《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 可編程邏輯 > 設(shè)計應(yīng)用 > HSV空間的彩色多聚焦圖像融合
HSV空間的彩色多聚焦圖像融合
來源:微型機與應(yīng)用2014年第8期
劉艷英1,2, 凌朝東1,2
(1. 華僑大學(xué) 信息科學(xué)與工程學(xué)院, 福建 廈門361021,; 2. 廈門市專用集成電路系統(tǒng)重點實
摘要: 針對彩色多聚焦融合圖像對比度和飽和度偏低以及色調(diào)變化緩慢問題,,提出了一種基于HSV空間的圖像融合算法。首先對源圖像進(jìn)行RGB到HSV空間的變換,,分離H,、S、V分量,;然后對亮度分量進(jìn)行小波分解,,小波尺度系數(shù)采用塊自適應(yīng)加權(quán)融合,而高頻系數(shù)采用塊絕對值取大的融合規(guī)則之后進(jìn)行小波逆變換得到融合圖像亮度分量,;而色調(diào)分量與飽和度分量的獲取,,則是根據(jù)源圖像與融合圖像之間亮度分量的歐氏距離;最后進(jìn)行HSV逆變換得到融合圖像,。實驗結(jié)果表明,,該算法有效提高了圖像的對比度、飽和度以及色調(diào)變化速度,。
Abstract:
Key words :

摘  要: 針對彩色多聚焦融合圖像對比度和飽和度偏低以及色調(diào)變化緩慢問題,,提出了一種基于HSV空間的圖像融合算法。首先對源圖像進(jìn)行RGB到HSV空間的變換,,分離H,、S、V分量,;然后對亮度分量進(jìn)行小波分解,,小波尺度系數(shù)采用塊自適應(yīng)加權(quán)融合,而高頻系數(shù)采用塊絕對值取大的融合規(guī)則之后進(jìn)行小波逆變換得到融合圖像亮度分量,;而色調(diào)分量與飽和度分量的獲取,,則是根據(jù)源圖像與融合圖像之間亮度分量的歐氏距離;最后進(jìn)行HSV逆變換得到融合圖像,。實驗結(jié)果表明,,該算法有效提高了圖像的對比度、飽和度以及色調(diào)變化速度。
關(guān)鍵詞: 彩色圖像,;圖像融合,;彩色空間變換;塊處理

     人類視覺對色彩的敏感度和分辨率遠(yuǎn)高于灰度,,彩色圖像融合受到廣大學(xué)者的關(guān)注[1-2],。彩色多聚焦圖像融合通過處理聚焦于不同目標(biāo)的多幅源圖像,得到一幅各個目標(biāo)都清晰的圖像,,有效提高了信息利用率,,增強了目標(biāo)識別性,廣泛應(yīng)用于數(shù)碼相機,、機器視覺及目標(biāo)識別等領(lǐng)域,。
    圖像融合分為像素級、特征級和決策級3個層次[3],。自1979年Daliy等人首次融合雷達(dá)圖像和Landsat-MT圖像發(fā)展至今,,像素級融合形成了兩種研究路線:空間域(時間域)融合和多分辨分析(變換域)融合。多分辨率分析因其分解過程與人類視覺多通道特性相契合,,可獲得更符合視覺特性的融合效果而成為研究熱點[4-5],。本文針對灰度融合算法應(yīng)用于彩色圖像存在的問題,提出一種基于HSV空間的彩色圖像融合新算法,。
1 彩色空間變換
 彩色與灰度圖像的根本區(qū)別是:彩色圖像像素點用矢量表示,,而灰度圖像像素點只用一個標(biāo)量表示。目前彩色圖像處理多數(shù)仍基于單色技術(shù),,忽略彩色分量間的聯(lián)系,,將灰度處理技術(shù)分別作用于各分量。于是選擇合適的彩色空間成為彩色圖像處理的重要前提,。
    RGB空間基本囊括了人類視覺能感知的顏色,,但是各分量間相關(guān)性強,該空間下融合的圖像飽和度偏低,。HSV是目前最符合人類視覺感知的模型,H、S,、V分別代表色調(diào),、飽和度和亮度,。色調(diào)即顏色屬性,,用角度度量,取值范圍是0°~360°,;飽和度代表顏色純凈程度,,亮度表示圖像明亮程度,是對灰度的衡量,,它們的范圍都是0~1,。RGB到HSV的轉(zhuǎn)換表達(dá)式為:

    Mallat算法的可逆性實現(xiàn)了圖像的小波分解與重構(gòu),。低頻分量頻率分辨率高而時間分辨率低,高頻分量頻率分辨率低而時間分辨率高,;低頻系數(shù)反映圖像輪廓信息,高頻系數(shù)反映圖像細(xì)節(jié),,采用不同的融合規(guī)則可以提高信息利用率,。
2.2 融合規(guī)則分析
    融合規(guī)則是影響融合圖像質(zhì)量的關(guān)鍵,圖像信息一般同時來自相鄰的幾個像素點,,因此分塊處理可比單像素處理獲得更多有效信息,。分塊太小不能包含像素點的有效信息,太大則會引入干擾信息,,經(jīng)仿真實驗可知,,圖像在5×5分塊時獲得的信息最大。
 低頻系數(shù)決定了圖像整體輪廓,,合理地選擇可提高圖像視覺質(zhì)量,。平均法能有效消除噪聲,卻犧牲了對比度,。BURT P J曾提出平均與選擇相結(jié)合的算法[6],,但匹配矩陣的計算過程復(fù)雜;晁銳提出基于邊緣的選擇方案[7],融合圖像細(xì)節(jié)保留更為豐富,,計算時卻需要3個模板算子參與卷積,,運算復(fù)雜。為消除噪聲,,降低運算量,,同時盡可能少地犧牲對比度,本文提出基于塊的自適應(yīng)加權(quán)規(guī)則,。將圖像I(x,y)的小波系數(shù)劃分為若干個大小為m×n的子塊,,CA,k、CB,k和CF,k分別表示源圖像A,、B和融合圖像F的第k個子塊的低頻系數(shù),,SA,k、SB,k表示源圖像A,、B第k個子塊系數(shù)絕對值之和,。低頻系數(shù)融合算法為:

