一种基于低频域边缘增强的小波融合方法

提出了一种基于低频域边缘增强的小波融合方法。首先,对参加融合的两幅图像进行小波多尺度分解,然后对最高层（分辨率最低层）高频细节分量图像进行区域绝对值取大和对其它层高频细节分量图像按区域方差最大化的原则进行融合,而对低频近似分量图像采用尺度系数卷积后区域特征度量的融合方法,增强了低频域的边缘,并采用均方根误差对该方法进行了客观评价。实验结果表明该方法有很好的融合效果,与已有的低频域平均法和尺度系数卷积融合方法相比,能更好地突出低频域边缘细节信息和区域特征。     

基于增补小波变换和PCNN的NSCT域图像融合算法

针对传统NSCT图像融合算法存在的不足,提出一种基于增补小波变换和PCNN的NSCT域图像融合算法。首先对源图像进行NSCT分解,生成一系列低频和高频分量。对低频分量利用二维小波分解,生成一个低频和三个方向分量,对低频分量利用局部区域能量加权方法融合,三个方向分量利用改进的高斯加权SML方法融合;对NSCT分解的高频分量,分为对最高层和其它层的融合,最高层利用改进的高斯加权SML方法融合,其余层利用边缘梯度信息激励PCNN方法融合。最后对NSCT进行逆变换得到融合图像。实验结果证实了所提算法的有效性。     

结合Contourlet变换和区域特征的图像融合算法

针对传统变换域图像融合算法存在边缘轮廓和方向性纹理描述不够清晰,以及对线性非平稳的信号通常不能取得很好效果的问题。提出一种将Contourlet变换和图像区域特征相结合的图像融合算法。根据Contourlet变换空间下图像高频区域和低频区域的特点,采用低频区域能量特征匹配和高频区域分形特征匹配的方法来进行融合匹配。实验表明,该算法比传统的Contourlet融合和小波融合效果表现更好。     

非下采样Contourlet变换和脉冲耦合神经网络相结合的遥感图像融合方法

为最优保留多光谱图像光谱信息的同时,最大限度地融入全色图像的高空间信息,该文提出了一种基于非下采样Contourlet(非自适应方向多尺度分析方法)变换和脉冲耦合神经网络相结合的图像融合的方法。根据目标融合区域地物的空间分布特点,将目标融合区域划分为边缘区域和非边缘区域,并对全色图像和多光谱图像I分量在非边缘区域进行空间域融合,融入更多多光谱图像的光谱信息。然后,对多光谱图像I分量和空间域融合后的图像进行非下采样Contourlet变换,在低频子带和高频子带分别采用区域能量和空间频率作为源图像的原始信息,驱动脉冲耦合神经网络以每个像元的点火数作为活跃性测量,对图像进行融合。实验结果表明:该算法在非边缘区很好地保持了多光谱图像的光谱信息,在边缘区融入了更多的全色图像的空间细节信息,提高了融合图像的空间分辨率。     

基于边缘统计特征的遥感图像融合改进方法

针对传统小波变换融合方法中未对高频分量作进一步分解从而忽略了细节信息的缺点,提出了一种基于区域边缘特征的小波包融合算法。该方法对小波包分解后的低频分量采用能量加权的融合规则,高频分量则利用各个子带的方向性,计算其边缘特征统计量,通过权值法得到融合系数。对SPOT多光谱图像和高分辨率图像进行融合实验,实验数据和理论分析表明,该方法的平均梯度等评价参数均有提高,在保持光谱信息的同时,有效地改进了图像的空间特征信息。     

非下采样Contourlet变换耦合区域信息特征的遥感图像融合算法

当前遥感图像融合算法主要是通过图像的能量信息来完成低频系数的融合,忽略了图像的光谱信息特征,导致融合图像中存在光谱扭曲等不足。设计基于非下采样Contourlet变换与区域信息特征的遥感图像融合算法。引入HSV(Hue,Saturation,Value)变换,从多光谱图像中提取亮度分量。采用非下采样Contourlet变换,对全色图像与多光谱图像的亮度分量进行分解,获取图像的低频系数与高频系数。联合低频系数的区域能量以及信息熵特征,构造低频系数的融合模型,完成低频信息的融合。通过高频系数的区域方差相似度,建立高频系数融合规则,对高频系数完成融合。通过非下采样Contourlet逆变换与HSV逆变换,获取融合图像。实验结果表明,与当前遥感图像融合方法相比,该算法的融合图像具有更好的光谱与空间特性。     

