论文部分内容阅读
近年来，随着图像传感器技术的发展，图像融合在机器视觉、医疗诊断、遥感影像分析等各个领域都得到了广泛的应用与发展，其融合算法也是近年来中外学者研究的热点与难点。针对传统基于空间域方法得到的融合图像存在细节表现力差、对比度低、块状效应等问题，基于多尺度几何分析的图像融合方法成为近年来研究的重点。基于小波变换的算法与基于Contourlet变换的算法是常用的图像融合算法，但小波变换只能捕获有限的方向信息，Contourlet变换因缺乏平移不变性而易产生伪吉布斯效应。本论文在基于改进的Contourlet变换的图像分析基础上，将聚焦区域检测技术、改进的脉冲耦合神经网络(IPCNN)、模糊逻辑以及方向权重拉普拉斯能量和(SDWL)引入图像融合算法中，分别提出了两种针对不同种类图像的融合新算法。本文的主要工作内容以及创新点如下： (1)研究了二维小波变换、Contourlet变换和改进的 Contourlet变换的基本原理和特点。针对小波变换只能捕获有限的方向信息以及Contourlet变换频率局部化特性较差的缺点，选取改进的Contourlet变换作为多尺度几何分析工具对待融合图像进行分析处理。理论分析和实验结果表明，改进的Contourlet变换具有良好的稀疏性、各向异性和频率局部化特性。 (2)针对单纯基于多尺度几何分析的多聚焦融合图像聚焦精确性不高的问题，提出了一种基于改进的Contourlet变换与聚焦区域检测的多聚焦图像融合算法。首先，通过初始融合图像检测出待融合图像中大致的聚焦区域，然后利用形态学开闭运算对检测到的聚焦区域进行校正，最后在确定的聚焦区域上利用IPCNN得到融合图像。理论分析与实验结果表明，该算法能更精确的检测出源图像中的聚焦区域，从而进一步提高多聚焦图像融合的效果。 (3)针对变换域中基于局部区域的融合规则对分解系数多方向性利用率不高的问题，本文提出了一种基于改进的Contourlet变换与方向权重拉普拉斯能量和的多光谱与全色图像融合算法。该算法设计了能与图像分解系数的多方向特性相匹配的SDWL，并且在改进的Contourlet变换的基础上，将其与模糊逻辑算法进行综合运用，以实现多光谱与全色图像的融合。实验结果表明，该算法能充分利用变换系数的多方向特性，使得融合图像在保持原多光谱图像光谱特征的同时，还具有很高的空间分辨率。