图像融合技术原理

图像融合技术原理内容摘要：

组属性说明属性说明属性说明 图 决策 层 图像融合示意图 各个层次上的图像融合算法具有各自的优缺点。 研究和应用最多的是像数级图像融合，目前已提出的绝大多数的图像融合算法均属于 该层次上的融合。 图像融合狭义上指的就是像数级图像融合。 本文研究的 也正是 像素级图像融合。 融合规则 本节 简要介绍多尺度融合方案中的另一个环节 —— 融合规则。 源图像的边缘、纹理等重要信息均包含在高频分解系数中，因此融合规则主要针对高频系数实施；对低频系数通常采用加权平均的方法融合。 融合规则问题可以描述为：对源图像 A 和 B 的某一组高频分解系数 Ac 和 Bc 应用一定的规则合并得到融合后的系数 Fc。 3 基于 像素的图像融合 该融合规则分为均值法和最大值法： 像素绝对值取大（ ChooseMax,CM）规则是最简单、直接的融合规则。 高频分解系数对应输入图像的边缘、纹理等细节信息，而像素绝对值是对这种细节信息强度的最直观的度量。 CM规则正是基于这一点对系数进行合并。 CM 规则可描述为： ( , ) ( , ) ( , )( , )( , )A A BF Bc m n c m n c m nc m nc m n  当其 他 （ 18） CM 规则具有简单、易实现、运算速度快等优点。 但是仅仅依赖单独的像素点作为细节信息的强度度量是不稳定的。 尤其当 MSD 缺乏移变性时，分解系数的能量会随源图像的平移、旋转等规则变化发生剧烈的不规则的变化，导致融合后的图像 缺乏一致性。 另外 CM规则传递并放大源图像中的噪声和死点。 基于 区域的图像融合 基于区域的图像融合规则分为：基于区域的最大值法，基于区域能量的图像融合。 为克服 CM 规则的不稳定性，人们提出了基于面积 (或窗口 )的融合规则。 细节信息强度的度量不再仅仅依赖某一点，而是由该点周围固定面积内的多个点按照一定比例决定。 基于面积的规则通常采用固定大小的窗口对系数图像进行滤波，滤波后的像素值作为该点细节信息强度的度量。 常用的基于面积的规则有Burt 等 [4]提出的加权平均规则 (Weighted Average, WA)规 则，以及 Li 等 [5]提出的窗 口 基验证 (Window Based Verification, WBV)规则。 ① Burts 方法的具体步骤 : 第一步：在系数图像 ( , )c mn ( =A,B)中，计算以 (m， n)点为中心周围窗口区域内的能量 (或方差 )作为该点细节信息强度的度量 ( , )S mn ； 第二步，计算 Ac 和 Bc 之间局部的、归一化的互相关系数 ( , )ABM mn ； 第二步，根据互相关系数大小，采取不同的融合方式 :当 ( , )ABM mn a 时 (a一般去 ) ,说明源图像系数间相关性比较低，选取局部方差大的系数为融合后系数比较合理，即 ( , ) ( , ) ( , )( , ) ( , )A A BF Bc m n S m n S m nc m n c m n  当 其 他 （ 19） 当 ( , )ABM mn a 时 ，说明系数间相关性比较大，采用加权平均的方法更为合理，即 11( , ) ( , ) ( , ) [ ( , ) ( , ) ] ( , )F A Bc m n w m n c m n E m n w m n c m n   （ 20） 其中 ( , )Emn 为单位矩阵，权系数 1( , )wmn 由下式确定： 11 ( , )11 ( ) ( , ) ( , )2 2 1( , )1 ( , )11 ()2 2 1ABABABM m n S m n S m naw m nM m na    当其 他 （ 21）。