基于二代Curvelet變換的圖像融合算法研究.pdf

1、多尺度分析發(fā)展日益成熟，并在圖像處理領域有著廣泛的應用。圖像融合可以結(jié)合不同源圖像之間的信息，從而獲得信息更加豐富、清晰的融合圖像。二代Curvelet變換作為一種多尺度分析工具，可以很好的描述圖像中的曲線奇異性。利用Curvelet變換對圖像進行處理，可以很容易的對分解系數(shù)進行操作，并獲得視覺效果更突出的融合圖像。因此，將Curvelet變換引入到圖像融合領域是可行且有實際意義的。
　　本文研究工作就是圍繞Curvelet變換的

2、融合算法展開，旨在提供更好的融合策略，以保證融合圖像的質(zhì)量，為后續(xù)圖像處理工作打下基礎。具體內(nèi)容與研究成果如下:
　　(1)依據(jù)不同圖像特性，對融合規(guī)則進行改進。針對聚焦區(qū)域細節(jié)信息突出的特點，利用梯度能量區(qū)分聚焦和離焦區(qū)域，并對不同區(qū)域根據(jù)顯著性因子采取不同規(guī)則。針對紅外和可見光圖像在同一場景中的目標灰度分布差距較大的特點，將其劃分為相似區(qū)域和不相似區(qū)域，同時基于相似性和顯著性進行信息融合。實驗表明，基于相似性的引導融合能夠更好

3、的表達可見光圖像的細節(jié)信息和紅外圖像的輻射信息。針對不同模態(tài)醫(yī)學圖像均提供有用信息，且不互相覆蓋的特性。將一幅圖像作為主圖像，并將其他模態(tài)圖像的信息融入到主圖像。根據(jù)信息熵大小選擇主圖像，并由其高頻系數(shù)比來確定融合規(guī)則。實驗表明，該策略能更好的集成多模態(tài)醫(yī)學圖像的有用信息。
　　(2)將基于Sobel算子的邊緣檢測引入圖像融合，將系數(shù)分為邊緣和非邊緣部分，對不同部分施加不同規(guī)則。對Curvelet和小波變換分解后的低頻系數(shù)使用該方

4、法，可以有效提高圖像的清晰度。實驗表明了該方法獲得的圖像細節(jié)紋理更好。
　　(3)對脈沖耦合神經(jīng)網(wǎng)絡(PCNN)簡化模型的參數(shù)進行改進。傳統(tǒng)簡化模型將鏈接強度設為固定值不符合圖像的區(qū)域特征，因此本文將鏈接強度與圖像特性相結(jié)合。在多聚焦圖像中，以清晰度為參考設置自適應鏈接強度;在紅外和可見光圖像中，則以區(qū)域能量為參考設置自適應鏈接強度。接著以圖像局部統(tǒng)計特征作為外部輸入，根據(jù)點火次數(shù)來確定融合高頻系數(shù)的選擇。實驗結(jié)果表明改進后的PC