摘 要: 提出了一種新的圖像融合算法——基于邊緣檢測(cè)的雙樹復(fù)小波圖像融合算法,。多聚焦圖像經(jīng)過(guò)雙樹復(fù)小波變換較好地克服了傳統(tǒng)小波變換的平移敏感性等缺點(diǎn),;低頻系數(shù)利用邊緣信息進(jìn)行融合,較好地保留了圖像的細(xì)節(jié)信息,,提高了融合圖像的質(zhì)量,;高頻系數(shù)則采用常見(jiàn)的基于區(qū)域特征的融合規(guī)則,。實(shí)驗(yàn)結(jié)果證明,該算法能夠有效地提高融合圖像的清晰度,,細(xì)節(jié)更為豐富,。
關(guān)鍵詞: 圖像融合;雙樹復(fù)小波變換,;邊緣檢測(cè)
0 引言
圖像融合[1-3]指對(duì)多幅源自于同一場(chǎng)景的圖像進(jìn)行綜合,,以獲取更好的視覺(jué)效果和易于機(jī)器識(shí)別為目的,產(chǎn)生比單一信源更精確,、更完全,、更可靠的圖像。圖像融合屬于信息融合的一個(gè)分支,,能夠有效地去除參與融合的多幅圖像中冗余或干擾信息,,反映多幅源圖像的信息,使獲得的圖像更加準(zhǔn)確,、完整,,便于更綜合、全面地判斷和分析圖像,,彌補(bǔ)了單一成像系統(tǒng)的不足,。20世紀(jì)70年代后期提出圖像融合概念后,國(guó)內(nèi)外對(duì)圖像融合算法的研究以及相關(guān)應(yīng)用的探討已取得了長(zhǎng)足的發(fā)展,。圖像融合處理可在像素級(jí),、特征級(jí)以及決策級(jí)三個(gè)層面上進(jìn)行,圖像的像素級(jí)融合主要可分為兩類:基于空域和基于變換域,。隨著小波變換理論的完善,,基于小波的圖像融合方法已成為國(guó)內(nèi)外像素級(jí)圖像融合方法的研究熱點(diǎn)[4-7]。目前,,大多數(shù)的小波變換圖像融合算法主要是針對(duì)高頻信息的融合規(guī)則進(jìn)行討論,,對(duì)低頻信息僅采取簡(jiǎn)單的加權(quán)平均融合規(guī)則。然而,,圖像經(jīng)過(guò)小波變換后,,主要的能量都包含在低頻信息中,,融合的質(zhì)量很大程度上都取決于低頻信息融合規(guī)則的選取,。因此,對(duì)低頻信息的融合規(guī)則研究具有相當(dāng)重要的意義,。
傳統(tǒng)的離散小波變換(DWT)存在平移敏感性和缺乏方向選擇性等缺陷,,嚴(yán)重地影響了小波域信號(hào)處理效果。IVAN W S[8]等人提出的雙樹復(fù)小波變換(DT-CWT)成功地解決了傳統(tǒng)DWT的缺陷,,并已成功應(yīng)用于圖像融合領(lǐng)域[9-11],。本文針對(duì)雙樹復(fù)小波變換以及低頻信息融合規(guī)則進(jìn)行研究,,提出了一種新的圖像融合算法——基于邊緣檢測(cè)的雙樹復(fù)小波圖像融合算法。該算法能夠有效提高圖像融合的清晰度及質(zhì)量,。
1 雙樹復(fù)小波變換
雙樹復(fù)小波變換(DT-CWT)結(jié)構(gòu)示意圖如圖1所示,。當(dāng)對(duì)應(yīng)小波基(圖1中的h0和g0、h1和g1)近似滿足Hilbert變換關(guān)系時(shí),,雙樹復(fù)小波變換能夠近似滿足平移不變性,,并具有良好的方向選擇性。在二維雙樹復(fù)小波變換中實(shí)部與虛部都具有6個(gè)方向子帶,,分別指向±15°,,±45°和±75°方向。這些優(yōu)點(diǎn)使雙樹復(fù)小波變換為圖像融合提供了更好的條件,。
2 融合規(guī)則
基于小波變換的圖像融合方法基本思想如圖2所示,。先對(duì)源圖像進(jìn)行小波分解,得到不同頻率的不同特征域的圖像表示,,在各個(gè)特征域上選取不同的融合規(guī)則或融合方法進(jìn)行圖像的融合,,融合后得到新的小波系數(shù)經(jīng)逆小波變換得到融合后的圖像。
2.1 低頻信息融合規(guī)則
圖像經(jīng)過(guò)小波變換后,,其主要能量集中在低頻區(qū)域中,,傳統(tǒng)的加權(quán)平均選取融合算法可以有效地抑制圖像噪聲,但圖像邊緣特征信息卻被忽略,,造成融合圖像的特征信息丟失,、融合圖像質(zhì)量下降。本文在傳統(tǒng)小波圖像融合基礎(chǔ)上,,對(duì)傳統(tǒng)的低頻系數(shù)加權(quán)平均算法進(jìn)行改進(jìn),,提出了基于邊緣檢測(cè)的低頻系數(shù)圖像融合方法。該算法在多源圖像中最大可能地選取邊緣點(diǎn)加以保留,,可使融合后圖像的細(xì)節(jié)更加豐富,。經(jīng)典的邊緣檢測(cè)算子包括Sobel算子、Roberts算子,、Canny算子,、Laplacian算子以及Prewitt算子等,這些算子均在像素級(jí)上進(jìn)行圖像邊緣檢測(cè),,并且都有一定的局限性,。例如,Laplacian算子雖然對(duì)細(xì)線和孤立點(diǎn)的檢測(cè)效果較好,,但對(duì)噪聲比較敏感,;Prewitt和Sobel算子則是對(duì)漸變灰度和低噪聲效果顯著,但是檢測(cè)邊緣較粗且定位較差,。Zernike正交矩的亞像素邊緣檢測(cè)方法[12-13]的提出很大程度上提高了邊緣檢測(cè)的精準(zhǔn)度,。本文利用Zernike正交矩的亞像素邊緣檢測(cè)方法對(duì)圖像小波分解后的低頻信息進(jìn)行邊緣檢測(cè),,獲取最佳邊緣信息。
