论文部分内容阅读
图像融合作为图像处理与计算机视觉领域内不可或缺的技术之一,能够获得较单一信息源更为精准的判断结果。为了获取融合质量更精良、效率更高效的融合方式,本文对融合领域内大量现有的理论与成果进行了学习与研究。并利用多聚焦图像与多模态医学图像为研究目标,在多尺度变换域内展开了分析与研究。论文的主要工作与创新点如下:提出了一种新的基于多尺度域内应用了压缩感知的融合方式——基于NSST的CS与区域特性相结合的图像融合方法。经过NSST分解后,对具备高稀疏性的高频分量系数利用高斯测量矩阵进行压缩测量,利用正交匹配追踪法重构前先将测量值采用绝对值最大的方式进行融合。考虑到低频分量不存在高稀疏性性质,直接利用区域能量与区域方差加权的自适应融合方法完成融合,随后选择NSST逆变换获得融合结果并展开对比评价,有效地提高了图像的融合质量,且得益于CS的使用在融合速度方面有明显的提升。提出了一种多尺度域内基于区域特性的图像融合方式。为了解决一般的多尺度变换不存在平移不变性以及NSCT的多尺度分解中易使得图像出现频带混叠现象的问题,引入了一种新的àtrous-NSCT变换,通过实验数据分析可得此变换最有效的多尺度分解层数为4。考虑到邻域特征信息对于图像信息量的影响,利用区域方差作为活性测度对高频系数进行分析,然后利用基于区域方差加权自适应模型的融合规则进行融合处理。而对于低频系数所含有的近似信息,使用了区域平均梯度并视为衡量因子,选择区域平均梯度取大的融合方法展开融合操作。最后将高频融合算子与低频融合算子通过àtrous小波逆变换进行重构。利用本章方法与其他5种方法进行主观视觉与客观数据对比,表明了此方法的融合效果较相关算法均有所提升。