论文部分内容阅读
多尺度分析发展日益成熟,并在图像处理领域有着广泛的应用。图像融合可以结合不同源图像之间的信息,从而获得信息更加丰富、清晰的融合图像。二代Curvelet变换作为一种多尺度分析工具,可以很好的描述图像中的曲线奇异性。利用Curvelet变换对图像进行处理,可以很容易的对分解系数进行操作,并获得视觉效果更突出的融合图像。因此,将Curvelet变换引入到图像融合领域是可行且有实际意义的。本文研究工作就是围绕Curvelet变换的融合算法展开,旨在提供更好的融合策略,以保证融合图像的质量,为后续图像处理工作打下基础。具体内容与研究成果如下：(1)依据不同图像特性,对融合规则进行改进。针对聚焦区域细节信息突出的特点,利用梯度能量区分聚焦和离焦区域,并对不同区域根据显著性因子采取不同规则。针对红外和可见光图像在同一场景中的目标灰度分布差距较大的特点,将其划分为相似区域和不相似区域,同时基于相似性和显著性进行信息融合。实验表明,基于相似性的引导融合能够更好的表达可见光图像的细节信息和红外图像的辐射信息。针对不同模态医学图像均提供有用信息,且不互相覆盖的特性。将一幅图像作为主图像,并将其他模态图像的信息融入到主图像。根据信息熵大小选择主图像,并由其高频系数比来确定融合规则。实验表明,该策略能更好的集成多模态医学图像的有用信息。(2)将基于Sobel算子的边缘检测引入图像融合,将系数分为边缘和非边缘部分,对不同部分施加不同规则。对Curvelet和小波变换分解后的低频系数使用该方法,可以有效提高图像的清晰度。实验表明了该方法获得的图像细节纹理更好。(3)对脉冲耦合神经网络(PCNN)简化模型的参数进行改进。传统简化模型将链接强度设为固定值不符合图像的区域特征,因此本文将链接强度与图像特性相结合。在多聚焦图像中,以清晰度为参考设置自适应链接强度；在红外和可见光图像中,则以区域能量为参考设置自适应链接强度。接着以图像局部统计特征作为外部输入,根据点火次数来确定融合高频系数的选择。实验结果表明改进后的PCNN简化模型与Curvelet结合,可以获得纹理更加清晰、细节更加丰富的融合图像。