高永光,宋志娜,蔡肖芋
(1.61683部隊(duì),北京 100094;2.武漢大學(xué) 遙感信息工程學(xué)院,湖北 武漢 430079;3.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430079)
基于NSCT的自適應(yīng)可見(jiàn)光與紅外圖像融合方法
高永光1,宋志娜2,蔡肖芋3
(1.61683部隊(duì),北京 100094;2.武漢大學(xué) 遙感信息工程學(xué)院,湖北 武漢 430079;3.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430079)
針對(duì)可見(jiàn)光與紅外圖像的融合問(wèn)題,基于 NSCT 多方向、多尺度分解和平移不變性等優(yōu)點(diǎn),提出了一種基于NSCT的自適應(yīng)可見(jiàn)光與紅外圖像的融合方法。通過(guò) NSCT 對(duì)可見(jiàn)光與紅外圖像進(jìn)行分解,在各分解層上根據(jù)圖像質(zhì)量評(píng)價(jià)指標(biāo)來(lái)選取融合規(guī)則,并通過(guò)評(píng)價(jià)指標(biāo)的自適應(yīng)控制 NSCT 分解層數(shù)使最終融合圖像具有最優(yōu)的效果。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)融合算法相比,該方法在主觀和客觀評(píng)價(jià)方面均優(yōu)于其他融合方法。
紅外圖像;圖像融合;NSCT;質(zhì)量評(píng)價(jià)
圖像融合是將多個(gè)圖像傳感器或同一圖像傳感器以不同工作模式獲取的關(guān)于同一場(chǎng)景的圖像信息加以綜合,以獲得更準(zhǔn)確的場(chǎng)景描述[1]??梢?jiàn)光影像是由傳感器接收地物反射的可見(jiàn)光波段光譜來(lái)成像,具有空間分辨率高、細(xì)節(jié)豐富的特點(diǎn),但可見(jiàn)光影像受云層狀況、成像時(shí)間等天氣條件影響。 與可見(jiàn)光影像的成像機(jī)理不同,紅外影像是將紅外傳感器接收到的紅外輻射映射成灰度值并轉(zhuǎn)化為紅外影像。紅外傳感器是被動(dòng)工作方式,具有抗干擾性強(qiáng)、目標(biāo)識(shí)別能力強(qiáng)、能全天候工作的特點(diǎn)。但紅外影像也有對(duì)比度低、邊緣模糊、信噪比低、成分復(fù)雜等缺點(diǎn),受大氣熱輻射、作用距離遠(yuǎn)、探測(cè)器噪聲等因素影響。因此通過(guò)圖像融合使得融合圖像中既包含可見(jiàn)光圖像中的豐富細(xì)節(jié)信息,又包含了紅外圖像中的目標(biāo)信息,從而便于識(shí)別和后續(xù)分析處理,具有很重要的現(xiàn)實(shí)意義[2-4]。
近些年來(lái)出現(xiàn)了多尺度分析工具——非下采樣Contourlet變換NSCT(nonsubsampled contourlet trasnform),該工具來(lái)源于Contourlet變換,具有多方向、多尺度分解和平移不變性,能夠很好地捕捉圖像中潛在的幾何結(jié)構(gòu)信息,應(yīng)用在可見(jiàn)光與紅外圖像融合中具有較強(qiáng)優(yōu)勢(shì)[5-7]。但現(xiàn)有基于NSCT的多源圖像融合方法多數(shù)是將NSCT分解后的子帶圖像劃分為低頻部分和高頻部分,忽略了高頻部分包含的細(xì)節(jié)信息;另一方面,現(xiàn)有圖像融合的一般流程為圖像融合完成后再對(duì)圖像進(jìn)行質(zhì)量評(píng)價(jià),很少將圖像效果評(píng)價(jià)的信息加入到融合規(guī)則的選取和參數(shù)的選擇過(guò)程中??紤]到上述兩個(gè)方面,本文將質(zhì)量評(píng)價(jià)指標(biāo)應(yīng)用在低頻、次高頻和高頻部分的融合規(guī)則選取中,提出了一種基于 NSCT變換的自適應(yīng)可見(jiàn)光與紅外圖像融合算法,將圖像質(zhì)量評(píng)價(jià)指標(biāo)應(yīng)用到NSCT變換的規(guī)則選取中,通過(guò)自適應(yīng)的方式得到最優(yōu)表示的融合圖像。
