亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        多聚焦圖像融合中最優(yōu)雙樹復(fù)小波分解層數(shù)的選擇

        2014-04-29 00:00:00宋瑾
        中國(guó)新通信 2014年22期

        【摘要】 采用具有近似平移不變性和方向選擇性的雙樹復(fù)小波變換對(duì)多聚焦圖像進(jìn)行多分辨率分析與重構(gòu),是一種高效的融合方法。然而,分解層數(shù)的選擇是影響該算法性能的重要因素之一。本文提出了一種基于信息熵、互信息量、邊緣融合質(zhì)量和加權(quán)融合質(zhì)量等融合質(zhì)量評(píng)價(jià)指標(biāo)確定最優(yōu)分解層數(shù)的方法。實(shí)驗(yàn)結(jié)果表明,不同的原始圖像用同種融合算法分解重構(gòu),最優(yōu)分解層數(shù)不一定相同;相同的原始圖像用不同的融合算法分解重構(gòu),最優(yōu)分解層數(shù)也不一定相同。因此,只有綜合考慮多種代表性的評(píng)價(jià)指標(biāo),才能確定最優(yōu)分解層數(shù)。

        【關(guān)鍵詞】 雙樹復(fù)小波 多聚焦圖像 融合 最優(yōu)分解層數(shù)

        一、引言

        現(xiàn)實(shí)生活中,一些光學(xué)鏡頭往往不能使同一場(chǎng)景中的多個(gè)目標(biāo)都在同一聚焦區(qū)域,這種情況下致使圖像不是全面清晰的。這就需要分多次分別聚焦其中某一區(qū)域,再對(duì)這些圖片進(jìn)行融合處理,得到各個(gè)目標(biāo)都清晰的一幅圖片,這張圖片對(duì)場(chǎng)景描述得比任何單一源圖像都更精確、更全面,便于人眼的觀察或計(jì)算機(jī)的后續(xù)處理,這一過程就是多聚焦圖像的融合。

        圖像融合的方法與具體的處理對(duì)象類型、處理等級(jí)有關(guān)。這主要是各類圖像的解析度不同、表現(xiàn)的內(nèi)容不同,相應(yīng)的處理方法也要根據(jù)具體情況而定。雙樹復(fù)小波變換(Dual-Tree Complex Wavelet Transform,DT-CWT),不僅保持了傳統(tǒng)小波優(yōu)良的時(shí)頻局部化分析能力,還具有優(yōu)良的方向分析能力,能夠反映圖像在不同分辨率上沿多個(gè)方向變化的情形,更好地描述圖像的方向性。但是雙樹復(fù)小波分解層數(shù)的選擇是影響圖像融合質(zhì)量的一大關(guān)鍵性因素,層數(shù)選擇過少,會(huì)降低融合圖像的空間質(zhì)量;選擇過大,又會(huì)增加融合圖像變形的可能性。本文基于雙樹復(fù)小波變換對(duì)圖像進(jìn)行融合,并討論如何對(duì)最優(yōu)分解層數(shù)進(jìn)行選擇。

