一种多小波变换矢量图像融合方法
阅读：112发布：2020-05-11
专利汇可以提供一种多小波变换矢量图像融合方法专利检索，专利查询，专利分析的服务。并且本 发明 实施例 公开了一种多 小波变换 矢量图像融合的方法。该多小波变换矢量图像融合的方法包括小波分解步骤，建立统计模型步骤，计算融合系数和得到最终图像步骤。本发明实施例公开的多小波变换矢量图像融合的方法能够避免矢量子带决策图之间出现不一致的情况，从而减少最终融合图像中产生伪轮廓，提高融合 质量 ，更好体现多小波变换的矢量特点。，下面是一种多小波变换矢量图像融合方法专利的具体信息内容。
1.一种多小波变换矢量图像融合的方法，其特征在于，所述方法包括步骤：
步骤S1：对第一源图像A和第二源图像B进行J层小波分解，得到分解系数矢量，其中J为大于1的自然数；
步骤S2：对矢量子带建立双变量分布统计模型，并以滑动窗口内的矢量为样本，根据预设公式对相应区域内系数矢量统计模型参数进行估计，再计算获得显著性量度；
步骤S3：根据融合准则，计算获得融合系数；
步骤S4：根据所述融合系数，进行多小波逆变换及后滤波，获得最终的融合图像。
2.根据权利要求1所述的一种多小波变换矢量图像融合的方法，其特征在于，所述分解系数矢量为{cAi,dAj,(X)i},{cBi,dBj,(X)i}，其中，cIi(I＝A,B)表示图像I第i个低频矢量子带中的系数矢量，dIj,(X)i(I＝A,B)表示图像I在第j层X方向上的第i个高频矢量子带中的矢量系数，其中，1≤j≤J，X＝LH,HL,HH分别表示水平，垂直，对角三个方向。
3.根据权利要求2所述的一种多小波变换矢量图像融合的方法，其特征在于，所述i等于1或者2。
4.根据权利要求1所述的一种多小波变换矢量图像融合的方法，其特征在于，所述的双变量分布统计模型为一种针对于多变量对称SaS分布的一种参数估计方法。
5.根据权利要求1所述的一种多小波变换矢量图像融合的方法，其特征在于，所述滑动窗口为7×7的滑动窗口。
6.根据权利要求1所述的一种多小波变换矢量图像融合的方法，其特征在于，所述预设公式如下所示：
Y＝logR，
其中， 为图像I经过多小波分解后第j层多小波高频矢量带，X
＝LH,HL,HH分别表示水平，垂直，对角三个方向；γEuler为欧拉常数，双伽马函数ψ(1)＝-
0.5772,Ψ′(1)＝1.6449；E(Y)为样本均值；Var(Y)为方差；α为第一参数；γ为第二参数。
7.根据权利要求1所述的一种多小波变换矢量图像融合的方法，其特征在于，假设F为最终的融合图像，则对应的融合系数矢量为
8.根据权利要求1所述的一种多小波变换矢量图像融合的方法，其特征在于，所述融合准则为：
低频矢量子带的融合准则如下所述
高频矢量子带的融合准则如下所述
其中，(m,n)表示矢量子带中
某一系数矢量的位置。
一种多小波变换矢量图像融合方法
技术领域
背景技术
[0002] 近年来，小波变换已经在信号处理领域中得到了广泛的应用，并取得了的很好的效果。目前，多小波变换已经被广泛应用到图像融合技术中，这类小波变换融合方法的性能主要取决于方法的融合准则。目前，常用的基于小波变换的图像融合方法有：选取跨方向子带贡献最大融合方法；基于范数多光谱图像矢量融合方法；采用基于Canny边缘检测的多聚焦融合方法。以上三种方法存在的问题主要有矢量子带种两个分量子带决策图之间不一致，融合图像中容易产生伪轮廓，不能体现多小波变换的矢量特点等问题。
[0003] 因此，针对现有的基于小波变换的图像融合方法所存在的问题，有必要提出一种具有较强显著性的系数矢量作为融合的系数矢量、能够避免矢量子带决策图之间出现不一致的、有效地减少最终融合图像中产生伪轮廓问题的多小波变换矢量图像融合的方法。
发明内容
[0004] 针对现有的基于小波变换的图像融合方法所存在的矢量子带种两个分量子带决策图之间不一致、融合图像中容易产生伪轮廓和不能体现多小波变换的矢量特点问题，本发明实施例提出一种多小波变换矢量图像融合的方法。本发明实施例提出的多小波变换矢量图像融合的方法利用多小波系数矢量的局部区域统计特征来表征图像信息的显著性，有效地解决了现有小波变换的图像融合方法所存在的问题，有效地提高融合图像的质量。