NSCT与边缘检测相结合的多聚焦图像融合算法

利用非下采样Contourlet变换(NSCT)的系数特点,设计NSCT域中高低频融合规则,并结合基于区域分割的边缘检测算法,针对多聚焦图像提出了一种有效的融合算法.首先通过NSCT变换把2幅待融合图像分解为一个低频系数矩阵和一系列的高频系数矩阵,对低频系数采用局域方差、局域空间频率、局域改进的拉普拉斯能量和3个统计特征的加权平均进行融合,对高频系数基于局部纹理特征进行融合,经过NSCT逆变换后得到初步的融合结果;然后根据初步融合图像和待融合图像的残差图识别出清晰区域,对清晰区域进行边缘检测,将该边缘信息覆盖到初步融合的图像上,得到最终的融合图像.与传统DWT,NSCT变换和基于视觉特性的NSCT域图像融合算法进行实验对比的结果表明,该算法在视觉效果和平均梯度、互信息、空间频率与边缘保持度等多个评价指标上均有优势.     

基于小波包变换的区域图像融合方法

提出了基于小波包变换的区域图像融合方法。首先对参加融合的两幅图像进行小波包多尺度分解,得到两个金字塔结构。然后,先分别提取每个金字塔最高层(分辨率最低层)的近似分量图像的边缘,把两边缘图像进行或运算以获取两幅图像的共同目标的边缘图像,并求两近似分量图像的均值产生一幅新的近似分量图像,使用文章提出的“区域聚类”的方法对新的近似分量图像进行分割产生一幅标签图像,此图中的每一个区域对应图像中的一个目标,同一区域中的所有像素都取同一个值,不同的区域取不同的值。利用标签图像,对小波包分解后最高层所有的高频细节分量图像按区域能量取大的规则进行区域对区域的融合,形成融合二值决策图。利用此二值决策图对最高层的低频近似分量图像和细节分量图像进行融合,最后重构。并采用均方根误差对该方法进行了客观评价。实验结果表明该方法有较好的融合效果,其融合性能比基于窗口能量取大的单个像素的小波包图像融合方法的融合性能好。该方法体现了真正意义上的“目标融合”。     

基于区域小波统计特征的遥感图像融合方法

提出一种基于区域小波统计特征的遥感图像融合方法,对多光谱图像的I分量与直方图匹配后的高分辨率图像进行小波变换融 合。对分解后的低频分量采用加权平均的融合规则,高频分量则根据其区域的小波系数特征,采用基于区域方差匹配度的融合规则。对 SPOT多光谱图像和高分辨率图像进行融合实验,并利用信息熵和相关系数对融合结果进行客观评价与比较分析。仿真实验结果表明,基于区域小波统计特征的融合方法能达到较好的融合效果。     

基于证据理论的小波域多特征医学图像融合

针对多源医学图像融合过程中融合权值选择的不确定性,根据DS证据理论,采用证据理论中的基本概率分配函数来描述判决结果的不确定性。利用图像的区域方差、区域能量、区域信息熵三个特征,然后对特征进行归一化,将各个特征值作为基本概率分配的依据,在小波域内对高频分量采用基于DS证据理论的多特征融合规则进行图像融合。利用拉普拉斯能量,在小波域内对低频分量采用拉普拉斯能量自适应融合规则。实验结果表示：所提算法综合了多个特征的优势,降低了融合过程中的不确定性,较大程度地保留了图像信息。     

基于Sobel算子和局部能量的图像融合新算法

文中提出一种新的基于小波变换的图像融合算法,以提高图像融合质量。首先应用小波变换将图像分为高频和低频部分,再对小波的高频和低频系数采用融合算法进行处理,最终将处理后的高频和低频小波系数进行融合。文中对低频系数采用基于Sobel算子的方法,有效保留边缘特征。对高频系数采用基于局部能量取大准则,有效保留高频的细节和区域特征。为了抑制噪声和控制图像的不稳定性,最后再对低频和高频系数的选择结果进行邻域窗口的一致性检验与调整。与传统金字塔方法和经典小波变换相比较,实验结果表明此方法融合效果较好。     

