一種改進多焦點圖像融合技術

姜媛

摘要：圖像融合就是采用一些算法，將不同傳感器對同一場景形成的不同像進行融合處理，使圖像的模糊部分更少，可讀性更強，更適合人眼觀察及其計算機進行檢測，識別，處理。

本文提出了一種改進的小波多焦點融合方法，其基本思想是：首先對圖像進行小波變換，在圖像的低頻區域根據特定原則選取近似系數和細節系數，更好的保留了圖像的邊緣特征，提高了圖像質量。利用Matlab仿真，將本文提出的方法與拉普拉斯金字塔融合算法和離散小波融合算法在平均值，標準差，熵和平均梯度進行定量評價比較，證明了本文提出方法的優越性。

0 引言：

圖像融合是指將不同傳感器所提供的信息加以綜合，以獲得對同一場景的更為精確，全面和可靠的圖像描述。[1]由于小波變換具有非冗余性，使得圖像經小波變換后的數據總量不會變大；利用小波變換的方向性，就有可能針對人眼對不同方向的高頻分量具有不同分辨率這一視覺特性， 獲得視覺效果更佳的融合圖像[2]。

傳統的小波變換融合方法得到的融合圖像效果，與原圖像清晰區域相比，其對應的圖像質量有所降低。因為這種方法會造成邊緣區域信息的丟失，為此本文提出一種改進的小波變換圖像融合方法，并對圖像的融合質量進行評價。

1 多焦點圖像小波融合基本理論

1.1多焦點圖像條件

本文采用兩幅圖像進行融合的方式來仿真驗證，這兩幅圖像需要滿足下列條件：

1：兩幅圖像是對同一場景成像

2：兩幅圖像是對場景中的不同物體聚焦的圖像

3：場景中的任何一個區域都可以在兩幅圖像之一得到清晰的體現

1.2小波圖像融合理論

圖像經過小波分解后，低頻部分描述的是圖像的背景信息，高頻部分描述的是圖像的邊緣以及紋理等細節信息。[3]

1.2.1 融合過程：

設原圖像是M與N最后得到的結果圖像是Z，融合的過程如下：

1：把小波基作用在源圖像上，將原圖像分解成不同頻率的子圖像

2：在不同的頻率上分別使用不同的融合準則和系數

3：把上面得到的圖像通過小波變換的逆變換進行重構，得到融合后的圖像。

1.2.2 不同頻率系數的選取原則

在對多分辨率的圖像進行融合的過程中，系數的選取決定了圖像融合最終的效果。系數主要包括近似系數和細節系數。

（1）近似系數的選取

低頻系數包含了圖像的邊緣信息。[4]為了強調傳統方法當中忽略的近似部分在圖像融合中起的作用，本文提出了一種改進的近似系數選擇方法。

假設兩幅原圖像M與N，經過K層小波分解后，得到低頻圖像LM和LN。對得到的近似圖像進行邊緣檢測。

近似系數選取的步驟為：首先判斷像素是否代表低頻圖像的邊緣。如果代表圖像的邊緣部分，則選擇系數值大的作為融合近似系數，如果不是代表圖像的邊緣部分，則計算以這個像素為中心的鄰域T內的能量，選擇能量較大的區域作為低頻融合近似系數。

（2）細節系數的選取

細節系數代表圖像的突變特征。由文獻可知，基于區域梯度與基于區域能量的方法充分的考慮到了各個像素之間的相關性，對圖像融合的效果更好。因此，本文采用基于區域能量的方法選取細節系數。

2 MATLAB仿真與結果評價

本文利用MATLAB軟件來對多焦點圖像A與B來進行圖像融合的仿真處理。將本文的算法同拉普拉斯金字塔融合算法和離散小波融合算法進行評價比較。先將圖像變為標準融合圖像，再從平均值，標準差，熵和平均梯度這四個方面進行評價。

由仿真結果定性的比較可以得出利用本文方法進行融合的圖像比利用拉普拉斯金字塔融合算法進行融合的圖像和利用離散小波算法融合的圖像在邊緣部分更加清晰，融合效果更好。利用MATLAB對圖像進行平均值，標準差，熵和平均梯度方面的定量指標可知本文方法得到的融合圖像平均值，標準差，熵和平均梯度較大，可以說明本文使用的方法處理的圖像亮度更高，邊緣部分更加突出，含有的信息更多。實驗評價對比結果顯示本文使用的方法優于拉普拉斯金字塔融合算法和離散小波融合算法，融合后圖像質量更好

參考文獻：

[1]Ishita De， Bhabatosh Chanda.A simple and efficient algorithm for multifocus image fusion using morphological wavelets. Signal Processing 86 （2006） ：924–936.

[2]劉貴喜，楊萬海.基于小波分解的圖像融合方法及性能評價[J].自動化學報，2002（06）：927-934.

[3]馮雪.多焦點圖像融合方法研究[D].東北師范大學，2008.

[4]張立凱.多焦點圖像融合方法的研究[D].吉林大學，2013.