NSCT變換由非下采樣金字塔濾波器組(nonsubsample pyramid filter banks,NSPFB)和非下采樣方向?yàn)V波器組(non-subsample pyramid directional banks,NSDFB)組成,是借鑒Atrous算法實(shí)現(xiàn)的一種多尺度變換方法[8]。NSCT變換首先由NSPFB進(jìn)行多尺度、多分辨率變換,再由NSDFB進(jìn)行多方向變換,且兩組濾波器都可以重構(gòu)。NSCT變換能完成對(duì)圖像多尺度、多方向的分解和重構(gòu),適合于多尺度圖像處理。
圖1 NSCT分解結(jié)構(gòu)圖
NSCT變換過(guò)程中對(duì)分解濾波器先作上采樣操作,再將信號(hào)輸入分解濾波器;在NSCT變換的重構(gòu)過(guò)程中對(duì)合成濾波器先作上采樣操作,再將信號(hào)輸入合成濾波器。由于NSCT變換的分解和重構(gòu)是對(duì)相應(yīng)的分解濾波器和合成濾波器作上采樣操作,所以使NSCT變換具有平移不變的特性,并且經(jīng)過(guò)NSCT變換后的子帶信號(hào)與原始輸入信號(hào)大小是相同的。
2.1 NSCT分解層數(shù)對(duì)融合結(jié)果的影響
在基于NSCT變換的多源圖像融合中,如果分解級(jí)數(shù)K取值過(guò)小,NSCT變換相對(duì)于其他多尺度分析工具的優(yōu)勢(shì)就得不到體現(xiàn);如果K取值過(guò)大,NSCT算法在程序運(yùn)行過(guò)程就會(huì)占用較大內(nèi)存,從而導(dǎo)致運(yùn)算效率低,因此正確選取分解級(jí)數(shù)K對(duì)圖像融合有著直接的影響??偨Y(jié)其他研究成果,分解級(jí)數(shù)K的取值范圍一般為 2<K<7。本文采用循環(huán)迭代自適應(yīng)的方法來(lái)確定K的取值,當(dāng)K的取值滿足以下三個(gè)條件其中一個(gè)時(shí)停止迭代,并得到最終的融合圖像。
1)NSCT變換分解級(jí)數(shù)K達(dá)到某一上限,即當(dāng)K=7。
2)當(dāng)K=n和K=n+1時(shí)的二次圖像融合效果質(zhì)量評(píng)價(jià)指標(biāo)
3)E(K)取值達(dá)到最優(yōu)。E(K)計(jì)算公式如下:
其中,SSIM為基于結(jié)構(gòu)相似度的融合圖像評(píng)價(jià)指標(biāo)[9],該指標(biāo)反映的是圖像的亮度、對(duì)比度和結(jié)構(gòu)3個(gè)方面的信息;Q為基于邊緣信息傳遞量的因子[10],反映的是圖像中的邊緣信息。
2.2 融合規(guī)則的選取
源圖像經(jīng)過(guò)NSCT變換分解的低通子帶部分包含了圖像的大部分信息,為了使融合的圖像更清晰,并且保留兩幅圖像中的細(xì)節(jié)信息,低頻子帶部分采用平均梯度加權(quán)方法來(lái)作為融合規(guī)則。如果直接采用兩幅圖像的平均梯度作為選取規(guī)則,難免會(huì)將高頻部分的信息當(dāng)作低頻選取的依據(jù),故在此構(gòu)建平均梯度矩陣并對(duì)該矩陣進(jìn)行NSCT分解,取其低頻部分系數(shù)作為源圖像低頻部分融合規(guī)則選取的依據(jù)。平均梯度矩陣的構(gòu)成規(guī)則如下:
式中,f (x, y)位于邊框位置。
源圖像經(jīng)過(guò)NSCT分解后的次高頻部分既包含了圖像中的邊緣信息,又包含了一部分的細(xì)節(jié)信息。本文次高頻部分的融合規(guī)則選取對(duì)NSCT分解后的次高頻子帶系數(shù)采用局部方差取大的方法,能最大限度地保留源圖像中的邊緣信息和細(xì)節(jié)信息,計(jì)算方法為:
式中,M1(x,y)和 M2(x,y)分別為可見(jiàn)光與紅外圖像經(jīng)過(guò) NSCT 分解后的次高頻子帶系數(shù),局部方差范圍選擇5×5的窗口。
質(zhì)量評(píng)價(jià)指標(biāo)因子Q反映了融合圖像中保留源圖像邊緣信息量的多少,因此為了使融合圖像保留更多的源圖像邊緣信息并方便后續(xù)目標(biāo)信息的提取,源圖像經(jīng)NSCT分解后的高頻子帶系數(shù)融合采用Q因子作為選取依據(jù)。在融合過(guò)程中,為了確定是從源圖像X還是Y中提取的信息以及提取了多少,構(gòu)建了非歸一化的Qxy/y和Qyy/x矩陣。該矩陣反映了源圖像X相對(duì)Y和源圖像Y相對(duì)X所包含的邊緣信息量的大小。矩陣經(jīng)NSCT分解后的高頻子帶系數(shù)記作C1(x,y)和 C2(x,y),圖像經(jīng)NSCT分解后的高頻系數(shù)融合計(jì)算方法為:
