一种图像融合方法技术

技术编号:15260015 阅读:144 留言:0更新日期:2017-05-03 12:43
本发明专利技术提供一种图像融合方法,首先将源图像经过双树复小波变换分解后得到低频系数及高频系数,对于低频系数,提出了自适应加权融合法,对于数据量较大的高频系数,提出了压缩采样‑脉冲耦合神经网络融合法,最后对融合系数进行双树复小波变换逆变换,该融合方法能够有效、准确地选择融合系数,能够在多聚焦图像融合、医学图像融合上达到较好的客观指标和视觉效果,还可以适用于其他类型图像,红外和可见光图像融合、遥感图像融合等。

Image fusion method

The present invention provides an image fusion method, firstly, the source image after the dual tree complex wavelet transform decomposition of low-frequency coefficients and high frequency coefficients for low frequency coefficients, the adaptive weighted fusion method for large amount of data, high frequency coefficients, we propose a compressed sampling pulse coupled neural network fusion method, the fusion coefficient the dual tree complex wavelet transform inverse transform, the fusion method can effectively and accurately select fusion coefficient, fusion, medical image fusion can achieve better visual effect and objective index in multi focus image, but also can be applied to other types of images, infrared and visible image fusion, remote sensing image fusion.

【技术实现步骤摘要】

本专利技术属于图像处理领域,尤其涉及一种图像融合方法
技术介绍
图像融合是图像处理领域中的经典问题,把来自各个传感器关于同一目标的多幅源图像整合成一幅质量更高的图像。小波变换能够实现对图像的多尺度分解且具有时频域局部化特性,可较好地提取并保留对视觉起关键作用的细节信息,因而成为较常用的图像融合方法,但由于传统的小波变换方向选择性十分有限,不能实现对图像的轮廓和边缘细节的最佳稀疏表示;另外由于其不具备平移不变性,使得对信号的微小平移都非常敏感,从而影响图像融合的效果。Contourlet变换不仅保留了小波变换的多尺度特性,而且可以在不同尺度不同方向上以稀疏的形式表达图像,在图像融合中取得了良好的效果,但使用CT分解图像过程中有下采样操作,不具备平移不变性,会使融合图像在边缘处出现伪吉布斯现象。
技术实现思路
为了解决上述问题,本专利技术提供一种图像融合算法,首先将源图像经过双树复小波变换分解后得到低频系数及高频系数,对于低频系数,提出了自适应加权融合法,对于数据量较大的高频系数,提出了压缩采样-脉冲耦合神经网络融合法,最后对融合系数进行双树复小波变换逆变换,得到融合图像;该方法可以有效地提高图像融合的计算效率和质量。本专利技术一种图像融合方法是按照以下步骤操作:步骤1:对图像A和图像B做双树复小波变换,得到低频系数和高频系数;步骤2:对低频系数和高频系数做滤波处理;步骤3:对低频系数做自适应加权融合;步骤4:对高频系数做压缩采样-脉冲耦合神经网络融合;步骤5:对融合后的低频系数组和高频系数组做双树复小波变换,得到融合的图片C。所述步骤3中的自适应加权融合是按照以下步骤操作:步骤3-1:分别计算图像A和图像B低频3×3区域能量;步骤3-2:分别计算图像A和图像B低频5×5区域平均梯度;步骤3-3:计算加权系数μ;步骤3-4:计算低频融合系数LC。