[0005] 该多小波变换矢量图像融合的方法的具体方案如下：一种多小波变换矢量图像融合的方法，包括步骤：步骤S1：对第一源图像A和第二源图像B进行J层小波分解，得到分解系数矢量，其中J为大于1的自然数；步骤S2：对矢量子带建立双变量分布统计模型，并以滑动窗口内的矢量为样本，根据预设公式对相应区域内系数矢量统计模型参数进行估计，再计算获得显著性量度；步骤S3：根据融合准则，计算获得融合系数；步骤S4：根据所述融合系数，进行多小波逆变换及后滤波，获得最终的融合图像。
[0006] 优选地，所述分解系数矢量为{cAi,dAj,(X)i},{cBi,dBj,(X)i}，其中，cIi(I＝A,B)表示图像I第i个低频矢量子带中的系数矢量，dIj,(X)i(I＝A,B)表示图像I在第j层X方向上的第i个高频矢量子带中的矢量系数,其中，1≤j≤J，X＝LH,HL,HH分别表示水平，垂直，对角三个方向。
[0007] 优选地，所述i等于1或者2。
[0008] 优选地，所述的双变量分布统计模型为一种针对于多变量对称SaS分布的一种参数估计方法。
[0009] 优选地，所述滑动窗口为7×7的滑动窗口。
[0010] 优选地，所述预设公式如下所示：
[0011]
[0012]
[0013]
[0014] 其中， 为图像I经过多小波分解后第j层多小波高频矢量带，X＝LH,HL,HH分别表示水平，垂直，对角三个方向；γEuler为欧拉常数，双伽马函数ψ(1)＝-0.5772,Ψ′(1)＝1.6449；E(Y)为样本均值；Var(Y)为方差；α为第一参数；γ为第二参数。
[0015] 优选地，假设F为最终的融合图像，则对应的融合系数矢量为
[0016] 优选地，所述融合准则为：
[0017] 低频矢量子带的融合准则如下所述
[0018] 高频矢量子带的融合准则如下所述
[0019] 其中，(m,n)表示矢量子带中某一系数矢量的位置。
[0020] 从以上技术方案可以看出，本发明实施例具有以下优点：
[0021] 本发明实施例所提供的一种多小波变换矢量图像融合的方法利用多小波系数矢量的局部区域统计特征来表征图像信息的显著性，相比分别对各个子带系数进行独立融合的大多数融合方法，本发明实施例所提供的矢量融合方法能够避免矢量子带决策图之间出现不一致的情况，从而减少最终融合图像中产生伪轮廓，提高融合质量，更好体现多小波变换的矢量特点。附图说明
[0022] 图1为本发明实施例中提供的一维离散多小波变换和重构过程示意图；
[0023] 图2为本发明实施例中提供的图像一层多小波分解过程示意图；
[0024] 图3为本发明实施例中提供的一层多小波分解后矢量子带的构成示意图；
[0025] 图4为本发明实施例中提供的一种多小波变换矢量图像融合的方法的流程示意图。
具体实施方式
[0026] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0027] 本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028] 为了更好地阐述和理解本发明实施例所提供的多小波变换矢量融合方法，先介绍一些本发明实施例中所应用到的基础知识。
[0029] 多小波变换
[0030] 多小波是指两个或两个以上的函数作为尺度函数生成的小波，它与单小波的区别在于：多小波基是由多个基本小波函数经过伸缩平移而生成的。对于R重多小波，存在r个基本小波函数ψi(t),i＝1,2,….,r；相应的，也有r个尺度函数。
[0031] 如图1所示，本发明实施例中提供的一维离散多小波变换和重构过程示意图。一个矢量输入数据流 经过低通滤波器H和高通滤波器G滤波后，进过下采样处理可分别得到下一尺度的低频系数 和高频系数 分解子带经过上采样后，作为重构滤波器的输入来恢复原矢量数据流。
