论文部分内容阅读
图像融合是指将来自不同传感器的多幅图像，或单一传感器多次获取的源图像，按照某种规则，融合成一幅新图像的过程。融合图像比源图像包含的信息量更多，轮廓也更清晰，更利于后期处理。本文所研究的多聚焦图像融合是图像融合技术中的一个研究热点。该技术能够有效地提高系统对目标探测识别的可靠性和图像信息的利用率，在机器视觉、数码相机、目标识别等领域中的应用日益广泛。本文针对传统多聚焦图像融合算法易导致融合后图像对比度降低，边缘等细节信息丢失，不能很好地适应人类视觉特性等缺点，在充分研究多尺度几何分析工具和多聚焦图像特点的基础上，提出了两种新算法：1、提出了一种基于离散剪切波变换（Shearlet）和自适应脉冲耦合神经网络（PCNN）的图像融合新算法。该算法利用Shearlet变换将已配准的两幅待融合图像分解，针对低频和高频子带系数的各自特点，采用不同的融合规则进行处理。低频子带系数采用区域能量的方法；对于高频子带系数，采用自适应PCNN的融合规则。融合后的高、低频系数作为Shearlet逆变换的输入，从而得到融合图像。与传统的基于PCNN模型的融合算法中利用经验法确定PCNN连接系数的方式不同，本文选用能够反映图像特征的梯度能量作为连接系数，使得连接系数的大小能够根据梯度能量的变化自适应地调整。大量多聚焦图像实验结果表明，本文算法的融合效果优于传统图像融合算法。2、提出了一种基于Shearlet变换和图像区域特性的融合算法。低频子带系数依然采用基于区域能量的融合规则；对于高频子带系数，考虑到图像的方差、平均梯度、空间频率等因子在某种程度上都能反映图像的高频细节信息，提出基于多重判据的融合规则。实验结果表明：与传统的仅考虑单一判据的方法相比，该方法较好地保留了源图像的边缘及细节信息，增加了图像的信息量，具有较好的融合效果。