科技通报

多尺度快速清晰度估计的多聚焦图像超分辨融合技术

点击数:10    日期:2016-10-24 08:57:54

为了提高图像融合清晰度,提出了一种基于多尺度快速清晰度估计的多聚焦图像超分辨率融合技术,利用小波分解算法结合图像清晰度估计算法,
  

 摘 要: 为了提高图像融合清晰度,提出了一种基于多尺度快速清晰度估计的多聚焦图像超分辨率融合技术,利用小波分解算法结合图像清晰度估计算法,实现对多聚焦图像清晰区域的分解、识别和提取,最终得到一幅各个区域都清晰的融合图像。实验结果表明,提出的技术保留了源图像中的几乎全部最清晰区域,融合后的图像清晰度比传统方法有了大幅度的提高,融合结果比较理想。
关键词: 多尺度; 清晰度估计; 多聚焦图像融合; 超分辨率融合
本文引用《现代电子技术
0 引 言
随着计算机技术的不断发展,图像融合技术作为信息融合技术的一个重要分支,发展的速度越来越快,所起到的作用也越来越突出。在采集图像时,聚焦和离焦物体所成像的清晰度有很大的差别,前者清晰,后者模糊。图像融合,顾名思义就是将2张或以上的图像融合到1张图像上。多聚焦图像则是摄取场景中的目标和相机传感器距离不一样,从而导致聚焦点也不一样,进而拍摄出图像清晰度有所不同的多幅图像,如果将这些多清晰度略有区别的图像相互融合,便可以得到一张十分清晰的图像,这样可以清楚地获取到真实场景中更多的信息,也更加方便人的观察或者计算机的处理。近几年,图像融合技术得到迅猛发展,在遥感探测、安全导航、医学图像分析、反恐检查、环境保护、交通监测、清晰图像重建、灾情检测与预报等领域都有着重大的应用价值。
1 多尺度快速清晰度估计
1.1 基本思想和概念
多尺度的基本思想是将被融合的图像从多个尺度进行变换,依据特定的算法,把这些图像融合起来构成一个新的图像的多尺度组合。本文介绍的清晰度估计就是建立在多尺度变换的基础上,对其进行估计然后进行应用。
在实际应用的过程中,图像的融合依据信息的不同可以分为不同的三个阶段:像素处理阶段、特征处理阶段和符号决策处理阶段,见图1。像素处理是最底层,图像在该层级上的融合主要是物理参数的融合,这其中每一个像素都是由其他多个被融合图像相对应区域的信息决定的;在特征处理阶段,不同图像被输入系统后,由系统对图像进行处理,抽取其形状、纹理、对比度等特征进行融合,这样就可以把有价值的图像特征更好的表现出来;在符号决策处理阶段,接收到的信息已经是用过前两个阶段抽取的原始图像的特征值和分类值,这里是对图像信息的进一步抽象与融合。
1.2 多尺度分解算法
对于图像进行多尺度的分解,其方法有很多,目前常用的有两种算法:一种是按图像的空间域对图像进行分解;另一种是按图像的频率域对图像进行分解。
按空间域进行分解的算法叫金字塔算法,该算法是由Burt P.J早在1986年提出的,随后Goutsias J和Heijmans 提出了金字塔算法的框架结构。该算法的特点是,不同的分解方法和重构方法可以得到不同的分界,其中非线性的金字塔应用最广泛,它的分解和重构都利用了形态学算子。金字塔算法在图像融合研究的初期得到了很大的重视和发展,但是随着基于频率域分解的小波算法的提出,金字塔算法的优势越来越不明显,最终被小波算法替代。
小波算法是基于图像的频率域进行的图像分解算法,它是在1988年前后被提出的,基于图像编码和模式匹配提出的一种算法,由于其独特的优越性,之后在信息处理方面得到了广泛的应用。小波算法应用在图像融合中,其计算的框架如图2所示。
先将图像进行变换,得到图像的小波系数,然后对其按照融合规则进行融合,然后再反变换成融合的图像。
按图像频率域进行多尺度分解与按图像空间域分解的优点主要有以下几个方面:
(1) 小波算法在进行小波变换时,可以在分解过程中引入空间的方向信息,但是金字塔算法做不到这一点;
(2) 金字塔算法分界的存在导致如果输入图像的清晰差别很大时,融合后的图像的边界会十分明显,这大大影响了图像融合的效果,但利用小波算法就不会出现这种情况;