其中,H1(x,y)和H2(x,y)分別為可見(jiàn)光圖像和紅外圖像經(jīng) NSCT 分解后的高頻子帶系數(shù)。
2.3 自適應(yīng)可見(jiàn)光與紅外圖像融合
基于NSCT變換的自適應(yīng)可見(jiàn)光與紅外圖像融合算法的步驟為:
1)對(duì)源圖像可見(jiàn)光圖像和紅外圖像進(jìn)行N層NSCT變換,并構(gòu)建平均梯度和Q因子矩陣,分別得到源圖像分解的低頻子帶部分、次高頻子帶部分和高頻子帶部分。
2)對(duì)第一步構(gòu)建的平均梯度矩陣和Q因子矩陣同樣進(jìn)行NSCT變換,并對(duì)各個(gè)子帶部分采取不同的融合規(guī)則重構(gòu)圖像,然后以圖像質(zhì)量評(píng)價(jià)指標(biāo)SSIM和Q因子構(gòu)建一個(gè)新的質(zhì)量評(píng)價(jià)指標(biāo)Evaluation,并以此作為NSCT變換分解層數(shù)的控制參數(shù)。
3)當(dāng)新的質(zhì)量評(píng)價(jià)指標(biāo)E(K)達(dá)到最優(yōu)時(shí)停止迭代,并得到最終的融合圖像。
本次實(shí)驗(yàn)選取了兩組實(shí)驗(yàn)數(shù)據(jù),第一組為L(zhǎng)andsat7衛(wèi)星ETM+傳感器獲取的全色波段0.4~0.9 μm影像,空間分辨率為30 m;紅外影像為熱紅外波段10~14 μm影像,空間分辨率為60 m。第二組數(shù)據(jù)為西安閻良機(jī)場(chǎng)地區(qū)的可見(jiàn)光與機(jī)載紅外圖像數(shù)據(jù),其中可見(jiàn)光圖像為全色波段8 bit的灰度圖像(波段范圍為0.4~0.9 μm),紅外圖像為單波段16 bit的灰度圖像(波段范圍為3~5 μm),兩幅圖像空間分辨率均為1 m。將本文提出的方法與簡(jiǎn)單加權(quán)平均(WA)[11]、小波變換融合(WT)、NSCT 變換融合方法進(jìn)行對(duì)比[6,12],并進(jìn)行客觀質(zhì)量評(píng)價(jià)來(lái)驗(yàn)證本文方法的優(yōu)越性。融合圖像的質(zhì)量采用均值、信息熵、標(biāo)準(zhǔn)差、SSIM和Q因子作為評(píng)價(jià)指標(biāo)。融合結(jié)果如圖2、圖3所示。
圖2 實(shí)驗(yàn)一融合結(jié)果
圖3 實(shí)驗(yàn)二融合結(jié)果
從融合結(jié)果圖可以看出,本文的算法結(jié)果不僅包含了可見(jiàn)光影像中豐富的細(xì)節(jié)信息,也使得紅外圖像的熱目標(biāo)信息得以凸顯。相比加權(quán)平均法,本文方法更能捕捉圖像的細(xì)節(jié)信息,驗(yàn)證了多尺度分析工具用于圖像融合的優(yōu)越性;與小波變換法、NSCT 變換融合相比較,NSCT 變換融合方法有著更好的視覺(jué)效果,而本文的融合算法主觀上比 NSCT 變換融合算法更優(yōu)。
本文從均值、信息熵、標(biāo)準(zhǔn)差、SSIM和Q因子共5個(gè)圖像質(zhì)量評(píng)價(jià)指標(biāo)對(duì)上述實(shí)驗(yàn)結(jié)果進(jìn)行客觀評(píng)價(jià),表1、表2為質(zhì)量評(píng)價(jià)結(jié)果。圖像均值反映了對(duì)圖像在平均亮度上的要求,信息熵反映了對(duì)圖像細(xì)節(jié)表現(xiàn)能力的要求,標(biāo)準(zhǔn)差反映了對(duì)圖像灰度分布上的要求,SSIM反映了圖像結(jié)構(gòu)相似程度,Q因子為圖像質(zhì)量因子。從表中結(jié)果可以看出,本文算法在信息熵、標(biāo)準(zhǔn)差、SSIM、Q因子指標(biāo)上均優(yōu)于其他算法,取得了最佳的融合效果,統(tǒng)計(jì)數(shù)據(jù)得到的評(píng)價(jià)結(jié)果與理論分析、視覺(jué)效果一致,驗(yàn)證了本文算法的有效性。