基于小波分析的图像融合新方法

针对多源像素级数字图像融合,给出了一种基于小波分析的融合新方法。根据不同的频率域特点选择不同的融合规则,对低频系数给出了基于边缘信息的融合规则,对高频系数给出了基于窗口与分形思想相结合的融合规则。实验结果表明,新方法得到的融合图像无论在视觉效果还是在客观评价方面,均优于传统的融合方法,这为图像融合算法的研究提供了一种新方法。     

基于具有对称性不可分小波的多聚焦图像融合

针对可分小波多聚焦图像融合方法存在的不足,提出一种基于四通道不可分小波的多聚焦图像融合方法。首先根据不可分小波理论,构造出一组二维四通道4×4具有对称性的不可分小波滤波器组;然后利用此滤波器组对参加融合的图像进行滤波,低频部分采用简单的加权平均算法,高频部分采用局部窗口能量取大的融合算法对分解后的系数图像进行融合;最后对图像进行重构,并采用熵、平均梯度等指标对融合结果图像进行了评价。实验结果表明,该方法对多聚焦图像的融合有较好的融合效果,与采用相同融合算法的基于可分小波的融合方法相比,能更好地突出低频域边缘细节信息,得到更为清晰的融合结果图像。     

基于Contourlet变换的多波段SAR图像融合

针对不同波段SAR图像的融合,该文提出了一种在Contourlet变换域融合的方法,利用Contourlet变换的充分表示图像边缘信息的能力,将图像分解为低通系数和不同方向的高频系数,对方向高频系数定义一个边缘信息量测指标,选择量测指标大的系数作为融合系数,解决了小波变换融合中图像边缘信息容易丢失的问题。通过对两波段SAR图像进行融合实验并与小波变换融合结果比较,在视觉特性与统计因子客观评价上均取得了更好的效果。     

一种基于边缘图像融合的图像边缘检测方法

边缘检测是图像处理、模式识别和计算机视觉领域的重要内容．传统边缘检测方法的边缘检测效果一般．为了更好地检测出图像边缘,在传统边缘检测算法分析的基础上,提出了一种基于边缘图像融合的图像边缘检测方法．首先,对原图像进行二进小波分解得到低频子图像,然后分别对原图像和低频子图像采用直方图均衡化进行增强后用Canny算子来进行边缘检测,得到原图像和低频子图像的边缘图像,最后采用一定的融合规则将这两个边缘图像融合在一起,得到一幅完好的边缘图像．实验结果表明,这种边缘检测方法明显优于直接对原图像单独使用Canny算子或基于小波变换的边缘检测方法．     

基于提升小波变换的医学图像融合

目的 将不同模态的医学图像(如CT/MRI图像)进行科学融合,可以有效地丰富图像的信息,提高信息的利用效能,这对于医学临床诊断具有重要的理论研究意义和应用价值。方法 基于提升小波变换的特性,对多模态医学图像的融合算法进行研究。首先,对已配准的源图像进行多尺度分解,得到低频子带和多层高频子带;进而,根据低频子带的特点和各层高频子带的噪声含量不同,提出了低频子带系数采用基于区域平均能量的加权融合规则;对噪声含量较低的低层高频子带采用基于计盒分维法获取分维数,而对噪声含量较高的高层高频子带提出了基于区域梯度能量加权融合规则。结果 分别对灰度图像和彩色图像进行了大量融合实验,并分别在主观视觉特性及客观评价指标下对不同融合算法产生的融合图像的质量进行了分析对比,表明本文算法具有较好的边缘保持度。结论 实验结果表明,较现有算法产生的融合图像,应用本文融合算法得到的图像具有更丰富的信息,更能使图像灰度级分散,具有更良好的视觉特性和评价指标。     

基于Sobel算子的小波包变换遥感图像融合算法

针对遥感图像融合时图像的空间信息与光谱信息不易兼容的问题,在小波包变换的基础上提出了一种基于Sobel算子的图像融合算法。该方法将多光谱图像与高分辨率图像进行小波包变换,根据阈值选用不同的融合准则得到小波低频系数,利用Sobel算子提取图像高频特征值,采用最值法获取高频系数。实验结果表明,所提算法优于传统的HIS(Intensity,Hue,Saturation)变换、小波变换以及两者结合的方法,在较好地保留图像光谱信息的同时,进一步增强图像的细节信息、边缘特征,从而提高图像的清晰度。