具體融合規(guī)則如下:
?。?)設(shè)A和B分別為待融合的源圖像,,對(duì)圖像A和B分別進(jìn)行雙樹復(fù)小波變換(DT-CWT),得到各自的高頻分量hAj,、hBj和低頻分量lAj,、lBj,其中j為小波分解級(jí)數(shù),。
?。?)分別對(duì)兩幅源圖像的小波分解后低頻分量lAj、lBj進(jìn)行邊緣檢測(cè),,得到低頻系數(shù)的邊緣圖像EWAj和EWBj(二值邏輯圖),,邊緣檢測(cè)算法采用Zernike正交矩的亞像素邊緣檢測(cè)方法。
?。?)對(duì)低頻系數(shù)的邊緣圖像EWAj和EWBj進(jìn)行判斷,,判斷規(guī)則如下:如果兩幅邊緣圖像相同位置上的值相等,即EWAj(x,,y)=EWBj(x,,y),根據(jù)式(1)和式(2)修改邊緣圖像的值,;其余不變,。
2.2 高頻信息融合規(guī)則
圖像經(jīng)過(guò)小波分解后,低頻分量反映了圖像的基本概貌,,高頻分量則突出了圖像的細(xì)節(jié)信息,。由于圖像的局域特征往往不能由單一像素所表征,因此,,基于區(qū)域特征的融合規(guī)則也一直是研究的熱點(diǎn),。本文選取兩種基于區(qū)域特征的融合規(guī)則對(duì)高頻信息進(jìn)行融合:區(qū)域能量最大值法和區(qū)域邊緣強(qiáng)度最大值法。
第k個(gè)源圖像的高頻小波系數(shù)中以(x,,y)為中心,、大小為M×N的區(qū)域的能量ENj(x,y)表示為:
區(qū)域中值定義為:
則第k個(gè)圖像的像素(x,,y)在j尺度下,,窗口大小為M×N的邊緣強(qiáng)度[3]定義為:
本文所選取的兩種區(qū)域特征融合算法的窗口大小均為3×3,兩種高頻系數(shù)具有如下融合規(guī)則:
方法1:區(qū)域能量最大值法
Fh=dA×hA+dB×hB(7)
其中,,hA和hB分別代表源圖像A和B的高頻系數(shù),,F(xiàn)h表示融合后的高頻小波系數(shù),,dA和dB則為權(quán)系數(shù),,取值為:
dA=1 |ENA|≥|ENB|0 其他(8)
dB=1-dA
方法2:區(qū)域邊緣強(qiáng)度最大值法
基于區(qū)域邊緣強(qiáng)度最大值法的基本思路與區(qū)域能量最大值法一致,,在兩個(gè)源圖像的高頻小波系數(shù)中根據(jù)區(qū)域邊緣強(qiáng)度的大小來(lái)選擇誰(shuí)作為融合后的小波系數(shù)。區(qū)別僅在于權(quán)系數(shù)的取值準(zhǔn)則不同:
dA=1 |EPA|≥|EPB|0 其他(9)
dB=1-dA
3 實(shí)驗(yàn)結(jié)果與分析
本文選取常見(jiàn)的多聚焦圖像cameraman進(jìn)行融合,,為了驗(yàn)證所提出的融合算法的有效性與優(yōu)越性,,采用以下4種方法對(duì)比本文所提出的算法的性能。
方法1:低頻系數(shù)采取加權(quán)平均法,,高頻系數(shù)選用區(qū)域能量最大法進(jìn)行融合,。
方法2:低頻系數(shù)采取邊緣檢測(cè)法,高頻系數(shù)選用區(qū)域能量最大法進(jìn)行融合,。
方法3:低頻系數(shù)采取加權(quán)平均法,,高頻系數(shù)選用區(qū)域邊緣強(qiáng)度最大值法。
方法4:低頻系數(shù)采取邊緣檢測(cè)法,,高頻系數(shù)選用區(qū)域邊緣強(qiáng)度最大值法,。
實(shí)驗(yàn)中采用的融合評(píng)測(cè)方法有熵、峰值信噪比(PSNR),、平均梯度以及標(biāo)準(zhǔn)差,。熵值越大,表明所含信息量越大,;PSNR越大,,表明所獲取的信息越多、噪聲越小,,融合的效果也越好,;平均梯度越大,表明圖像的細(xì)節(jié)部分越豐富,,圖像清晰度越高,;標(biāo)準(zhǔn)差越大,表明圖像灰度值相對(duì)于圖像均值越分散,,圖像的反差越大,,所包含的圖像信息量越多。