        二、基于雙樹復(fù)小波變換的圖像融合

        2.1 雙樹復(fù)小波變換理論的提出

        1822年傅立葉(Fourier)發(fā)表了“熱傳導(dǎo)解析理論”,然而它在時(shí)域里無定位性及無分辨率。1946年Gabor提出了Gabor變換,又發(fā)展成為短時(shí)傅立葉變換(STFT),給信號(hào)加一小窗,反映出信號(hào)的局部特征。但無法同時(shí)適應(yīng)高頻及低頻信號(hào)的要求,且不能構(gòu)成一組正交基,給計(jì)算帶來不便。小波變換繼承和發(fā)展了STFT的局部化思想,又彌補(bǔ)了Gabor變換的不足之處,但仍存在不具備平移不變性和有限的方向選擇性的兩大缺陷。Simoncelli在拉普拉斯金字塔結(jié)構(gòu)和可操控濾波器基礎(chǔ)上設(shè)計(jì)提出了復(fù)小波變換理論,既能保持平移不變性又具有方向選擇性,但它的問題是在超過一層分解時(shí)由于輸入形式是復(fù)數(shù)形式,要構(gòu)造它完整的重構(gòu)濾波器非常困難。N.G.Kingsbury提出了雙樹復(fù)小波(dual-tree complex wavelet transform,DT-CWT),既滿足完全重構(gòu)條件,又保留了復(fù)小波其它的優(yōu)點(diǎn),也就是說既保持了傳統(tǒng)的小波變換時(shí)頻局部化的分析能力,還具有近似的平移不變性和良好的方向選擇性。[1-3]

        2.2 雙樹復(fù)小波變換理論

        雙樹復(fù)小波變換(DT-CWT)使用解析的(analytical)復(fù)小波函數(shù)基。設(shè)計(jì)一對(duì)小波函數(shù)和,使其滿足Hilbert變換對(duì)要求。則由這兩個(gè)函數(shù)分別作為實(shí)部和虛部的復(fù)小波函數(shù)是解析的,其頻譜只包含正的高頻部分。

        圖1為二維雙樹復(fù)小波正變換框圖。四個(gè)方框表示行列可分離的Mallat算法中的濾波器組結(jié)構(gòu)。其中和為對(duì)應(yīng)的低通和高通濾波器,和為對(duì)應(yīng)的低通和高通濾波器。四組系數(shù)經(jīng)線性變換后得到雙樹小波系數(shù)的實(shí)部和虛部。每層分解產(chǎn)生12個(gè)高頻子帶(實(shí)部和虛部分別計(jì)為不同的子帶),冗余度固定為4,不隨分解層數(shù)增大而變化。

        圖像的雙樹復(fù)小波分解如圖2所示,從圖中的系數(shù)形狀也可以看出每個(gè)分解層包含了±15°,±45°,±75°6個(gè)方向。

        綜上所述,二維DT-CWT具有近似不變性,良好方向選擇性,有限數(shù)據(jù)冗余性及高效計(jì)算效率的特點(diǎn)。

        2.3 圖像融合

        圖像融合步驟如下:

        (1)將兩幅源圖像作雙樹復(fù)小波分解,以qshift為濾波器,得到多個(gè)分解層,每個(gè)分解層六個(gè)方向的細(xì)節(jié)子帶圖像和最高層的近似子帶圖像。

        (2)根據(jù)高低頻分量的不同特性,采用不同的融合策略對(duì)各個(gè)方向的子帶進(jìn)行融合。

        (3)利用雙樹復(fù)小波逆變換將融合后高低頻域重構(gòu)出融合圖像。

        三、分解層數(shù)確定方法

        基于雙樹復(fù)小波變換的原理可以看出,每一次分解都是對(duì)低頻近似分量進(jìn)行的,即進(jìn)一步刻畫圖像在低頻部分的細(xì)節(jié)特征。分解層數(shù)越多,產(chǎn)生的子帶越多,頻帶劃分得越細(xì),層數(shù)增加意味著級(jí)間的濾波器越多,造成信號(hào)移位也越大;另一方面,雙樹復(fù)小波分解合成都要進(jìn)行邊界延拓,層數(shù)越多引起邊界失真越大。[4]

        因此,選擇分解層數(shù)并不是越大越好。選擇合適的分解層數(shù)是得到最優(yōu)融合圖像的關(guān)鍵性因素。本文提出了基于多融合質(zhì)量評(píng)價(jià)確定最優(yōu)分解層數(shù)的方法。算法流程如圖3所示。

        圖3中設(shè)J為分解層數(shù),當(dāng)J=0時(shí),圖像融合在空間域中進(jìn)行。J值過大,將會(huì)引起子圖像像素的失真,而得不到多尺度的優(yōu)勢(shì)。因此雙樹復(fù)小波分解的最大分解層數(shù)應(yīng)該由輸入圖像的尺寸決定,如果輸入圖像的尺寸為N×N,的最大值為:

        (1)

        四、 融合質(zhì)量評(píng)價(jià)

        4.1 信息熵

        設(shè)被評(píng)定的融合圖像為,圖像函數(shù)為 ,圖像的大小為,為圖像總的灰度級(jí)。

        信息熵(Entropy)簡(jiǎn)稱熵是衡量圖像信息豐富程度的一個(gè)重要指標(biāo),圖像的熵定義為:

        (2)

        式中:EN ----表示圖像的熵;

        -----表示灰度值為的像素?cái)?shù)與圖像總像素之比。即:

        (3)

        反應(yīng)了圖像中具有不同灰度值像素的概率分布。間的關(guān)系圖即為圖像的灰度直方圖。

        如果融合圖像的熵越大,表示融合圖像所包含的信息越豐富,融合質(zhì)量越好。

        4.2 互信息量

        互信息量 MI(Mutual Information) 反映兩個(gè)變量之間相關(guān)性的量度,或一個(gè)變量包含另一個(gè)變量的信息量的量度,它的值越大表示融合圖像從原圖像中獲取的信息越豐富,融合效果越好。

        設(shè)源圖像分別為A、B,其灰度值范圍分別為[0,a]和[0,b];融合圖像為F,其灰度值范圍為。F與A、B的交互信息量分別表示為IFA和IFB。

        (4)

        (5)

        式中,,和分別是A、B和F的先驗(yàn)概率,PAF和PBF分別代表兩組圖像的聯(lián)合概率。綜合考慮這兩個(gè)數(shù)值取式(6)來表示融合圖像F包含源圖像A、B的交互信息量。

        (6)

        4.3 WFQI和EFQI

        Gemma Piella和Henk Heijamans[5]提出了無需標(biāo)準(zhǔn)參考圖像的圖像融合質(zhì)量客觀評(píng)價(jià)方法:邊緣融合質(zhì)量指標(biāo)EFQI(Edge-Dependent Fusion Quality Index)和加權(quán)融合質(zhì)量指標(biāo)WFQI(Weighted Fusion Quality Index)。該指標(biāo)充分考慮了人類的視覺特性,能夠度量?jī)煞鶊D像結(jié)構(gòu)上的失真和評(píng)價(jià)融合圖像中保留了多少顯著信息,優(yōu)于傳統(tǒng)的評(píng)價(jià)指標(biāo),且具有通用性。

        設(shè)兩個(gè)數(shù)組和,用表示的均值, 表示的方差, 表示和的協(xié)方差,以此類推。

        (10)

        (11)

        描述和間結(jié)構(gòu)化相似度的評(píng)價(jià)指標(biāo)定義為:

        (12)

        其取值在-1~1之間,值越大表明相似度越大,當(dāng)兩個(gè)數(shù)組完全相等時(shí)值為1。

        上述和可以看作是圖像的灰度值,由于圖像的非平穩(wěn)性,在處理兩個(gè)大小相同的圖像、時(shí),通常先分塊計(jì)算局部區(qū)域中的指標(biāo)值,再由局部指標(biāo)取均值得到總體指標(biāo),所以重新定義:

        (13)

        上式中的是圖像中所有窗口組成的集合,即總的窗口個(gè)數(shù)。本文計(jì)算中取窗口大小為7×7。

        在總體結(jié)構(gòu)化相似指標(biāo)的基礎(chǔ)上,為了評(píng)價(jià)源圖像、及融合圖像這三者之間的關(guān)系,構(gòu)造下面的函數(shù)來評(píng)價(jià)融合圖像的質(zhì)量:

        (14)

        其中:

        (15)

