首页 / 专利库 / 电脑编程 / 图像处理 / 一种基于块分解的多尺度Shearlet域图像融合处理方法

一种基于分解的多尺度Shearlet域图像融合处理方法

阅读:1发布:2022-11-11

专利汇可以提供一种基于分解的多尺度Shearlet域图像融合处理方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于 块 分解的多尺度Shearlet域图像融合处理方法,其包括有如下步骤:步骤S1,将待融合的两幅图像分别进行Shearlet正变换,得到不同尺度、不同方向的Shearlet系数;步骤S2,将不同尺度、不同方向的Shearlet系数分解为多个子块;步骤S3,利用局部方差 算法 对低尺度Shearlet系数进行融合处理;步骤S4,利用局部 能量 最大算法对高尺度Shearlet系数进行融合处理;步骤S5,对融合处理后的Shearlet系数进行Shearlet反变换,得到融合后的图像。本发明融合 精度 更高、融合效果更好,可避免出现块效应现象和模糊现象,有效保护了图像的细节信息、改善了视觉效果以及提高了图像的 分辨率 ,较好地满足了应用要求。,下面是一种基于分解的多尺度Shearlet域图像融合处理方法专利的具体信息内容。

1.一种基于分解的多尺度Shearlet域图像融合处理方法,其特征在于,包括有如下步骤:
步骤S1,将待融合的两幅图像分别进行Shearlet正变换,得到不同尺度、不同方向的Shearlet系数;
步骤S2,将不同尺度、不同方向的Shearlet系数分解为多个子块;
步骤S3,利用局部方差算法对低尺度Shearlet系数进行融合处理;
步骤S4,利用局部能量最大算法对高尺度Shearlet系数进行融合处理;
步骤S5,对融合处理后的Shearlet系数进行Shearlet反变换,得到融合后的图像。
2.如权利要求1所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,所述步骤S3中,对低尺度Shearlet系数进行融合处理后,得到图像低频信息中的边缘和纹理特征。
3.如权利要求1所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,所述步骤S4中,对高尺度Shearlet系数进行融合处理后,得到图像高频信息中包含轮廓的细节特征。
4.如权利要求1所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,所述步骤S2中,将不同尺度、不同方向的Shearlet系数分解为多个大小为N×N的子块Y,对于任意子块Y,其均值μ和方差σ2如下:
式中,X表示源图像A、源图像B,YX(i,j)表示来自图像X中第Y块的(i,j)个像素点。
5.如权利要求4所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,所述步骤S3中,从源图像A、源图像B中选择低尺度Shearlet系数进行融合处理:
式中,(k,l)表示分解后的图像中第k行第l列的子块。
6.如权利要求5所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,所述步骤S4中,对于高尺度Shearlet系数,每个子块局部能量E定义为:
7.如权利要求1所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,所述步骤S4之后包括:对融合处理后的Shearlet系数进行一致性校验。
8.如权利要求7所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,利用3×3均值滤波器对融合处理后的Shearlet系数进行一致性校验。
9.如权利要求1所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,所述步骤S1中,待融合的图像为多聚焦图像或者多传感器图像。
10.如权利要求1所述的基于块分解的多尺度Shearlet域图像融合处理方法,其特征在于,该方法通过安装于计算机系统图像处理软件实现。

说明书全文

一种基于分解的多尺度Shearlet域图像融合处理方法

技术领域

[0001] 本发明涉及图像处理方法,尤其涉及一种基于块分解的多尺度Shearlet域图像融合处理方法。

背景技术

[0002] 现有技术中,图像融合是将不同成像机理或不同时间获取的同一场景的图像生成一个信息更加丰富的图像,图像融合技术已经在许多领域有着重要的应用,如计算机视觉、医学、遥感、气象以及军事领域都有及极其重要的应用。多聚焦图像可以使远近不同场景聚焦部分更加精确,通过融合使图像的远景和近景更加清晰。不同传感器能够获取图像的不同特征,如红外图像和可见光图像,雷达与红外图像融合,计算机断层扫描CT和核磁共振图像MRI图像。通过对多传感器获取的图像进行融合,可以丰富图像信息、提高分辨率和辨识度,这些技术在军事以及民用领域上都有着十分重要的应用。
[0003] 图像分解方法的效果直接影响到图像融合的质量,离散余弦变换(DCT)以及小波变换已经广泛应用到图像处理领域。DCT具有简单高效的特点,适合实时处理,然而其融合效果没有小波变换好。在过去的20年间,小波变换以其对一维信号有着精确的表示而得到广泛地应用,然而备受人们诟病的是其一维的优异特性难以拓展到2D或者3D数据。
[0004] 另一方面,融合准则的设计对融合的效果也尤为重要。在变换域中进行图像融合主要是对不同子带的系数采用不同的融合方法。主要有系数绝对值最大准则平均能量最大准则、以及局部方差准则等。1993年,Burt和Kolczynski提出了一种分窗口的融合准则,而后又出现基于窗口选取的融合方法,然而这些方法会导致块效应的出现。
[0005] 虽然存在上述融合处理方式,但常规的DCT方法和小波变换方法对图像稀疏表示效果不够好,多方向分辨效果不够好,此外,基于块分解的融合方法会出现块效应,不利于图像融合,难以满足应用需求。

