專利名稱：一種基于小波變換和鄰域特征的多聚焦圖像融合方法
技術領域：
本發(fā)明涉及一種基于小波變換和鄰域特征的多聚焦圖像融合方法，屬于信息融合 領域，可以應用于各類軍用或民用的多聚焦圖像融合系統(tǒng)。
背景技術：
多聚焦圖像的融合是指對因鏡頭聚焦不同而形成的多個圖像進行一定處理，得到 目標聚焦都清晰的結果圖像的過程。目前多聚焦圖像的融合方法主要有基于金字塔形分解 的融合方法和基于小波變換的融合方法。由于金字塔形分解結構中不同分辨率的細節(jié)信息 彼此相關，算法穩(wěn)定性較差。而經(jīng)正交小波變換得到的各子帶數(shù)據(jù)分別落在相互正交的子 空間中，所以不同分辨率、不同子空間的細節(jié)信息相關性減小，因此基于小波變換的圖像融 合技術能克服金字塔形分解融合技術的不足。目前，人們對基于小波變換的多聚焦圖像融合方法的研究主要集中在高頻分量融 合規(guī)則的選擇上，而對低頻分量融合規(guī)則的研究則較少。由于圖像的低頻分量集中了圖像 的主要能量，反映圖像的近似和平均特性，因此對低頻分量融合規(guī)則的研究將直接影響到 融合圖像的質(zhì)量和清晰度。

發(fā)明內(nèi)容
要解決的技術問題為了避免現(xiàn)有技術的不足之處，本發(fā)明提出一種基于小波變換和鄰域特征的多聚 焦圖像融合方法，能夠提高融合后的圖像質(zhì)量，達到理想的實用效果。本發(fā)明的基本思想在于首先利用小波變換對待融合的源圖像進行多尺度分解， 得到低頻和高頻子圖像；然后根據(jù)低頻和高頻子圖像的各自特性，采用不用的融合規(guī)則進 行處理，其中，對低頻子圖像采用基于鄰域歸一化梯度加權平均的方法得到低頻融合系數(shù)， 對高頻子圖像采用基于鄰域標準差加權平均的方法得到高頻融合系數(shù)；最后進行小波重構 得到最終的融合圖像。技術方案一種基于小波變換和鄰域特征的多聚焦圖像融合方法，其特征在于步驟如下步驟1 預處理采用互相關方法對兩幅聚焦不同的源圖像進行圖像配準，并利用 線性變換方法將兩幅源圖像的灰度范圍映射到一個一致的灰度區(qū)間，得到預處理后的兩幅 圖像A和B;所述的一致的灰度區(qū)間為
或W，255]；步驟2 小波變換利用Mallat算法對預處理后的兩幅圖像A和B分別進行小波 變換，其中，對預處理后的圖像A進行小波變換得到小波變換系數(shù){C,}，對預處理后的 圖像B進行小波變換得到小波變換系數(shù){廣，//^}；所述的La和Lb分別表示預處理后的兩幅 圖像A和B的低頻子圖像；所述的H么和Η=,分別表示預處理后的兩幅圖像A和B在尺度t 下P方向的高頻子圖像；所述的t為小波變換的分解尺度，為大于等于1的整數(shù)；所述的ρ 表示每個分解尺度下的不同方向，P = 1,2, 3, ρ = 1表示水平方向，ρ = 2表示垂直方向，ρ=3表示對角方向；步驟3 融合處理采用基于鄰域歸一化梯度加權平均的方法對低頻子圖像La和 Lb進行融合處理，得到低頻融合圖像LF;采用基于鄰域標準差加權平均的方法對高頻子圖 像//；^和ζ/=,進行融合處理，得到高頻融合子圖像/iX ；所述的基于鄰域歸一化梯度加權平均的融合處理方法具體為
權利要求
一種基于小波變換和鄰域特征的多聚焦圖像融合方法，其特征在于步驟如下步驟1預處理采用互相關方法對兩幅聚焦不同的源圖像進行圖像配準，并利用線性變換方法將兩幅源圖像的灰度范圍映射到一個一致的灰度區(qū)間，得到預處理后的兩幅圖像A和B；步驟2小波變換利用Mallat算法對預處理后的兩幅圖像A和B分別進行小波變換，其中，對預處理后的圖像A進行小波變換得到小波變換系數(shù)對預處理后的圖像B進行小波變換得到小波變換系數(shù)所述的LA和LB分別表示預處理后的兩幅圖像A和B的低頻子圖像；所述的和分別表示預處理后的兩幅圖像A和B在尺度t下p方向的高頻子圖像；所述的t為小波變換的分解尺度，為大于等于1的整數(shù)；所述的p表示每個分解尺度下的不同方向，p＝1，2，3，p＝1表示水平方向，p＝2表示垂直方向，p＝3表示對角方向；步驟3融合處理采用基于鄰域歸一化梯度加權平均的方法對低頻子圖像LA和LB進行融合處理，得到低頻融合圖像LF；采用基于鄰域標準差加權平均的方法對高頻子圖像和進行融合處理，得到高頻融合子圖像所述的基于鄰域歸一化梯度加權平均的融合處理方法具體為其中，(i，j)表示圖像中像素點的位置為i行j列，i＝1，…，P，j＝1，…，Q，P為低頻子圖像的總行數(shù)，Q為低頻子圖像的總列數(shù)；LF(i，j)表示位于低頻融合圖像LF第i行j列像素點的值；KA(i，j)、KB(i，j)為低頻子圖像融合的權重系數(shù)，計算公式分別為 <mrow><msup> <mi>K</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mrow><msup> <mi>G</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow> <mrow><msup> <mi>G</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>+</mo><msup> <mi>G</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow></mfrac> </mrow>和 <mrow><msup> <mi>K</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mrow><msup> <mi>G</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow> <mrow><msup> <mi>G</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>+</mo><msup> <mi>G</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow></mfrac> </mrow>其中，GA(i，j)和GB(i，j)分別表示低頻子圖像LA和LB中以(i，j)像素為中心的M×N大小鄰域內(nèi)所有像素值的歸一化梯度平方和，計算公式分別為 <mrow><msup> <mi>G</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>m</mi><mo>=</mo><mo>-</mo><mrow> <mo>(</mo> <mi>M</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow> <mrow><mrow> <mo>(</mo> <mi>M</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>n</mi><mo>=</mo><mo>-</mo><mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow> <mrow><mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow></munderover><msup> <mrow><mo>[</mo><mfrac> <mrow><mo>|</mo><msup> <mi>L</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> <mo>)</mo></mrow><mo>-</mo><msup> <mi>L</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>|</mo> </mrow> <mrow><msup> <mi>L</mi> <mi>A</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>]</mo> </mrow> <mn>2</mn></msup> </mrow> <mrow><msup> <mi>G</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>m</mi><mo>=</mo><mo>-</mo><mrow> <mo>(</mo> <mi>M</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow> <mrow><mrow> <mo>(</mo> <mi>M</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>n</mi><mo>=</mo><mo>-</mo><mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow> <mrow><mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow><mo>/</mo><mn>2</mn> </mrow></munderover><msup> <mrow><mo>[</mo><mfrac> <mrow><mo>|</mo><msup> <mi>L</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> <mo>)</mo></mrow><mo>-</mo><msup> <mi>L</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>|</mo> </mrow> <mrow><msup> <mi>L</mi> <mi>B</mi></msup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>]</mo> </mrow> <mn>2</mn></msup> </mrow>所述的基于鄰域標準差加權平均的融合處理方法為 <mrow><msubsup> <mi>H</mi> <mrow><mi>p</mi><mo>,</mo><mi>t</mi> </mrow> <mi>F</mi></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>K</mi> <mrow><mi>p</mi><mo>,</mo><mi>t</mi> </mrow> <mi>A</mi></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><msubsup> <mi>H</mi> <mrow><mi>p</mi><mo>,</mo><mi>t</mi> </mrow> <mi>A</mi></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><mo>+</mo><msubsup> <mi>K</mi> <mrow><mi>p</mi><mo>,</mo><mi>t</mi> </mrow> <mi>B</mi></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow><msubsup> <mi>H</mi> <mrow><mi>p</mi><mo>,</mo><mi>t</mi> </mrow> <mi>B</mi></msubsup><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow>其中，為位于高頻融合子圖像第i行j列像素點的值；和分別為高頻子圖像融合的權重系數(shù)，計算公式分別為其中，和分別為高頻子圖像和中以(i，j)像素為中心的大小鄰域內(nèi)所有像素值的標準差；所述的M×N和大小鄰域均為大小為3×3、5×5、7×7等的正方形區(qū)域；步驟4小波重構將融合處理后得到的低頻融合圖像LF和高頻融合子圖像進行小波逆變換，得到最終的融合結果圖像。FSA00000327263700011.tif,FSA00000327263700012.tif,FSA00000327263700013.tif,FSA00000327263700014.tif,FSA00000327263700015.tif,FSA00000327263700016.tif,FSA00000327263700017.tif,FSA00000327263700018.tif,FSA00000327263700023.tif,FSA00000327263700024.tif,FSA00000327263700025.tif,FSA00000327263700026.tif,FSA00000327263700027.tif,FSA00000327263700028.tif,FSA00000327263700029.tif,FSA000003272637000210.tif,FSA000003272637000211.tif,FSA000003272637000212.tif,FSA000003272637000213.tif,FSA000003272637000214.tif,FSA000003272637000215.tif
2.根據(jù)權利要求1所述的一種基于小波變換和鄰域特征的多聚焦圖像融合方法，其特 征在于所述的一致的灰度區(qū)間為
或W，255]。
全文摘要
本發(fā)明涉及一種基于小波變換和鄰域特征的多聚焦圖像融合方法。首先利用小波變換對圖像進行多尺度分解，獲得圖像在不同分辨率和不同方向下的低頻和高頻信息；然后根據(jù)低頻和高頻信息的各自特性，采用不用的融合規(guī)則進行處理，其中，對低頻子圖像采用基于鄰域歸一化梯度加權平均的融合方法，克服了傳統(tǒng)的低頻分量融合方法忽略邊緣信息的缺點，對高頻子圖像采用基于鄰域標準差加權平均的融合方法，可以最大限度地保留圖像的細節(jié)信息；最后進行小波重構得到融合圖像。本發(fā)明克服了傳統(tǒng)的融合算法存在的邊緣失真現(xiàn)象，使融合后的圖像質(zhì)量和清晰度均有明顯提高，可以應用于各類軍用或民用的多聚焦圖像融合系統(tǒng)。
文檔編號G06T5/50GK101968883SQ201010527509
公開日2011年2月9日 申請日期2010年10月28日 優(yōu)先權日2010年10月28日
發(fā)明者姚希文, 程塨, 趙天云, 路艷, 郭雷 申請人:西北工業(yè)大學