A new image fusion method based on non-downsampling shear transform includes the following steps: step 1: input source image A and source image B, and decompose the source image A and source image B at L-level NSST to obtain the low-frequency and high-frequency components of source image A and source image B respectively; step 2: use weighted local energy weighting and improved Laplace operator rule based on eight neighborhoods. Fusion of low-frequency components; Step 3: Calculate the modified Laplace and modified Laplace of high-frequency components of source image A and source image B respectively, and use and modify the maximum of Laplace to fuse high-frequency components; Step 4: Reconstruct the high-frequency and low-frequency fusion components using NSST inverse transform to get the final fusion image. The original image is decomposed into high frequency and low frequency by non-downsampling shear wave. The multi-scale and multi-directional characteristics of NSST can effectively reduce the occurrence of Gibbs ringing phenomenon, and obtain more spatial details and structural information of the source image.
【技术实现步骤摘要】
一个基于非下采样剪切变换的新型图像融合方法
本专利技术涉及医疗检测领域,具体涉及一个基于非下采样剪切变换的新型图像融合方法。
技术介绍
近几年来,成像技术的应用需求急剧增加,实用的成像技术将为日常影像的记录提供高质量的图像。但是,对于成像技术的大规模学习任务,现有成像设备拍摄数字图像时,利用影像设备拍摄的单一照片对目标场景不能获得准确、全面、可靠的信息描述,这在一定程度上限制了图像成像技术的应用。图像融合的方法有效的解决了这个问题。它提取同一目标的多幅图像有用信息并将其合成高质量融合图像,得到的融合图像比源图像包含更多的细节特征,视觉效果上便于人类观察。图像融合广泛应用于医学图像融合,多聚焦图像融合,可见红外光图像融合等领域中。随着图像融合技术的快速发展,越来越多的图像融合算法被学者们提出。然而,现有的大多数图像融合算法仅针对单一类型源图像,而不适用于其他类型的源图像。针对这个问题,本专利提出了基于NSST的一个新型图像融合框架来对多种源图像进行融合。通过基于NSST的一个新型图像融合框架,利用NSST方法将源图像分解成高频分量和低频分量,用和修正拉普拉斯(SML)方法来融合高频分量,将加权局部能量加权和(WLE)和基于八个邻域的改进拉普拉斯(WSEML)作为融合策略,来融合低频分量,实现了多种类型图像的融合,解决了多数单一类型源图像算法不适用于其他类型图像的问题。
技术实现思路
一个基于非下采样剪切变换的新型图像融合方法,其特征在于,包括以下步骤:步骤1:输入源图像A和源图像B,并将所述源图像A和源图像B进行L级NSST分解,分别得到所述源图像A和源图像B的 ...
【技术保护点】
1.一个基于非下采样剪切变换的新型图像融合方法,其特征在于,包括以下步骤:步骤1:输入源图像A和源图像B,并将所述源图像A和源图像B进行L级NSST分解,分别得到所述源图像A和源图像B的低频分量和高频分量;步骤2:采用加权局部能量加权和(WLE)和基于八邻域的改进拉普拉斯算子(WSEML)规则融合低频分量;步骤3:计算分别得到所述源图像A和源图像B两者高频分量的修正拉普拉斯(ML)和和修正拉普拉斯(SML),并使用和修正拉普拉斯最大值(SML‑MAX)融合高频分量;步骤4:使用NSST逆变换将高频融合分量和低频融合分量重构得到最终的融合图像。
【技术特征摘要】
1.一个基于非下采样剪切变换的新型图像融合方法,其特征在于,包括以下步骤:步骤1:输入源图像A和源图像B,并将所述源图像A和源图像B进行L级NSST分解,分别得到所述源图像A和源图像B的低频分量和高频分量;步骤2:采用加权局部能量加权和(WLE)和基于八邻域的改进拉普拉斯算子(WSEML)规则融合低频分量;步骤3:计算分别得到所述源图像A和源图像B两者高频分量的修正拉普拉斯(ML)和和修正拉普拉斯(SML),并使用和修正拉普拉斯最大值(SML-MAX)融合高频分量;步骤4:使用NSST逆变换将高频融合分量和低频融合分量重构得到最终的融合图像。2.根据权利要求1所述的一个基于非下采样剪切变换的新型图像融合方法,其特征在于:所述步骤1中,将所述源图像A和源图像B的低频分量和高频分量记为相应的频率分量{HA,LA},{HB,LB},其中HA、HB分别是A、B的高频分量,LA、LB分别是A、B的低频分量;所述步骤2中,a)采用公式(1)计算得到加权局部能量加权和(WLE),其中L(x,y)表示源图像在位置(x,y)上的低通分量,WLE(x,y)表示在位置(x,y)处图像的WLE;W是一个(2r+1)x(2r+1)的加权矩阵;将矩阵的元素设置为22r-d,其中每个元素的d表示其到矩阵W中心四领域距离;r的值为1;b)采用公式(2)计算得到基于八邻域的改进拉普拉斯算子(WSEML),W...
【专利技术属性】
技术研发人员:李鹏华,胡和煦,徐彬皓,袁宇鹏,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
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。