发明内容

[0006] 本发明要解决的技术问题在于,针对现有技术的不足,提供一种可避免出现块效应现象,同时融合效果好、融合精度高的基于块分解的多尺度Shearlet域图像融合处理方法。
[0007] 为解决上述技术问题,本发明采用如下技术方案。
[0008] 一种基于块分解的多尺度Shearlet域图像融合处理方法,其包括有如下步骤:步骤S1,将待融合的两幅图像分别进行Shearlet正变换,得到不同尺度、不同方向的Shearlet系数;步骤S2,将不同尺度、不同方向的Shearlet系数分解为多个子块;步骤S3,利用局部方差算法对低尺度Shearlet系数进行融合处理;步骤S4,利用局部能量最大算法对高尺度Shearlet系数进行融合处理;步骤S5,对融合处理后的Shearlet系数进行Shearlet反变换,得到融合后的图像。
[0009] 优选地,所述步骤S3中,对低尺度Shearlet系数进行融合处理后,得到图像低频信息中的边缘和纹理特征。
[0010] 优选地,所述步骤S4中,对高尺度Shearlet系数进行融合处理后,得到图像高频信息中包含轮廓的细节特征。
[0011] 优选地,所述步骤S2中,将不同尺度、不同方向的Shearlet系数分解为多个大小为N×N的子块Y,对于任意子块Y,其均值μ和方差σ2如下:
[0012]
[0013]
[0014] 式中,X表示源图像A、源图像B,YX(i,j)表示来自图像X中第Y块的(i,j)个像素点。
[0015] 优选地,所述步骤S3中,从源图像A、源图像B中选择低尺度Shearlet系数进行融合处理:
[0016]
[0017] 式中,(k,l)表示分解后的图像中第k行第l列的子块。
[0018] 优选地,所述步骤S4中,对于高尺度Shearlet系数,每个子块局部能量E定义为:
[0019]
[0020]
[0021] 优选地,所述步骤S4之后包括:对融合处理后的Shearlet系数进行一致性校验。
[0022] 优选地,利用3×3均值滤波器对融合处理后的Shearlet系数进行一致性校验。
[0023] 优选地,所述步骤S1中,待融合的图像为多聚焦图像或者多传感器图像。
[0024] 优选地,该方法通过安装于计算机系统的图像处理软件实现。
[0025] 本发明公开的基于块分解的多尺度Shearlet域图像融合处理方法中,在不同尺度不同方向的Shearlet系数上采用块分解的形式进行处理,同时在低尺度和高尺度分别采用局部方差和局部能量最大的算法进行图像融合处理,利用稀疏的Shearlet系数较好地解决了常规块分解方法产生模糊现象的问题,相比现有技术而言,本发明融合精度更高、融合效果更好,可避免出现块效应现象和模糊现象,有效保护了图像的细节信息、改善了视觉效果以及提高了图像的分辨率,较好地满足了应用要求。附图说明
[0026] 图1为图像融合处理方法的流程图
[0027] 图2为多聚焦图像融合处理后的效果图一;
[0028] 图3为多聚焦图像融合处理后的效果图二;
[0029] 图4为多聚焦图像融合处理后的效果图三;
[0030] 图5为多传感器图像融合处理后的效果图一;
[0031] 图6为多传感器图像融合处理后的效果图二;
[0032] 图7为多传感器图像融合处理后的效果图三。