[0032] 如图2所示，本发明实施例中提供的图像一层多小波分解过程示意图。对于r重小波变换，经过一层小波分解后，各个方向上分别分解出r2个高频子带。经过J层多小波分解后，一副图像被分为r2(3J+1)个子带，其中J为大于1的自然数。具体过程为：先对图像的每一行进行预滤波，然后对每一行构成的矢量流进行一维多小波变换，之后再对每一列进行逆滤波，并对形成的矢量流(列矢量)进行一维多小波分解后，最终得到一层分解后的16个子带。
[0033] 一副图像经过二重小波变换之后，在每个尺度的每个方向上分别分解出四个高频子带，而这四个高频子带实际上构成了该方向上的两个矢量带。如图3所示，本发明实施例中提供的一层多小波分解后矢量子带的构成示意图。子带L1H1和L1H2实际上是由同一矢量数据流分别通过两个不同的小波滤波器滤波后得到的，他们可以称为第一个水平方向矢量子带(LH)1的两个分量。同理，子带L1L1和L1L2是矢量子带(LL)1的两个分量,而H2L1和H2L2则构成了矢量子带(HL)2，这样一副图像经过一层多小波变换分解后将形成由16个子带构成的8个矢量子带，如图3所示。
[0034] Alpha稳定分布
[0035] 由于现实变换过程中经常遇到具有尖峰、长拖尾统计特性的非高斯信号，所以需要寻找一种统计模型来刻画这类信号的统计特性。Alpha稳定分布就是这样的统计模型，它也被称为非高斯稳定分布或者重拖尾分布。常用的高斯分布和柯西分布都只是Alpha稳定分布的特例，而SaS分布具有比高斯分布更广泛的适用性。
[0036] 除了高斯分布，柯西分布等特殊情况外，SaS分布的概率密度函数没有明确的表达式，所以要由其特征函数来表征。当随机变量X的特征函数满足φ(ω)＝exp(jμω-γ|ω|α),其中0≤α≤2，γ>0,μ∈R,这时随机变量X满足SaS分布。特征函数φ(ω)能够准确地定义出它的概率分布。由于对于一个分布而言，它的特征函数是其概率密度函数的傅里叶逆变换。
[0037] Nolan等人提出一种针对多变量SaS分布的参数估计方法，对于d维各向同性，满足SaS分布的随机变量X，定义其幅值如公式1所示：
[0038]
[0039] 设γ＝logR则
[0040]
[0041]
[0042] 其中，γEuler为欧拉常数，而ψ(·)＝T′(·)/T(·)为双伽马函数；样本均值E(Y)和样本方差Var(Y)可分别由样本估计得到，通过求解公式2和公式3可以获得参数α和γ。
[0043] 多小波系数矢量统计特性分析
[0044] 多小波变换具有多分辨率，局域性，边缘检测性和压缩性等几个基本特性。图像经过小波分解后，多小波系数在各个子带内呈稀疏性分布，即大多数小波系数幅值较小，只有在图像边缘处出现少数幅值较大的多小波系数，这些较大的系数包含大量的图像显著信息。
[0045] 设图像I经过多小波分解后第j层多小波高频矢量带为其中X＝LH,HL,HH分别表示水平，垂直，对角三个方向。实际上，在每层的各个方向都会形成两个类似的矢量子带。对矢量子带 建立双变量SaS分布统计模型后，模型参数可以由子带内的系数矢量估计得到。首先设 则有
[0046]
[0047]
[0048] 其中， 为图像I经过多小波分解后第j层多小波高频矢量带，X＝LH,HL,HH分别表示水平，垂直，对角三个方向；γEuler为欧拉常数，双伽马函数ψ(1)＝-0.5772,Ψ′(1)＝1.6449；E(Y)为样本均值；Var(Y)为方差；α为第一参数；γ为第二参数。当已知系数矢量所构成的样本均值E(Y)和方差Var(Y)后可由上面两个公式对参数α和γ进行统计。
[0049] 考虑到多小波变换系数在各个高频子带内呈高峰值、长拖尾的非高斯特性，由这些系数构成的系数矢量也呈现出高峰值，长拖尾的二维联合非高斯分布特性，这一统计特性可以由双变量对称Alpha稳定分布模型来模拟。其中模型参数α和γ可以由样本得到，它们决定该分布的脉冲特性和拖尾程度，同时也反映了图像中所包含显著信息的丰富程度。
[0050] 在对多小波系数矢量建立双变量SaS稳定分布后，由某一区域系数矢量所构成的样本数据估计得到的参数α和γ能反映出区域内系数矢量的分布特性。当α较小时，该区域内系数矢量分布的脉冲特性较强，拖尾较长时，这说明该区域内出现了系数数值较大的显著边缘并包含了含有较丰富的图像结构信息。当γ较大时，该区域内系数矢量的离散程度较大，既有系数数值较小的平滑区域，也包含数值较大的显著细节。
