论文部分内容阅读
图像融合技术是图像处理领域的一个重要研究方向,其目的是将多个传感器中关于同一目标所获得的多个图像,进行一定的信息融合处理,最大程度地提取多幅图像中感兴趣的信息,最终融合成一幅新的图像。融合后的图像不仅保留各多源图像中重要的特征信息,同时也增强了图像的清晰度,改善了源图像质量,且更加符合人眼视觉效果,便于计算机进行相应的图像处理。目前,图像融合技术的主要研究方向有遥感图像融合、红外与可见光图像融合、医学图像融合等。在医学研究、遥感处理、地质勘察、军事目标识别以及计算机视觉等方面具有广泛的应用。近年来,一些基于多尺度变换方法在图像融合领域成为研究热点,如金字塔变换、小波变换、轮廓波变换等,这些传统方法在图像融合中所获得的图像通常会存在边缘模糊、细节纹理缺失、不符合人眼视觉特征等问题,本文通过分析多源图像的特性,分别针对多尺度变换分解后低频和高频子带的各自特点,提出不同的改进方法,在融合图像的边缘清晰度以及细节信息上都有较大的改善。在图像融合算法的研究中,本文的主要工作及创新点如下:1.提出了一种基于改进的稀疏表示和脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)的图像融合算法。该算法首先利用非下采样剪切波(Non-Subsampled Shearlet Transform,NSST)对源图像进行多尺度分解,分别得到一个低频子带以及多个不同尺度不同方向的高频子带。对于低频子带部分,该算法提出一种改进的稀疏表示方法作为融合规则,首先利用K奇异值分解算法分别求出两幅源图像各自的自适应学习字典,然后将得到的两个子字典构造成联合字典,并利用正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法求解稀疏系数,最终获取源图像低频子带信息的融合系数。对于高频子带,该算法提出了一种改进的PCNN方法来进行融合,利用改进的空间频率作为PCNN神经元反馈输入,根据点火输出的总幅度最大的融合规则来选择源图像高频子带的系数。最后,将融合后的低频子带和各个高频子带系数进行NSST逆变换,得到融合图像。经实验验证,该算法很好的保留了源图像的特征信息,融合图像更加清晰,在客观评价上也取得了良好的效果。2.提出了一种基于改进的引导滤波和双通道PCNN的图像融合算法。该算法首先利用NSST对源图像进行多尺度分解,得到一个低频子带和多个高频子带。对于图像的低频子带部分,该算法采用改进的引导滤波算法进行融合。为了加强图像边缘信息,该算法采用相位一致性作为引导滤波的权重因子;对于图像的高频部分,该算法针对第一个算法中传统PCNN模型运算复杂度较高、收敛速度慢的不足,提出一种改进的双通道PCNN作为融合规则,将改进的拉普拉斯能量和作为双通道PCNN的激励输入,并将改进的空间频率作为链接强度;最后,对融合后的低频和高频子带进行NSST逆变换,得到最终的融合图像。实验结果表明,所提算法不仅较好地保留了源图像的特征信息,并且融合后的图像更加清晰,在互信息量、信息熵、空间频率等客观评价指标上取得了良好的效果。实验对比结果表明,该算法在图像融合效果以及融合速率上具有较强优势,并且在融合图像的质量和精度上也有明显提升。