        是源圖像中窗口的某些顯著特征,如對(duì)比度、清晰度或熵, 本文計(jì)算中采用窗口中系數(shù)的方差值。

        在計(jì)算時(shí),可以對(duì)每個(gè)窗口賦予不同的權(quán)值,從而定義加權(quán)融合質(zhì)量評(píng)價(jià)指標(biāo)為:

        (16)

        其中

        (17)

        (18)

        考慮到人眼的視覺特性,即圖像邊緣信息的重要性,用梯度范數(shù)和分別代替源圖像的灰度值和,計(jì)算得到,定義邊緣融合質(zhì)量評(píng)價(jià)指標(biāo)為

        (19)

        上式中的用于調(diào)整邊緣圖像對(duì)原始圖像的貢獻(xiàn),值在[0,1]之間,本文取。

        以上評(píng)價(jià)指標(biāo)、的值都在[-1,1]之間,值越接近于1,表示融合圖像的質(zhì)量越高。

        五、實(shí)驗(yàn)分析

        5.1實(shí)驗(yàn)一:不同源圖像同種融合算法的最優(yōu)分解層數(shù)選擇

        圖4、圖5均為已配準(zhǔn)的多聚焦圖像,大小為512×512。根據(jù)式(1),最大分解層數(shù)為8層。

        兩圖均采用雙樹復(fù)小波分解重構(gòu),低頻子帶基于加權(quán)平均,高頻子帶基于局部能量取大,分解層數(shù)從1到8,采用互信息MI、熵EN、加權(quán)融合質(zhì)量指標(biāo)WFQI、邊緣融合質(zhì)量指標(biāo)EFQI、空間頻率SF作為客觀評(píng)價(jià)標(biāo)準(zhǔn),結(jié)果如表1所示。

        (a)左聚焦 (b)右聚焦

        圖4 源圖像mulfocus

        Fig.4 original image:mulfocus

        表1 兩種圖像融合質(zhì)量與分解層數(shù)的關(guān)系

        Tab.1 the relationship between two kinds of image fusion quality and decomposition level

        圖像 12345678

        mulfocusMI6.80366.84746.79196.89637.08677.19446.76206.5323

        EN7.09967.09877.09527.09987.10207.10837.14996.7891

        EFQI0.68460.86680.90350.90720.90750.90750.90720.5071

        WFQI0.86950.93080.94190.94340.94350.94350.94320.6428

        clockMI6.85516.77846.83586.88207.00507.18347.33096.4014

        EN6.99147.02937.05267.06407.06907.07777.06526.6630

        EFQI0.63030.71890.79650.81190.81380.81410.81420.5277

        WFQI0.86360.88510.90840.91540.91800.91910.91960.6911

        表2 mulfocus不同算法融合質(zhì)量與分解層數(shù)的關(guān)系

        Tab.2 mulfocus:the relationship between image fusion quality using different algorithms and decomposition level

        算法 12345678

        第一種

        算法MI6.80366.84746.79196.89637.08677.19446.76206.5323

        EN7.09967.09877.09527.09987.10207.10837.14996.7891

        EFQI0.68460.86680.90350.90720.90750.90750.90720.5071

        WFQI0.86950.93080.94190.94340.94350.94350.94320.6428

        第二種

        算法MI6.88196.77046.74496.78106.79856.83396.86916.3916

        EN6.97957.02167.04027.05767.06257.06637.09776.6675

        EFQI0.63050.71870.79460.80910.81060.81090.81090.5332

        WFQI0.86390.88590.91020.91670.91870.91940.91970.6964

        本文中所用融合性能評(píng)價(jià)指標(biāo)的準(zhǔn)則是:對(duì)于同一組融合實(shí)驗(yàn),得到的融合圖像的互信息量、信息熵、相對(duì)較大,邊緣融合質(zhì)量指標(biāo)、加權(quán)融合質(zhì)量指標(biāo)更接近于1,則說明該融合方法的性能相對(duì)較好。