[0051] 为了在高频融合准则中选取含有显著信息的系数作为融合系数，选用SaS分布重的参数α和γ构成新的显著性度量。
[0052] S＝γ/α
[0053] 由于α越小且γ越大反映出对应区域内显著系数越多，因此显著性度量S能够揭示该区域包含图像显著细节信息的丰富程度。
[0054] 如图4所示，本发明实施例中提供的一种多小波变换矢量图像融合的方法的流程示意图。该多小波变换矢量图像融合的方法包括四个步骤，具体过程如下所述。
[0055] 步骤S1：对第一源图像A和第二源图像B进行J层小波分解，得到分解系数矢量，其中J为大于1的自然数。分解系数矢量为{cAi,dAj,(X)i},{cBi,dBj,(X)i}，其中，cIi(I＝A,B)表示图像I第i个低频矢量子带中的系数矢量，dIj,(X)i(I＝A,B)表示图像I在第j(1≤j≤J)层X(X＝LH,HL,HH)方向上的第i个高频矢量子带中的矢量系数。其中，i等于1或者2。假设F为最终的融合图像，则对应的融合系数矢量为
[0056] 步骤S2：对矢量子带 和 建立双变量分布统计模型，并以滑动窗口内的矢量为样本，根据预设公式对相应区域内系数矢量统计模型参数进行估计，再计算获得显著性量度。在该实施例中，双变量分布统计模型为一种针对于多变量对称SaS分布的一种参数估计方法。滑动窗口采用7×7的滑动窗口。根据公式4和公式5计算得到显著性量度，再由S＝γ/α计算显著度量 和
[0057] 步骤S3：根据融合准则，计算获得融合系数。由 得到融合系数 对于低频矢量子带采用公式6所示的融合准则来进行计算，对于高频矢
量子带采用公式7所示的融合准则来进行计算。
量子带采用公式7所示的融合准则来进行计算。
[0058]
[0059]
[0060] 其中，(m,n)表示矢量子带中某一系数矢量的位置。
[0061] 步骤S4：根据所述融合系数 进行多小波逆变换及后滤波，获得最终的融合图像。
[0062] 在本发明实施例中，步骤S1可以简称为小波分解步骤，步骤S2可以简称为建立统计模型步骤，步骤S3可以简称为计算融合系数，步骤S4可以简称为得到最终图像步骤。
[0063] 本发明实施例公开一种多小波变换的矢量图像融合方法。该方法利用多小波系数矢量的局部区域统计特征来表征图像信息的显著性，相比分别对各个子带系数进行独立融合的大多数融合方法，这种矢量图像融合方法能够避免矢量子带决策图之间出现不一致的情况，从而减少最终融合图像中产生伪轮廓，提高融合质量，更好体现多小波变换的矢量特点。
[0064] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于小波变换的全球剖分金字塔模型 | 2020-05-11 | 784 |
| 基于HyperX平台的9/7小波变换方法 | 2020-05-11 | 768 |
| 一种提升小波变换FPGA实现的方法 | 2020-05-12 | 369 |
| 用于数据压缩或解压的小波变换方法 | 2020-05-12 | 1028 |
| 小波变换编码/解码方法和装置 | 2020-05-13 | 415 |
| 利用小波变换分析核酸扩增曲线 | 2020-05-12 | 936 |
| 利用小波变换分析核酸扩增曲线 | 2020-05-12 | 679 |
| 用于离散小波变换的结构 | 2020-05-12 | 977 |
| 一种基于小波变换的语音识别方法 | 2020-05-13 | 647 |
| 基于FPGA的多级复用小波变换器 | 2020-05-13 | 546 |
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。
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。
QQ群二维码
意见反馈
意见反馈