基于Shearlet變換的圖像融合與去噪方法研究.pdf

1、多傳感器圖像融合（包括高空間分辨率全色圖像與多光譜圖像的融合以及多聚焦圖像的融合等）與圖像去噪（包括圖像中高斯噪聲的去除以及隨機(jī)脈沖噪聲的去除等）都是當(dāng)前圖像處理領(lǐng)域的研究熱點(diǎn)。現(xiàn)有變換域高空間分辨率全色圖像與多光譜圖像的融合方法難以在空間分辨率的提高與光譜信息的保持之間達(dá)到良好的平衡;現(xiàn)有變換域多聚焦圖像融合算法又存在融合規(guī)則對(duì)變換系數(shù)的誤選，從而導(dǎo)致融合圖像的清晰度相對(duì)于源圖像的聚焦區(qū)域來(lái)說(shuō)存在一定程度的降低;現(xiàn)有的高斯噪聲去除方法

2、在去除圖像中所含高斯噪聲的同時(shí)，會(huì)導(dǎo)致圖像中邊緣細(xì)節(jié)信息的模糊;現(xiàn)有的隨機(jī)脈沖噪聲去除方法在對(duì)圖像中的隨機(jī)脈沖噪聲進(jìn)行去除時(shí)，通常都不能有效恢復(fù)被噪聲污染數(shù)據(jù)所具有的幾何特征，從而導(dǎo)致在去噪圖像中出現(xiàn)鋸齒狀邊緣以及其他類型的失真（如塊狀效應(yīng)）。
　　針對(duì)圖像融合與去噪中存在的上述問(wèn)題，本文以一種新的多尺度幾何分析工具——平移不變Shearlet變換（Transaction Invariant Shearlet Transform，

3、TIST）為主線，對(duì)其在多傳感器圖像融合領(lǐng)域與圖像去噪處理領(lǐng)域的應(yīng)用進(jìn)行了深入研究。本文的主要工作和創(chuàng)新可以概括為以下幾個(gè)方面:
　　(1)針對(duì)高空間分辨率全色圖像與多光譜圖像融合中難以在空間分辨率的提高與光譜信息的保持之間達(dá)到良好平衡的問(wèn)題，提出了一種基于區(qū)域分割與IHS彩色空間域TIST變換的融合算法。該算法將IHS變換與平移不變剪切波變換結(jié)合起來(lái)，采用Mean-shift圖像分割方法對(duì)高空間分辨率全色圖像進(jìn)行分割，根據(jù)分割所

4、得區(qū)域的方差，將對(duì)應(yīng)區(qū)域分為需要進(jìn)行空間細(xì)節(jié)信息增強(qiáng)的區(qū)域以及需要保持光譜特性的區(qū)域，據(jù)此來(lái)指導(dǎo)TIST域帶通方向子帶系數(shù)的融合。對(duì)于TIST域低頻子帶系數(shù)，采用基于局部四階相關(guān)系數(shù)的融合策略;對(duì)于帶通方向子帶系數(shù)，則采用在區(qū)域的邊界以及需要進(jìn)行空間細(xì)節(jié)信息增強(qiáng)的區(qū)域注入全色圖像帶通方向子帶系數(shù)，而在需要保持光譜特性的區(qū)域保留多光譜圖像的帶通方向子帶系數(shù)的融合策略。該融合算法在空間分辨率的提高與光譜信息的保持之間達(dá)到了較好的平衡，融合后

5、的多光譜圖像不僅較好地保持了源多光譜圖像的光譜特性，而且其空間分辨率也得到了有效提高。
　　(2)針對(duì)基于多尺度分解的多聚焦圖像融合方法的不足（①常用的多尺度分解與重構(gòu)算法都存在不同程度的誤差，這種誤差的存在會(huì)導(dǎo)致源圖像中部分有用信息的丟失;②多尺度變換域內(nèi)圖像內(nèi)容的復(fù)雜性會(huì)導(dǎo)致融合規(guī)則對(duì)變換系數(shù)的誤選，從而導(dǎo)致融合圖像的清晰度相對(duì)源圖像的聚焦區(qū)域來(lái)說(shuō)存在一定程度的降低），提出了一種基于聚焦區(qū)域檢測(cè)的平移不變Shearlet變換域

6、（TIST域）多聚焦圖像融合算法。該算法首先通過(guò)一種簡(jiǎn)單的TIST域多聚焦圖像融合方法得到一幅初始的融合圖像，然后根據(jù)所有源圖像與初始融合圖像像素間的局部相似程度來(lái)獲得每一源圖像的聚焦區(qū)域檢測(cè)圖，并據(jù)此將該源圖像中的所有像素分成聚焦區(qū)域內(nèi)部、聚焦與離焦區(qū)域之間的過(guò)渡以及離焦區(qū)域內(nèi)部，最終據(jù)此來(lái)指導(dǎo)TIST域各子帶系數(shù)的融合。該算法能在融合圖像中注入更多源圖像中的有用信息，避免“偽影”等虛假信息的引入，有效提高融合圖像的質(zhì)量，從而得到與所

7、有區(qū)域都清晰的標(biāo)準(zhǔn)參考圖像更為接近的融合圖像。
　　(3)針對(duì)圖像中高斯噪聲的去除問(wèn)題，提出了一種基于TIST域高斯比例混合模型(GSM)的圖像高斯噪聲去除方法。該方法根據(jù)圖像剪切波變換系數(shù)的分布具有非高斯性及重尾性的特點(diǎn)，用高斯比例混合模型作為描述圖像平移不變剪切波系數(shù)在局部鄰域內(nèi)分布規(guī)律的分布模型，通過(guò)貝葉斯最小二乘(Bayes Least Squares，BLS)估計(jì)對(duì)鄰域中心的平移不變剪切波系數(shù)進(jìn)行估計(jì)。該算法不僅能有效抑

8、制圖像中的高斯噪聲，而且還能在抑制噪聲的同時(shí)，較好地保持圖像中的邊緣、紋理等細(xì)節(jié)信息，有效改善圖像的主客觀效果。
　　(4)針對(duì)圖像中隨機(jī)脈沖噪聲的檢測(cè)與去除問(wèn)題，通過(guò)引入迭代技術(shù)對(duì)一種高效隨機(jī)脈沖噪聲檢測(cè)方法HEIND進(jìn)行了改進(jìn)，并在此基礎(chǔ)上提出了一種結(jié)合改進(jìn)高效隨機(jī)脈沖噪聲檢測(cè)方法與基于Shearlet的圖像修復(fù)方法的隨機(jī)脈沖噪聲去除方法。該方法將改進(jìn)高效隨機(jī)脈沖噪聲檢測(cè)方法檢測(cè)所得的噪聲像素所在的位置作為需要進(jìn)行修復(fù)的區(qū)域，