论文部分内容阅读
图像融合是将多幅具有互补信息和冗余特性的图像通过某种数学模型进行综合处理的一门技术,研究其相关理论与方法具有重要意义。在众多的图像融合技术中,基于多尺度分析的图像融合方法如今已成为研究的热点,这类融合方法的关键在于图像多尺度分解工具的选取和融合规则的制定。二维经验模态分解作为一种新的图像分解工具,非常适用于非线性和非稳态数据分析。与传统的小波变换相比,二维经验模态分解完全不依赖于小波基,是一种自适应的分解工具。为此,本文将二维经验模态分解应用于图像融合,系统地研究了基于二维经验模态分解的图像融合方法。本文的主要工作如下:(1)根据在图像融合中的应用场景不同对现有的二维经验模态分解工具进行了总结和归类,具体分为4大类:基于行列交叉分解的经验模态分解、复数经验模态分解、基于插值函数的经验模态分解和基于局部均值的经验模态分解。详细介绍了各分解工具的分解特性及优缺点,并结合具体的分解实例,直观地阐明了各分解工具的差异。(2)针对基于插值函数的经验模态分解应用于图像融合时存在IMF个数和频率不匹配的问题,提出了一种新的基于固定迭代次数和协调操作的解决方案,并对分解所得的IMF分量和残差分量分别设计了不同的融合规则,提出了一种基于局部区域特性和改进二维经验模态分解(IBEMD)的图像融合方法。该方法对于多聚焦图像融合、遥感图像融合和医学图像融合均十分有效,能够充分挖掘源图像中的互补特性,保留源图像的有效信息,具有一定的应用价值。(3)通过分析基于局部均值的经验模态分解(LAVEMD)的分解特性,并结合脉冲耦合神经网络(PCNN)的点火特性,提出了一种基于LAVEMD和PCNN的医学图像融合新方法。该方法通过基于局部均值的经验模态分解将图像的高频细节信息与低频细节信息相分离,并针对不同信息设计了不同的融合规则:高频信息通过自适应PCNN模型来选择图像的清晰区域,低频信息采用区域能量法增强细节。融合实例表明,所提方法对于多模态医学图像融合十分有效,可以为临床诊断与治疗提供可靠的参考信息。