        如表1所示,兩組源圖像采用的融合算法是相同的,對(duì)于mulfocus圖像,綜合對(duì)比各層評(píng)價(jià)指標(biāo),第6層相對(duì)較好。對(duì)于clock圖像,綜合對(duì)比各層評(píng)價(jià)指標(biāo),第7層相對(duì)較好。

        由此可見,不同的源圖像用同一種算法進(jìn)行融合,不能盲目確定哪個(gè)分解層最好,要結(jié)合融合質(zhì)量評(píng)價(jià)指標(biāo)來進(jìn)行判斷。

        5.2同種源圖像不同融合算法的最優(yōu)分解層數(shù)選擇

        以圖4mulfocus源圖像為例,采用兩種不同雙樹復(fù)小波分解算法,第一種采用低頻基于加權(quán)平均,高頻基于局部能量取大的融合算法;第二種采用低頻基于加權(quán)平均,高頻基于相似性度量的局部能量取大和加權(quán)平均相結(jié)合的融合算法。[6]分解層數(shù)依然從1到8,結(jié)果如表2所示。

        如表2所示,根據(jù)本文各評(píng)價(jià)指標(biāo)的準(zhǔn)則,綜合分析后,得出第一種算法中最優(yōu)分解層數(shù)為第6層,第二種算法中最優(yōu)分解層數(shù)為第7層??梢?,同一組源圖像,采用不同的融合算法進(jìn)行融合,也不能盲目確定分解層數(shù),也要根據(jù)評(píng)價(jià)指標(biāo)來進(jìn)行選擇。

        六、結(jié)束語

        采用雙樹復(fù)小波變換進(jìn)行多聚焦圖像融合時(shí),分解層數(shù)的選擇對(duì)融合質(zhì)量的好壞有著決定性的因素。但分解層數(shù)不能盲目選擇,也不是越多越好。本文提出了基于多融合質(zhì)量評(píng)價(jià)確定最優(yōu)分解層數(shù)的方法。實(shí)驗(yàn)證明,不同的原始圖像用同種融合算法分解重構(gòu),最優(yōu)分解層數(shù)不一定相同;相同的原始圖像用不同的融合算法分解重構(gòu),最優(yōu)分解層數(shù)也不一定相同。因此,只有綜合考慮多種代表性的評(píng)價(jià)指標(biāo),才能確定最優(yōu)分解層數(shù)。

        日韩精品综合一本久道在线视频| 丰满人妻AV无码一区二区三区| 国产精品一区二区三区黄片视频 | 国产av天堂亚洲国产av天堂| 国产精品久久久久影院嫩草| аⅴ天堂国产最新版在线中文| 久久亚洲精精品中文字幕早川悠里 | 四虎成人在线| 国产在线拍91揄自揄视精品91| 亚洲国产中文字幕在线视频综合| 国产白袜脚足j棉袜在线观看| 久久免费视频国产| 亚洲福利av一区二区| 国产91色综合久久高清| 999国内精品永久免费观看| 亚洲人在线观看| 亚洲第一页综合av免费在线观看| 中文字幕乱码熟女人妻在线 | 人成综合视频在线播放| 亚洲国产成人无码av在线影院| 精品国产亚洲一区二区在线3d| 亚洲综合天堂av网站在线观看| 国产亚洲一区二区在线观看| 免费特级毛片| 中文字幕人成人乱码亚洲 | AV熟妇导航网| 一区二区三区亚洲视频| 人妻少妇无码精品视频区 | 曰本人做爰又黄又粗视频| 午夜三级网| 国产女主播在线免费看| 日本熟妇人妻xxxx| 国产亚洲av人片在线观看| 国产精品麻豆A在线播放| 亚洲国产色婷婷久久精品| 国产精品无码久久久久久| 99精品成人片免费毛片无码| 日韩人妻大奶子生活片| 久久久噜噜噜久久中文福利 | 亚洲大胆美女人体一二三区| 亚洲第一狼人天堂网亚洲av|