论文部分内容阅读
由于图像采集设备的限制,难以从单一图像得到固定场景或者目标的全部信息,不利于完成下一步的特征提取、目标识别等工作。图像融合技术利用多幅输入图像的信息互补性,获得了一幅更加符合人类和机器视觉特性的融合图像,可以有效改善单一图像不能完整表达原始信息的情况。近几年学者们提出了很多基于空域的多聚焦图像融合算法,力图得到更为精确的聚焦和非聚焦区域。这些算法虽然取得了较好的效果,但是聚焦区域的边界确定仍是研究的难点。因此,本文利用不同的聚焦度量方法实现了区域检测,并进行不同的边界处理。本文研究内容和成果如下:（1）提出了一种基于形态分量分析（Morphological Component Analysis,MCA）和聚焦区域检测的融合算法。针对MCA方法不能有效提取图像特征的问题,利用非下采样剪切波变换（Non-subsampled Shearlet Transform,NSST）提取分解子图更完整的细节信息实现聚焦度量。相比于传统MCA算法,增加了对权重图的二次处理,并通过对两个权重图设定阈值的方式,提取出边界区域。为了降低上述算法的复杂度,又提出了一种结合Sobel算子的改进融合方法,该方法对纹理子图进行梯度变换以实现聚焦度量。实验结果表明,本文提出的方法在主观视觉和客观指标方面都获得了更好的效果。（2）提出了一种基于改进结构显著性和非下采样轮廓波变换（Non-subsampled Contourlet Transform,NSCT）的图像融合算法。针对目前很多空间域算法不能正确检测出小区域的问题,利用改进结构显著性和引导滤波实现了聚焦度量,有效提高了小区域检测的准确性。此外,由于边界区域实际是清晰像素和不清晰像素的混合,所以对决策图进行形态学变换以获得边界,并利用变换域方法NSCT进行分解和重构,以增加融合结果的空间结构信息。实验结果表明,融合图像的细节更清晰,质量更高。（3）提出了一种基于梯度信息和广义随机游走（Generalized Random Walks,GRW）的图像融合算法。利用引导滤波细节增强特性,提出了结合改进最大对称环绕（Maximum Symmetric Surround,MSS）和梯度信息的聚焦区域检测方法。针对目前算法对聚焦区域边界易产生误判的问题,本文利用三种不同的聚焦度量方式得到初始决策图,然后采用异或的操作得到边界,并结合广义随机游走算法实现聚焦区域精确的融合。该方法避免了边界效应的出现,得到了更好的融合结果。