表1列出了本文所采取的4種方法的融合效果,。圖3展示出了效果最好的方法2的融合效果圖,。對(duì)比這4種方法的各項(xiàng)指標(biāo)不難發(fā)現(xiàn),方法2的熵值,、PSNR以及平均梯度3個(gè)指標(biāo)均優(yōu)于其他方法,,標(biāo)準(zhǔn)差基本一致。從實(shí)驗(yàn)結(jié)果可看出,,高頻系數(shù)選用相同融合規(guī)則時(shí),,低頻系數(shù)采用邊緣檢測(cè)方法進(jìn)行融合效果較好,說(shuō)明本文提出的基于邊緣檢測(cè)的融合算法具有一定的優(yōu)越性,邊緣與細(xì)節(jié)信息保留較好,。低頻系數(shù)的選擇決定了融合圖像的視覺(jué)效果,,采用本文算法可更大限度地獲取并保留圖像的細(xì)節(jié)與紋理信息,增強(qiáng)融合圖像的質(zhì)量,。
4 結(jié)論
本文提出了一種新的圖像融合算法——基于邊緣檢測(cè)的雙樹復(fù)小波圖像融合算法,。采用雙樹復(fù)小波變換,可有效克服傳統(tǒng)離散小波變換存在的平移敏感性和缺乏方向選擇性等缺陷,;低頻系數(shù)融合規(guī)則結(jié)合了邊緣檢測(cè)的方法來(lái)降低邊緣細(xì)節(jié)信息的丟失,,提高圖像融合的清晰度及質(zhì)量;高頻系數(shù)采用常見(jiàn)的區(qū)域能量最大法以及區(qū)域邊緣強(qiáng)度最大值法進(jìn)行融合,。實(shí)驗(yàn)結(jié)果利用4個(gè)客觀評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行定性衡量,,證明了本文算法的有效性和正確性。
參考文獻(xiàn)
[1] POHL C,, VAN GENDEREN J L. Multisensor image fusion in remote sensing: concepts,, methods and applications[J]. International Journal of Remote Sensing, 1998,,19(5):823- 854.
[2] 郭雷,,李暉暉,鮑永生.圖像融合[M].北京:電子工業(yè)出版社,,2008.
[3] 閆敬文.數(shù)字圖像處理MATLAB版(第二版)[M].北京:國(guó)防工業(yè)出版社,,2011.
[4] 劉海濤,石躍祥,,康蘊(yùn).基于小波分析的圖像融合新方法[J].計(jì)算機(jī)工程與應(yīng)用,,2013,49(6):205-208.
[5] Zhang Qiang. Multi-focus image fusion using the nonsubsampled Contourlet transform[J]. Signal Processing,,2009,,89(7):1334-1346.
[6] Chen Guangqiu, Gao Yinhan. Multisource image fusion based on double density dual-tree complex wavelet transform[C]. International Conference on Fuzzy Systems and Knowledge Discovery (FSKD),, 2012: 1864-1868.
[7] 吳華,,王海順.基于小波變換和Sobel算子圖像融合算法研究[J].計(jì)算機(jī)仿真,2011,,28(10):232-235.
[8] IVAN W S,, RICHARD G B, NICK G K. The dual-tree complex wavelet transform[J]. IEEE Signal Processing Magazine,, 2005,, 11(22): 123-151.
[9] HILL P, CANAGARAJAH N,, BULL D. Image fusion using complex wavelets[C]. Proceedings of the British Machine Conference,, Cardiff, 2002: 487-496.
[10] 王亞杰,李殿起,,徐心和.基于雙樹復(fù)小波變換的圖像融合方法[J].計(jì)算機(jī)工程,,2008,34(15):176-178.
[11] 陶玲瑤,,弓曉鋒.基于DT-CWT的圖像融合算法研究[J].通信技術(shù),,2011,,44(12):104-106.
[12] GHOSAL S,, MEHROTRA R. Orthogonal moment operators for subpixel edge detection[J]. Pattern Recognition, 1993,, 26: 295-306.
[13] Ding Xinghao,, Deng Shanxi, Yang Yongyue,, et al. Sub-pixel detection based on spatial moment and Zernike moment[J]. Journal of Applied Sciences,,2004,22(2):191-194.