自适应阈值的区域能量光子计数图像融合算法 | |
| CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
| CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
| CN106846289B (zh) | 一种红外光强与偏振图像融合方法 | |
| Yu et al. | Coarse iris classification using box-counting to estimate fractal dimensions | |
| CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
| CN110111256B (zh) | 基于残差蒸馏网络的图像超分辨重建方法 | |
| Lai et al. | Improved local histogram equalization with gradient-based weighting process for edge preservation | |
| CN106251332B (zh) | 基于边缘特征的sar图像机场目标检测方法 | |
| CN108509843B (zh) | 一种基于加权的Huber约束稀疏编码的人脸识别方法 | |
| 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 | |
| CN108510499A (zh) | 一种基于模糊集和Otsu的图像阈值分割方法及装置 | |
| CN106530244B (zh) | 一种图像增强方法 | |
| Nie et al. | Two-dimensional extension of variance-based thresholding for image segmentation | |
| CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
| CN109146890A (zh) | 基于滤波器的高光谱图像的异常目标检测方法 | |
| CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
| CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
| CN108898569A (zh) | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 | |
| CN104951800A (zh) | 一种面向资源开采型地区的遥感影像融合方法 | |
| CN113298147B (zh) | 基于区域能量和直觉模糊集的图像融合方法及装置 | |
| CN106023208B (zh) | 图像质量的客观评价方法 | |
| Tahmasebi et al. | A novel adaptive approach to fingerprint enhancement filter design | |
| Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
| Suresh et al. | Improving the mammogram images by intelligibility mammogram enhancement method |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
| RJ01 | Rejection of invention patent application after publication |