论文部分内容阅读
由于光学成像设备具有有限的聚焦范围,通常同一场景下不同距离的景物很难清晰地呈现在一幅图像中。这个问题可以利用图像融合技术得到有效的解决。该技术将一组同场景下不同聚焦情况的图像融合成一幅目标对象都清晰的图像,从而获得更丰富、更准确的信息描述,以便进一步的图像分析和处理。近年来,多聚焦图像融合已经在各个领域得到了普遍应用,如信息安全、医学处理、军事作战以及气象预报等。本文针对传统多聚焦图像融合方法获得的图像存在的对比度低、边缘细节信息缺失以及未能很好地符合人类视觉特性等问题,在像素级融合的基础上利用多尺度几何分析方法,结合多聚焦图像自身特点和区域特征,提出两种新算法:1.提出一种基于剪切波（Shearlet）变换的改进加权法与自适应的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）相结合的多聚焦图像融合算法。首先对两幅源图像分别进行Shearlet分解,分别获得一个低频子带和一系列不同尺度不同方向的高频子带。由于源图像的低频子带的和包含能量信息,低频子带的差的绝对值包含边缘信息。所提算法将这两部分加权求和,权值由低频子带的平均梯度计算,获得融合后的低频子带;源图像的高频子带采取自适应的PCNN融合规则,将拉普拉斯能量和（sum-modified Laplacian,SML）作为PCNN的激励,通过源图像的区域空间频率（Spatial Frequency,SF）自适应计算PCNN的链接强度?,根据PCNN的点火映射图选择相应的高频系数,获得融合后的高频子带。最后通过Shearlet逆变换获得融合图像。将所提方法与多种常见的融合方法作比较,并用多组多聚焦图像作测试,结果表明所提方法从主观视觉和客观评价方面都有很好的效果。2.提出一种基于Shearlet变换的粒子群优化（Particle Swarm Optimization,PSO）与加权新改进拉普拉斯能量和（New sum-modified Laplacian,NSML）相结合的多聚焦图像融合算法。首先对两幅源图像分别进行Shearlet变换,分别获得一个低频子带和一系列不同尺度不同方向的高频子带。对于低频子带,通过比较对应低频系数的大小,选择不同的加权规则获得融合后的低频子带。其中,权值由PSO算法选择,PSO算法的适应度函数设计为低频融合图像的互信息量（Mutual Information,MI）与QAB F算子的乘积;对于高频子带,通过比较其区域内的加权NSML选择相应的高频系数获得融合后的高频子带。最后通过Shearlet逆变换获得融合图像。将所提方法与多种常见的融合方法作比较,并用多组多聚焦图像作测试,结果表明所提方法从主观视觉和客观评价方面都有很好的效果。