(3) 在图像融合的信噪比方面,小波变换比金字塔算法更好。
1.3 清晰度估计算法
当一幅图像有清晰区域和模糊区域时,如何判断出清晰区域与模糊区域是进行下一步图像融合的关键。在多尺度分解图像的基础上对其分解后的清晰度进行估计,是区分清晰区域和模糊区域的主要做法。
2 多聚焦图像超分辨融合
2.1 清晰区域判断
数据放在同一层,用户使用频率高的数据放在主要层,不同的数据放在不同的层。对输入的多聚焦图像进行超分辨的融合,首先要对清晰区域进行识别和提取。如上文所述,本文利用频率域将多个输入的多聚焦图像的清晰区域识别划分,然后提取融合。以两幅多聚焦图像的融合为例说明融合的过程。
第三步,将经过以上步骤得到的图像清晰区域通过降采样,然后升采样,这样使两幅图像中区域的频率域值相同,为后面的图像融合做好准备。
2.2 图像融合框架
基于多尺度快速清晰度估计的多聚焦图像超分辨融合的框架,如图3所示。在这一框架下,有提取特征、匹配、决策和组合等模块。
多尺度分析模块:如上文所述,将输入的源图像进行频域或者空间域分解,然后进行多尺度清晰度估计。
显著特征度量模块:对于已经分解的图像,在分析域中抽取其中比较显著的部分,这些部分对图像是明显的反映或是图像的特征。
匹配模块:寻找相似的部分,匹配值反映了2个输入源的相似性。
决策模块:这个模块是融合算法的核心模块,它的输出直接决定了最终的组合块的效果。
组合模块:该模块将得到的系数按构成一幅图像的方法进行组合。
多尺度反变换模块:通过反变换将组合结果映射回去,得到最终融合的图像。
3 实验结果
本文以两幅榕树叶的多聚焦图像的融合为例,对本文提出的方法进行了实验验证。实验选取的两幅多聚焦图像来自网络,首先对这两幅图像进行标记,分别记为[I1]和[I2,]将标记后的图像进行分解,将两幅图像都依次分解为9×9大小的图像块,利用上文所述清晰度估计公式对分解后的区域进行清晰度估计,计算其频率域值,其次按0.1的降采样尺度递减,计算出分解后的每个图像块的真实降采样数据和相对数据,然后再从这些图像块中选取20个图像块,将其与源图像具有相同内容的树叶图像进行比较,对提取的次清晰区域采用对应尺度进行超分辨率重建,这样一来,就可以得到每个区域的重建图像,即可得到最终的超分辨率重建的融合结果,融合结果如图4所示。由图4所示的实验结果可以看出,本文提出的基于多尺度快速清晰去估计的多聚焦图像超分辨融合技术是可行的,并且最终的图像融合效果也是十分令人满意的。
4 结 语
本文提出了一种基于多尺度快速清晰度估计的多聚焦图像超分辨率融合的技术,通过分析研究对比传统的对图像的多尺度分解算法,指出基于图像频率域的小波分解算法比基于图像空间域的金字塔算法具有优势,利用小波分解算法结合图像清晰度估计算法,实现对多聚焦图像清晰区域的分解、识别和提取,通过对两幅多聚焦图像的研究,搭建图像融合系统框架,提取两幅图像的不同清晰区域和模糊区域,分别计算并得到两幅图像清晰区到模糊区的降采样尺度,然后对这些次清晰区域进行超分辨率重建,最终得到一幅各个区域都清晰的融合图像。实验结果表明,本文提出的基于多尺度快速清晰度估计的多聚焦图像超分辨率融合技术保留了源图像中的几乎全部最清晰区域,相比于传统的图像融合方法有了极大提高和改善,融合后的图像清晰度也比传统方法得到的图像的清晰度有了大幅度的提高,融合结果比较理想,值得借鉴。
参考文献
[1] 徐海,安吉尧.一种新的结合SVM和FNN的多聚焦图像融合算法[J].计算技术与自动化,2015(1):81?87.
[2] 王振飞,范刚龙.基于神经网络与对比度的多聚焦图像融合技术[J].计算机应用,2006,26(7):1590?1592.



王编辑
中联论文网编辑
刘编辑
中联论文网编辑
赵编辑
中联论文网编辑
孙编辑
中联论文网编辑
电话
18931176030
固话
0311-80693734
投稿邮箱
ttqikan@163.com
99期刊承诺发表不成功无条件退款!
客服系统