基于混合小波的图像融合新方法

摘要

随着多传感器数据在多个领域的应用，图像融合技术得到了越来越多的关注和广泛的应用。图像融合是将来自同一场景的多幅图像的信息结合起来的过程。这些图像可能从不同的传感器捕获，在不同的时间获得，或具有不同的空间和光谱特征。对源图像进行离散小波变换(DWT)。由于小波变换是众多多尺度变换中最基本、最简单的一种，所以其他类型的基于小波的融合方案通常与小波变换融合方案相似。本文提出了一种混合图像融合方法。采用离散余弦变换(DCT)和方差相结合的方法，并与混合DWT进行了比较。

关键字

Dct dwt pca

介绍

图像融合是将来自同一场景的多幅图像的信息结合起来的过程。这些图像可能从不同的传感器捕获，在不同的时间获得，或具有不同的空间和光谱特征。图像融合的目标是保留每个图像最理想的特征。它基本上是一个将一组图像中的相关信息组合成一张图像的过程，其中得到的融合图像将比任何输入图像都更有信息和完整。图像融合技术可以提高这些数据的质量，增加它们的应用。

图像融合是一种将单传感器和多传感器图像进行融合以增强信息的有效技术。图像融合的目标是将来自多幅图像的信息结合起来，以产生只提供有用信息的图像。基于离散余弦变换(DCT)的图像融合方法更适用于实时系统，且更节省时间。本文提出了一种基于dct域方差计算的多聚焦图像融合方法。

A.单传感器图像融合系统

基本的单传感器图像融合方案如图1所示。所示传感器可以是可见光波段传感器或一些匹配的波段传感器。这个传感器以一系列图像的形式捕捉现实世界。然后将图像序列融合在一起，生成具有最佳信息内容的新图像。例如，在光照变化和嘈杂的环境中，操作员可能无法检测到他感兴趣的对象，而这些对象可以在合成的融合图像中突出显示。

B.多传感器图像融合系统

多传感器图像融合方案克服了单传感器图像融合的局限性，将来自多个传感器的图像合并形成合成图像。图2给出了一个多传感器图像融合系统。在这里，一个红外摄像机是伴随数码相机和他们各自的图像合并，以获得融合图像。数码相机适用于日光场景;红外摄像机适用于照明条件差的环境。

2图像融合分类

1.多通道图片:图像的多模态融合应用于不同形态的图像，如可见光和红外，CT和核磁共振，或全色和多光谱卫星图像。多模态图像融合系统的目标是减少数据量，强调波段特定信息。

2.多病灶的图片:在数码相机的应用中，当镜头聚焦在一定距离上的被摄体时，该距离上的所有被摄体都不会锐利聚焦。解决这一问题的一种可能的方法是图像融合，即获取一系列具有不同焦距设置的图像，并将它们融合生成具有扩展景深的单幅图像。

3.多视点图像:在多视点图像融合中，将同一场景的一组不同视点的图像或同一样本的多个不同视点的三维采集图像进行融合，以获得更高分辨率的图像。

4.时段遥测图片:在多时相图像融合中，为了检测不同时间(秒到年)拍摄的图像之间的变化，将它们融合在一起以获得一张图像。

3图像融合方法

1.空间域融合方法:在空间域技术中，我们直接处理图像像素。像素值被操纵以达到预期的结果。

2.变换域融合方法:变换域法首先将图像变换到频域。

四、图像融合技术/算法

1.简单的平均:这是一个充分记录的事实，图像的区域，在焦点往往是较高的像素强度。因此，该算法是一种获得所有区域都聚焦的输出图像的简单方法。取每个图像的像素P (i, j)的值并相加。然后这个和除以2得到平均值。将平均值赋给输出图像的对应像素，其值在公式中给出。对所有像素值重复此操作。K (i, j) = {X (i, j) + Y (i, j)}/2其中X (i, j)和Y (i, j)是两个输入图像。

2.选择最大:像素值越大，图像越聚焦。因此，该算法通过为每个像素选择最大的值来从每个输入图像中选择焦点区域，从而得到高度聚焦的输出。取每个图像的像素P (i, j)的值，并相互比较。最大的像素值被赋给相应的像素。

3.Brovey变换(BT):Brovey变换(BT)，又称颜色归一化融合，是基于色度变换和强度调制的概念。Brovey变换的基本程序首先将每个MS波段乘以高分辨率PAN波段，然后将每个乘积除以MS波段的和。

