论文部分内容阅读
图像融合是将相同目标源的多张图像融合成一张图像的过程，融合的图像能够获得比单一图像更加全面、准确的信息。随着传感器技术、计算机技术和信息处理技术的发展，图像融合在军事、自动识别、机器视觉和医学图像等领域都取得了广泛的应用。Shearlet变换是一个新的多尺度几何分析工具，它克服了Wavelet变换不能较好的捕捉多维数据几何特性的缺点，能够对二维图像进行最优的逼近。本论文主要结合Shearlet变换理论，针对多聚焦图像、遥感图像、多光谱图像和全色图像的成像特点，提出了3种适用于不同类别图像的融合新算法。本文的主要研究工作和创新成果如下：1.针对多聚焦图像的成像特点，提出了基于Shearlet的多聚焦图像融合算法。在该算法中，结合Shearlet变换能够对图像进行多尺度和多方向分解，具有较强的边缘表示能力的特性，将Shearlet变换引入到多聚焦图像的融合中，提出了基于像素邻域清晰比、能量比和方差比的多判决图像融合规则，对多聚焦图像进行融合处理。该算法能够较好地保持源图像的聚焦部分，得到整幅图像均清晰的图像。2.通过对脉冲耦合神经网络（PCNN）的研究，针对遥感图像的成像特点，提出了一种基于Shearlet和PCNN的遥感图像融合算法。在该算法中，根据Shearlet变换能较好地捕捉图像细节信息的优点，以及人眼对于图像边缘的敏感性高于灰度值的特性，结合Shearlet变换、图像梯度信息和PCNN对遥感图像进行融合处理。该算法充分利用了Shearlet变换的多方向特性和PCNN的视觉仿生机制，融合的图像能有效的保持多源遥感图像的目标信息。3.针对多光谱和全色图像融合中出现的光谱失真问题，提出了基于Shearlet的多光谱和全色图像融合算法。在该算法中，根据区域融合的思想，结合区域清晰度和区域匹配度的概念，提出了基于区域的多光谱和全色图像融合规则，根据此融合规则对图像进行融合处理。融合后的图像在充分保持光谱信息的同时，又有效地增强了空间分辨率。