ISSN在线(2319 - 8753)打印(2347 - 6710)
p . v . Naganjaneyulu博士 教授和校长,ECE、PNC & Vijai工程与技术学院,托尔,美联社,印度 |
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术
近年来,图像融合是图像处理中重要的主要方法之一。图像融合处理创建一个图像,所有的对象都在关注。因此它扮演着一个重要的角色来执行其他任务的图像处理,如图像分割、边缘检测、立体匹配和图像增强。执行这些任务提出了几种方法。本文是基于现有的神经网络方法相比具有先进离散曲线的方法。结果表明该方法比现有的方法。
关键字 |
曲线方法,图像融合,匹配。 |
介绍 |
图像融合是图像处理的分场的多个图像融合来创建一个图像,所有的对象都在关注。图像融合是重要的重要的由于在医学中的应用,法医和国防部门。图像融合是多传感器和执行的过程multi-focus同一场景的图像。同一场景的多传感器图像是由不同的传感器而multi-focus图像捕捉到相同的传感器。在multi-focus图像场景中的对象,更接近摄像机焦点,更远的物体变得模糊。相反,当越远对象集中图像中对象变得模糊。实现一个图像,所有的对象都在关注,执行图像融合的过程在空间域或域转换。空间域包括技术直接将像素值[1]。在转换域,图像首先被转换成多级分辨率。图像通常包含物理特性在不同的尺度上或有关决议。 Multi-scale or multi-resolution approaches provide a means to exploit this fact. After applying certain operations on the transformed images, the fused image is created by taking the inverse transform. |
相关的图像融合方法 |
数字图像融合技术已被提出。除了简单的像素级图像融合技术,我们发现复杂的技术,如拉普拉斯金字塔、基于PCA融合,基于离散小波变换(DWT)的图像融合,基于神经网络的图像融合,推进DWT-based图像融合[2]。 |
大量的图像融合技术已经在文献中提出的。除了简单的像素级图像融合技术,我们发现复杂的技术,如拉普拉斯金字塔、基于PCA融合,基于离散小波变换(DWT)的图像融合,基于神经网络的图像融合,推进DWT-based图像融合。 |
人工神经网络 |
IHS融合方法的基本思想是将彩色图像从RGB(红、绿、蓝色)颜色空间到IHS颜色空间(强度、色相,饱和度)。将被另一个取代的形象,当我们得到了强化信息的图像[3]。然后我们把IHS颜色空间H和S图像到RGB颜色空间所取代。见下列程序: |
步骤1:IHS变换从RGB颜色空间。 |
![]() |
第四是强度的视觉形象。R, G, B是视觉图像的颜色信息分别1 V和2组件计算H色调和饱和度S。 |
![]() |
步骤2:红外图像的强度组件取代了强度。 |
步骤3:将从IHS RGB颜色空间。 |
![]() |
第二,是红外图像的强度。R, G, B”分别为融合图像的颜色信息。因为我们的基本观点是添加远红外线图像视觉图像的有用信息。我们设置融合参数矩阵,而不是远红外线的强度图像二取代视觉图像的强度四世[4]。融合参数将被调整根据每个地区的不同信息。下面的公式是修改后的结果。 |
![]() |
人工神经网络(ANN)有很好的优势估计输入和输出之间的关系,我们可能不知道输入和输出的关系,尤其是关系是非线性的。一般来说,安分为两个部分。一个是培训,另一个是测试。在培训期间,我们必须定义训练数据和关系参数[5]。在测试中,我们必须定义测试数据得到融合参数。具有良好的学习能力从例子和提取的统计特性的例子在训练过程中。特征提取是重要pre-procedure安。在我们的例子中,我们选择四个特性,分别平均强度的视觉形象Mv,平均强度的红外图像,红外图像的平均强度地区米尔和可见性Vi作为输入的安。以下是我们介绍的特性。 |
视觉形象Mv的平均强度: |
![]() |
在哪里视觉灰度图像,H和W是视觉图像的高度和宽度。一般来说,这可能意味着图像是在白天拍摄的内容当Mvis大[6]。另一方面,图像的内容在夜间拍摄的。但这是最初的假设,不准确的。 |
Mi的平均强度的定义是: |
![]() |