3.Brovey变换(BT):Brovey变换(BT)，又称颜色归一化融合，是基于色度变换和强度调制的概念。Brovey变换的基本程序首先将每个MS波段乘以高分辨率PAN波段，然后将每个乘积除以MS波段的和。

i.对PAN和MS进行图像配准(IR)， MS重采样。

2将MS从RGB空间转换为IHS空间。

3将PAN的直方图与I分量的直方图匹配。

iv.将I组件替换为PAN.zzv。将融合的MS转换回RGB空间。

5.主成分分析(PCA)技术:主成分分析是一种子空间方法，它将多维数据集缩减到较低的维度进行分析。主成分分析涉及一个数学过程，它将一些相关变量转换为一些称为主成分的不相关变量。PCA也被称为Karhunen-Love变换或Hotelling变换。

6.离散小波变换(DWT):小波变换是一种多分辨率的图像分解工具，它通过不同的频率子带提供了多种表示图像特征的通道。它是分析信号的一种著名技术。二维离散小波变换(DWT)将图像从空间域转换到频域。图像由垂直线和水平线划分，表示一阶DWT，图像可分为LL1、LH1、HL1和HH1 [i]四部分。融合最重要的一步是形成融合金字塔。熔合原理很难确定一个统一的标准。

7.基于小波的图像融合:标准的图像融合技术，如基于IHS的方法、基于PCA的方法和Brovey变换方法都是在空间域下进行的。然而，空间域融合可能会产生光谱退化。研究发现，基于小波的融合技术在空间质量和光谱质量方面优于标准融合技术，特别是在最小化颜色失真方面。将标准方法(HIS或PCA)与小波变换相结合的方案比单独使用标准方法或简单的基于小波的方法产生更好的结果。然而，代价是更高的复杂性和成本。

诉的动机

本研究的目的是研究图像处理中的图像融合概念。对源图像进行离散小波变换(DWT)。由于小波变换是众多多尺度变换中最基本、最简单的一种，所以其他类型的基于小波的融合方案通常与小波变换融合方案相似。

本研究基于以下目标:

1.图像融合的目标是将多张独立图像中的相关信息表示在一张图像中。

2.对Intensity图像进行离散小波变换。

3.利用小波技术将多个图像信号融合成一幅图像。

4.计算周长欧氏距离、PSNR和DCT。

5.采用DCT、TCA、DSWT三种方法改进图像融合。

六、研究方法

离散平稳小波

离散平稳小波变换(DSWT)将离散时间信号转换为离散小波表示。Mallat在抽取样本(严重次采样)的情况下引入了图像多分辨率分析。DSWT已广泛应用于遥感数据融合。将相应频率内容的子带对合并在一起。对融合后的图像进行逆变换合成。文献中提出了基于“a trous”小波算法和拉普拉斯金字塔(LP)的融合方案。与DSWT是严重次采样不同，“a trous”小波和LP是过采样。

图像融合采用二维离散小波变换实现。图像的分辨率是图像中细节信息量的度量，通过小波变换的滤波操作改变图像的分辨率，通过采样改变图像的尺度。DSWT通过将图像分解为粗近似和细节系数(Gonzalez and Woods, 1998)，对不同频段、不同分辨率的图像进行分析。

B.融合规则

融合规则决定了源转换将如何组合:

—融合规则可能与应用相关

—所有子带的融合规则可以相同，也可以根据融合的子带不同而不同。

确定规则有两个基本步骤:

-计算对应于各个源变换的显著性度量

-决定如何组合系数

在比较显著性测量(选择或平均)后。

其他规则涉及更复杂的操作，如:能量或边。对于这些方法必须使用空间滤波，如能量滤波器或拉普拉斯算子边缘滤波器。

离散余弦变换(DCT)是重要的许多应用在科学，工程和图像压缩，如MPEG等(4.4)。为了简单起见，离散余弦变换(DCT)可以将空间域图像转换为频域图像。图4.4为离散余弦变换(DCT)融合的流程流程图。将待融合图像分割成大小为NxN的块，计算DCT系数，应用融合规则得到融合DCT系数。采用IDCT生成融合图像[13]。