所述步骤4中的压缩采样-脉冲耦合神经网络融合是按照以下步骤操作:步骤4-1:对高频系数HA和HB分别压缩采样,得到采样系数yA和yB;步骤4-2:对测量采样系数yA和yB进行融合,得到融合系数yF;步骤4-3:利用正交匹配追踪方法对yC进行重建,进而得到高频融合系数HC。本专利技术具有的有益效果:本专利技术提出一种图像融合防范,可以在不同尺度多个方向上描述图像,能捕获源图像更丰富的边缘细节及纹理信息,根据高频、频系数择不同的融合方法,低频系数采用应加权融合方法;对于数据量较大的高频系数采用了压缩采样-脉冲耦合神经网络融合,该融合方法能够有效、准确地选择融合系数,能够在多聚焦图像融合、医学图像融合上达到较好的客观指标和视觉效果,还可以适用于其他类型图像,红外和可见光图像融合、遥感图像融合等。具体实施方式以下所示实施例的具体实施方式,对本专利技术的上述内容再作进一步的详细说明。本专利技术一种图像融合方法是按照以下步骤操作:步骤1:对图像A和图像B做双树复小波变换,得到低频系数LA、LB和高频系数HA、HB;步骤2:对低频系数和高频系数做滤波处理,;步骤3:对低频系数做自适应加权融合;步骤3-1:分别计算LA、LB低频3×3区域能量,计算公式如(1);其中,Q为A或者B,表示图像A或者图像B,LQ(i,j)表示在处低频系数;步骤3-2:分别计算图像A和图像B低频5×5区域平均梯度,计算公式如(2);其中,Q为A或者B,表示图像A或者图像B,△LQX(i,j)、△LQY(i,j)分别为LQ(i,j)在X,Y方向上的一阶差分;步骤3-3:计算加权系数μ,计算公式如(3);其中,EA为图像A的3×3区域能量,EB为图像B的3×3区域能量,GA为图像A的5×5区域平均梯度,GB为图像B的5×5区域平均梯度;步骤3-4:计算低频融合系数LC,公式(4);当EA(i,j)>EB(i,j)且GA(i,j)>GB(i,j),LC=LA;当EA(i,j)<EB(i,j)且GA(i,j)<GB(i,j),LC=LB;其它情况,LC=μLA+(1-μ)LB。步骤4:对高频系数做压缩采样-脉冲耦合神经网络融合;步骤4-1:对高频系数HA和HB分别压缩采样,得到采样系数yA和yB;yA=ΦHAyB=ΦHB其中,Φ为M×N(M<N)的测量矩阵,HA、HB分别是图像A、图像B的高频系数;步骤4-2:对测量采样系数yA和yB进行融合,得到融合系数yC当TA≥TB,yC=yA;当TA<TB,yC=yB;其中:Q为A或者B,表示图像A或者图像B,α为时间系数,β为连接强度。步骤4-3:利用正交匹配追踪方法对yC进行重建,进而得到高频融合系数HC。步骤5:对融合后的低频系数组和高频系数组做双树复小波变换,得到融合的图片C。本专利技术所举实施方式或者实施例对本专利技术的目的、技术方案和优点进行了进一步详细说明,所应理解的是,以上所举实施方式或者实施例仅为本专利技术的优选实施方式而已,并不用以限制本专利技术,凡在本专利技术的精神和原则之内对本专利技术所作的任何修改、等同替换、改进等,均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种图像融合方法,其特征在于:按照以下步骤操作:步骤1:对图像A和图像B做双树复小波变换,得到低频系数和高频系数;步骤2:对低频系数和高频系数做滤波处理;步骤3:对低频系数做自适应加权融合;步骤4:对高频系数做压缩采样‑脉冲耦合神经网络融合;步骤5:对融合后的低频系数组和高频系数组做双树复小波变换,得到融合的图片C。

【技术特征摘要】
1.一种图像融合方法,其特征在于:按照以下步骤操作:步骤1:对图像A和图像B做双树复小波变换,得到低频系数和高频系数;步骤2:对低频系数和高频系数做滤波处理;步骤3:对低频系数做自适应加权融合;步骤4:对高频系数做压缩采样-脉冲耦合神经网络融合;步骤5:对融合后的低频系数组和高频系数组做双树复小波变换,得到融合的图片C。2.根据权利要求1所述的一种图像融合方法,其特征在于:所述步骤3中的自适应加权融合是按照以下步骤操作:步骤3-1:分别计算图像A和图像B低频...

【专利技术属性】
技术研发人员:唐婷
申请(专利权)人:成都易云知科技有限公司
类型:发明
国别省市:四川;51

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1