 


    (4)得到HSV空間的彩色圖像后進(jìn)行HSV逆變換, 獲得各個目標(biāo)都清晰的RGB空間融合圖像,完成彩色多聚焦圖像融合,。
3 實驗結(jié)果和評價
3.1 融合結(jié)果評價標(biāo)準(zhǔn)選取

    一般采用主觀與客觀相結(jié)合的方式對融合圖像進(jìn)行質(zhì)量評價[8],。主觀評價對圖像全局效果進(jìn)行評定,簡單快捷,,但容易因個體差異而出現(xiàn)評價不一的情況,,常作為輔助參考,。客觀評價是進(jìn)行定量分析,,被作為算法性能比較的參考指標(biāo),。灰度多聚焦融合圖像常用的客觀評價指標(biāo)有平均梯度,、方差,、空間頻率和交叉熵,而本試驗對象為彩色圖像,,對空間頻率進(jìn)行擴展,,同時引入了平均飽和度。為方便表述,,進(jìn)行以下定義:M,、N表示圖像行、列像素數(shù),,V(x,y),、H(x,y)、S(x,y)依次表示點(x,y)處的亮度,、色調(diào),、飽和度,L表示灰度級數(shù),,pA(i),、pB(i)、pF(i)表示第i灰度級的概率,,亮度分量在計算時已將其調(diào)整至0~255,。
    平均梯度反映圖像微小細(xì)節(jié)部分的反差與紋理變換特征,值越大圖像越清晰,。計算公式為:

3.2 實驗分析
    本實驗圖像配準(zhǔn)和融合均在MATLAB R2010b環(huán)境下進(jìn)行,,原始圖像由佳能EOS 550D單反相機拍攝而得,圖像大小為768×512,。實驗進(jìn)行了3組仿真:第1組是在RGB空間下采用參考文獻(xiàn)[7]中低頻系數(shù)取平均,,高頻系數(shù)絕對值取大的融合規(guī)則;第2組在HSV空間下采用與第1組相同的融合規(guī)則,;第3組是在HSV空間下采用本文提出的算法,。3組仿真均選取bior2.2小波基。經(jīng)仿真比較發(fā)現(xiàn),前兩組在兩層分解時融合效果最佳,,而第3組在3層分解時融合效果最佳,。源圖像和3組最佳融合效果圖如圖1所示。
    從圖1可以看出:圖1(d)質(zhì)量最差,,說明對顏色信息進(jìn)行多分辨分析會引起色調(diào)失真而且還會產(chǎn)生“色斑”,;圖1(c),、圖1(e)模糊區(qū)域清晰度均得到提高,但是與源圖像清晰部分相比,融合圖像卻是模糊的,。比較3幅圖發(fā)現(xiàn)圖1(e)左邊字體更清晰,,可見本文所提出的融合算法具有一定的優(yōu)勢。為客觀地進(jìn)行比較,,將源圖像和3組融合圖像的客觀評價指標(biāo)列于表1中,。

    從表1可以看出,采用新提出算法的第3組實驗梯度,、方差、空間頻率,、交叉熵優(yōu)于另外兩組實驗,,飽和度則介于兩者之間,且優(yōu)于第1組RGB空間融合19.516 5%。
    本文簡單介紹了HSV顏色空間及小波變換,,通過實驗驗證圖像灰度信息和顏色信息分離處理的合理性,,提出一種彩色多聚焦圖像融合算法:亮度分量進(jìn)行小波多分辨分析,而色調(diào)與飽和度分量則采用歐氏距離法,。經(jīng)MATLAB仿真可知,,本文算法有效改善了彩色圖像融合中圖像色調(diào)變化緩慢、對比度及飽和度偏低的問題,。
參考文獻(xiàn)
[1] NUNEZ J,OTAZU X,FORS O,et al. Multiresolution-based  image fusion with additive wavelet decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999,37(3):1204-1211.
[2] 李光鑫,,徐抒巖,董吉洪. 結(jié)構(gòu)優(yōu)化型顏色傳遞融合方法[J].電子學(xué)報,,2011,39(1):213-218.
[3] 毛士藝,,趙巍. 多傳感器圖像融合技術(shù)綜述[J]. 北京航空航天大學(xué)學(xué)報,2002,,28(25):512-518.
[4] 施文娟.基于NSCT的自適應(yīng)多聚焦圖像融合算法[J].微型機與應(yīng)用,,2012,31(19):45-47.
[5] 高穎,,王阿敏,,王鳳華,等.改進(jìn)的小波變換算法在圖像融合中的應(yīng)用[J].激光技術(shù),,2013,37(5):690-695.
[6] BURT P J, KOLCZYNSKI R J. Enhanced image capture through fusion[C]. Proceedings of 4th International Conference on Computer Vision, 1993:173-182.
[7] 晁銳,, 張科, 李言俊. 一種基于小波變換的圖像融合算法[J].電子學(xué)報,,2004,32(5):750-753.
[8] 南棟,,畢篤彥,查宇飛,,等.基于參數(shù)估計的無參考型圖像質(zhì)量評價算法[J].電子與信息學(xué)報,,2013,35(9):2066-2072.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。