主成分分析(PCA)是一种重要的统计工具，它将具有相关变量的多元数据转换为不相关变量[5]。主成分分析被广泛应用于所有形式的分析中——从神经科学到计算机图形学——因为它是一种从神秘的数据集中提取相关信息的简单、非参数的方法。该技术应用于多光谱波段。

c .流程图

7结果

在本节中，所提出的方法已经实现，并给出了结果。

8结论及未来范围

本文提出了一种新的混合图像融合方法，该方法将离散余弦变换(DCT)与方差相结合，并与离散小波变换(hybrid DWT)进行了比较。与所有现有技术相比，我们提出的技术在PSNR和MSE方面有更好的结果。这种改进后的方法在图像处理领域有很好的应用前景。

到目前为止，我们清楚地知道，我们已经建立了一种新的混合技术，用于图像融合，显然只适用于两张图像。但在未来，融合可以在两个视频上完成，甚至可以在一个视频和一个图像上完成，也可以在一个音频和一个图像上完成

鸣谢

这篇论文是在我所在部门的亲切协助、指导和积极支持下完成的，他们在这项工作中给予了我很大的帮助。我要感谢所有的个人，他们的鼓励和支持使这项工作得以完成。

参考文献

1. S. Ibrahim和M. Wirth，“使用Contourlet变换的基于多分辨率区域的图像融合”，在IEEE TIC-STH, 2009年9月
2. 黄伟，黄志林。“基于脉冲耦合神经网络的多聚焦图像融合”，《模式识别通讯》，第28卷，no。9, 2007，第1123-1132页。
3. nikoloas Mitianoudis博士，“图像融合:理论与应用”，http://www.iti.gr/iti/files/documents/seminars/iti_mitianoudis_280410.pdf
4. G. Pajares和J. M. Cruz，“基于小波的图像融合教程”，模式识别，卷。37岁的没有。9, pp. 1855-1872, 2004。
5. T. Stathaki，《图像融合:算法与应用》。纽约:学术出版社，2008年。
6. F. Sadjadi，“比较图像融合分析”，在Proc. IEEE Conf. Comput。视觉模式识别。，San Diego, CA, Jun. 2005, vol. 3.
7. M. Gonzáles Audícana和A. Seco，“多光谱和全色图像融合使用小波变换。农作物分类精度的评价”，载于《第22届EARSeL年会》。计算机协会。地质信息欧元。采用中国。，Prague, Czech Republic, 4–6 June 2002, T. Benes, Ed., 2003, pp. 265–272.
8. 小波变换多聚焦图像不同层次融合性能比较
9. 张勇，“理解图像融合”，摄影。Eng。遥感，第70卷，no。6，页657-661,2004年6月。
10. 张云，“基于小波变换的图像融合技术——一种介绍、回顾和比较”，中国遥感影像学报，Vol. 62, pp. 249-263, 2007。
11. J. Nuñez, X. Otazu, O. Fors, A. Prades, V. Palà，和Romàn Arbiol，“基于多分辨率的图像融合与加性小波分解，”IEEE Trans。Geosci。遥感，第37卷，第1204-1211页，1999年5月。
12. V. Vijayaraj, N. H. Younan，和C. G. O 'hara，“泛锐化图像的定量分析”，Opt. Eng。，第45卷，no。4，第046 202-1-046 202- 12,2006。
13. 刘海霞，张兵，张霞，李俊生，陈正超，周晓雪，“一种改进的泛锐化北京-1号微卫星图像融合方法”，IEEE IGARSS, 2009
14. K. A. Kalpoma和J. Kudoh，“IKONOS 1-m彩色图像的图像融合处理”，IEEE传输。Geosci。遥感，第45卷，no。10，第3075-3086页，2007年10月。
15. 丁建军，“时频分析与小波变换”，http://djj.ee.ntu.edu.tw/index.php。
16. 艾萨克·班克曼，《医学影像手册:医学影像处理与分析》，第一版，文献出版社，2000年
17. Jonathan Sachs，“图像重采样”，http://www.dl-c.com/Resampling.pdf
18. RC Gonzalez和RE Woods，数字图像处理，第2版，Englewood Cliffs,NJ: Prentice-Hall, Inc.， 2002。
19. 帕蒂尔，乌杰瓦拉和乌玛·穆登古迪。“使用分级PCA进行图像融合。”图像信息处理(ICIIP)， 2011年国际会议，第1-6页。IEEE 2011。
20. 裴益健，周华宇，于江，蔡光辉。改进了基于小波变换的图像融合算法，提高了图像的质量
22. Sruthy S, Latha Parameswaran和Ajeesh P. Sasi。“基于DT-CWT的图像融合技术”，IEEE自动化、计算、控制、通信和压缩感知国际会议(iMac4S)， Kottayam, pp. 160-164, 2013年3月22-23日。