表1 實(shí)驗(yàn)1圖像質(zhì)量評(píng)價(jià)
表2 實(shí)驗(yàn)2圖像質(zhì)量評(píng)價(jià)
本文針對(duì)可見(jiàn)光與紅外圖像的融合問(wèn)題,充分利用了NSCT變換的優(yōu)勢(shì)并采用圖像質(zhì)量評(píng)價(jià)體系作為指導(dǎo),提出了一種基于NSCT的自適應(yīng)可見(jiàn)光與紅外圖像的融合方法,該方法將圖像質(zhì)量評(píng)價(jià)指標(biāo)應(yīng)用于圖像融合規(guī)則的選取過(guò)程中,并通過(guò)最終的圖像質(zhì)量評(píng)價(jià)指標(biāo)控制NSCT變換的分解層數(shù),使得融合圖像達(dá)到最佳的效果。在實(shí)際圖像融合過(guò)程中,隨著傳感器種類的增多,多源圖像、多種融合方法相結(jié)合得到更好的融合效果將是今后重要的研究方向。
[1] 敬忠良,肖剛,李振華.圖像融合:理論與應(yīng)用[M].北京:高等教育出版社,2007
[2] TOWNSEND D W, BEYER T. A Combined PET/CT Scanner: the Path to True Image Fusion [J].British Journal of Radiology, 2002, 75(9): 24-30
[3] 田思.微光與紅外圖像實(shí)時(shí)融合關(guān)鍵技術(shù)研究[D].南京:南京理工大學(xué),2010
[4] 李俊山,楊威,張雄美.紅外圖像處理、分析與融合[M].北京:科學(xué)出版社,2009
[5] 向靜波,蘇秀琴,陸陶.基于Contourlet變換和形態(tài)學(xué)的圖像增強(qiáng)方法[J].光子學(xué)報(bào),2009,38(1):224-227
[6] 張強(qiáng),郭寶龍.一種基于非采樣 Contourlet 變換紅外圖像與可見(jiàn)光圖像融合算法[J].紅外與毫米波學(xué)報(bào),2007,26(6):476-480
[7] 劉興淼,王仕成,趙靜.結(jié)合統(tǒng)計(jì)分布和非下采樣Contourlet變換的紅外小目標(biāo)檢測(cè)[J].光學(xué)精密工程,2011,19(4):908-915
[8] DO M N, VETTERLI M. The Finite Ridgelet Transform for Image Representation [J]. IEEE Transactions on Image Processing, 2003, 12(1):16-28
[9] STARCK J L,MURTAGH F, CANDèS E J,et al. Gray and Color Image Contrast Enhancement by the CurveletTransform [J].IEEE Transactions on Image Processing, 2003, 12(6): 706-717
[10] BURT P J, ADELSON E H. The Laplacian Pyramid as a Compact Image Vode [J].IEEE Transactions on Communications, 1983, 31(4): 532-540
[11] 李偉.像素級(jí)圖像融合方法及應(yīng)用研究[D].廣州:華南理工大學(xué),2006
[12] 劉倩,杜宏.一種基于小波變換的可見(jiàn)光與紅外圖像融合算法研究[J]. 車(chē)輛與動(dòng)力技術(shù),2011(3): 73-80
P237
B
1672-4623(2016)12-0030-03
10.3969/j.issn.1672-4623.2016.12.011
高永光,博士,工程師,研究方向?yàn)檫b感應(yīng)用。
2015-06-29。
項(xiàng)目來(lái)源:國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展規(guī)劃項(xiàng)目(2012CB719906);國(guó)家高技術(shù)研究發(fā)展計(jì)劃資助項(xiàng)目(SS2013AA122301)。