Wherefi红外图像,H和W是视觉图像的高度和宽度。一般来说,这可能意味着图像拍摄的内容在白天当Mi大。另一方面,图像的内容被击中。如果我们考虑Mvand水户承担拍摄时间,然后我们可以做更多的假设是在白天还是晚上当Mvand Miboth分别更大或更小的[7]。如果大小姐和Mvis小然后我们可以认为红外图像的亮点可能是对我们有用的信息。如果Mi越来越Mvis比我们可以假设它不可能有用的信息在红外图像添加到视觉形象。米尔地区的平均强度的定义是: |
![]() |
在DBiis红外图像的分割区域。ΣDBiis地区DBi的像素总数。我们可以假设更准确,如果我们有以上三个功能。例如,最大的米尔可能不是我们想要的信息如果Miand Mvboth arelarger [8]。但我们必须关心其他地区可在同一状态的有用信息。 |
![]() |
先进的DWT方法(快速离散曲线让变换) |
常规的DWT方法是一种多尺度分析方法。在常规DWT融合过程中,从两个输入图像DWT系数的被选择融合像素的平均值近似系数最高的变换尺度;和更大的细节系数的绝对值在每个转换的规模。然后执行逆DWT获得融合图像。在每个DWT的一个特定的形象,DWT系数的2 d图像由四部分组成:近似,水平,垂直细节和对角细节。先进DWT (aDWT)方法,我们运用主成分分析的两个输入图像的近似系数最高的变换,也就是说,我们融合他们通过使用主特征向量(对应于较大的特征值)源自于两个“原始的图像。 |
![]() |
CA和CB近似系数从输入图像和b . CF表示融合系数;a1和a2是主要特征向量的元素,由分析计算的原始输入图像(注意:不是分析CA和CB因为他们的大小在最高转换规模太小,不足以进行准确的结果)。注意,分母Eq。(13)用于规范化,使融合图像具有相同的能量分布与原始输入图像。结合细节系数(其他三个季度的系数)在每个转换规模,选择较大的绝对值,紧随其后的是一个社区(比如,一个3×3窗口)形态学处理,用于验证所选择的像素用“填充”和“清洁”操作(即。在本地,操作填充或删除孤立像素)[9]。例如,在一个3×3处理窗口(滑动像素在整个图像),如果中央从图像系数被选中,但周围所有的8 -从法师B系数被选中,然后在灌装过程中央将取而代之的是图像的细节系数B这样的操作(类似于平滑)可以增加的一致性系数选择从而减少融合图像的失真。 |
曲线让转换经历了两个重大修改。第一代曲线让变换使用一系列复杂的步骤包括岭让拉东变换图像的分析。性能超过缓慢。第二代曲线让变换丢弃岭让变换的使用,从而减少了冗余的变换和速度大大增加。两个快速离散曲线让变换算法中引入[10]。第一个算法是基于unequally-spaced FFT而第二个是基于特别挑选的傅里叶样品的包装。在本文中,我们专注于“包装”版本的曲线让变换。 |
图像可以融合三个层次,即像素级融合、特征级融合和决策级融合。本文采用像素级融合。我们可以直接操作像素,然后能获得融合图像。我们可以保持尽可能更多的信息从源图像。因为小波变换块基本接近C2的奇点,因此各向同性将表达;几何的奇点被忽略。曲线让变换需要楔形基接近奇点的C2。它有指向性与小波相比,角和各向异性表达[11]。当平易近人的方向基本匹配奇点的几何特征,曲线让系数将更大。 |
首先,我们需要预处理,然后将相同的规模从等待融合图像根据选定的区域。随后,我们将图像划分为子图片不同尺度的小波变换。后来,当地应采取曲线让每个子图像变换;它的子块不同于彼此的尺度的变化。使用曲线的步骤让变换融合两张图片如下: |
。重新取样和登记的原始图像,我们可以正确的原始图像和失真,这样他们有类似的概率分布。然后小波系数类似的组件将在相同的大小。 |
b。利用小波变换将原始图像分解成适当的水平。一个低频近似分量和三个高频细节部分将在每个级别。 |
c。个人的曲线让变换获得低频近似分量和高频细节分量图像,附近的插值方法和灰色的细节是改变不了的。 |
根据明确的标准融合图像,局部区域方差为低频组件选择度量定义。首先,将低频C乔(k1, k2)分为个人foursquare区块的N1×M1(3×3或5×5),然后计算当前子块的局域方差: |
![]() |
如果差异较大,这表明原始图像的局部对比度较大,这意味着更清晰的定义。它是表达如下: |
![]() |
区域活动Ej, l (k1, k2)被定义为一个融合高频组件的标准。首先,将高频子频带分成子块,然后计算子块的区域活动 |
![]() |
逆的变换系数融合后,将融合图像重建的图像。 |
![]() |
结果与结论 |
本文介绍了数字图像融合的新趋势,MRI和CT图像基于曲线变换。比较研究了传统小波融合算法,提出了曲线之间的融合算法在图2。实验研究表明,曲线的应用让变换先生和CT图像的融合优于传统小波变换的应用。获得的曲线让融合结果有较高的相关系数和熵值比小波融合结果和最小值的均方根误差比小波变换。 |