具体实施方式

[0033] 下面结合附图和实施例对本发明作更加详细的描述。
[0034] 本发明公开了一种基于块分解的多尺度Shearlet域图像融合处理方法,请参照图1,其包括有如下步骤:
[0035] 步骤S1,将待融合的两幅图像分别进行Shearlet正变换,得到不同尺度、不同方向的Shearlet系数;
[0036] 步骤S2,将不同尺度、不同方向的Shearlet系数分解为多个子块;
[0037] 步骤S3,利用局部方差算法对低尺度Shearlet系数进行融合处理;
[0038] 步骤S4,利用局部能量最大算法对高尺度Shearlet系数进行融合处理;
[0039] 步骤S5,对融合处理后的Shearlet系数进行Shearlet反变换,得到融合后的图像。
[0040] 上述方法中,在不同尺度不同方向的Shearlet系数上采用块分解的形式进行处理,同时在低尺度和高尺度分别采用局部方差和局部能量最大的算法进行图像融合处理,利用稀疏的Shearlet系数较好地解决了常规块分解方法产生模糊现象的问题,相比现有技术而言,本发明融合精度更高、融合效果更好,可避免出现块效应现象和模糊现象,有效保护了图像的细节信息、改善了视觉效果以及提高了图像的分辨率,较好地满足了应用要求。
[0041] 本实施例的所述步骤S1中,以一个大小为m×n的图像为例,对其进行4个尺度的Shearlet变换,可得到49个大小同样为m×n的不同尺度、不同方向的Shearlet系数。
[0042] 实际处理过程中,低尺度Shearlet系数携带了较多的低频信息,对此,在所述步骤S3中,对低尺度Shearlet系数进行融合处理后,得到图像低频信息中的边缘和纹理特征。
[0043] 类似地,图像中高频信息往往携带者图像的细节如线装轮廓等信息,对此,所述步骤S4中,对高尺度Shearlet系数进行融合处理后,得到图像高频信息中包含轮廓的细节特征。
[0044] 进一步地,所述步骤S2中,将不同尺度、不同方向的Shearlet系数分解为多个大小为N×N的子块Y,对于任意子块Y,其均值μ和方差σ2如下:
[0045]
[0046]
[0047] 式中,X表示源图像A、源图像B,YX(i,j)表示来自图像X中第Y块的(i,j)个像素点。
[0048] 关于局部方差算法的处理过程,所述步骤S3中,从源图像A、源图像B中选择低尺度Shearlet系数进行融合处理:
[0049]
[0050] 式中,(k,l)表示分解后的图像中第k行第l列的子块。
[0051] 在此基础上,所述步骤S4中,对于高尺度Shearlet系数,每个子块局部能量E定义为:
[0052]
[0053]
[0054] 为了排除由于误判造成的块效应现象,本实施例中,所述步骤S4之后包括:对融合处理后的Shearlet系数进行一致性校验。具体是指,利用3×3均值滤波器对融合处理后的Shearlet系数进行一致性校验。利用上述过程,可防止系数块A周围均为系数块B,或者系数块B周围都是系数块A的情况出现。
[0055] 作为一种优选方式,所述步骤S1中,待融合的图像为多聚焦图像或者多传感器图像。基于上述特点,使得本发明既适用于多聚焦图像融合,也适用于多传感器图像融合的应用场合。
[0056] 实际应用过程中,该方法通过安装于计算机系统的图像处理软件实现。
[0057] 本发明进行多聚焦图像融合处理后的效果图请参照图2至图4,该图2至图4中,右图是对左、中两图进行融合处理后得到的效果图,经对比可见,对多聚焦图像融合处理后得到的融合结果,其主观视觉效果较好,没有引入假象,也没有块效应以及模糊现象;
[0058] 本发明进行多传感器图像融合处理后的效果图请参照图5至图7,该图5至图7中,右图是对左、中两图进行融合处理后得到的效果图。根据图5可以看出,经融合处理后的图像对骨骼和组织结构保留都比较完整,为临床提供了较为丰富的信息;图6为直升机载不同光电传感器采集的图像,经融合处理后的图像对道路以及河流的识别更加清晰直观;图7为不同光谱的遥感图像,经融合处理后的图像中,道路和房屋的分辨率有了进一步的提高。
[0059] 本发明公开的基于块分解的多尺度Shearlet域图像融合处理方法,其相比现有技术而言的有益效果在于,本发明采用了Shearlet变换作为处理图像的数学变换,相比传统的DCT和小波变换而言,本发明具有更好的图像表达,对图像的细节和方向性把握更加准确;其次,本发明采用了块分解的算法,对Shearlet域中的不同尺度不同方向采用分块的计算方式,基于块分解算法融合效果较好;再次,由于Shearlet变换可以产生冗余系数,所以Shearlet系数个数是原始图像的像素个数的几十倍,冗余的系数能够解决常规块分解产生的块效应;此外,本发明采用一致性检验的步骤进一步排除了由于误判造成的块效应现象,使得融合处理后的图像质量更好。
[0060] 以上所述只是本发明较佳的实施例,并不用于限制本发明,凡在本发明的技术范围内所做的修改、等同替换或者改进等,均应包含在本发明所保护的范围内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