小波变换-课程设计.docxVIP

基于小波变换的图像融合技术简介图像融合是多传感器信息融合领域的一个重要分支，它是指将来自同一目标的不同传感器的信息通过一定的算法融合到一幅图上，从而获得比在单幅图上更完整、更精确的信息。图像融合在军事(如军事侦 察、识别伪装)和非军事(如医疗诊断、遥感、计算机技术等)领域得到广泛的应用[1]。这里使用基于小波变换的塔式结构的优点是小波变换具有紧凑性、正交性、很好的方向性，这使得小波变换可以很好地提取不同尺度上的显著特征，相对于高斯一拉普拉斯金字塔技术而言，不仅可以产生更好的融合结果，而且进行反向变换时稳定性更好;另外小波变换的塔式结构还使得不管原图像的长度是否2的幕次方，最终变换后的图像与原图像尺寸相同，这使得开发实用的并行算法系统成为可能。图像的小波变换1.1 图像多尺度分解由于图像对象尺寸大小的不一，以及人类视觉系统对物体尺度的自适应性，在图像数据中引入一个尺度维，把图像在不同尺度下进行分解。直观地来讲，客观的物体根据其与观察者的距离远近不同而呈现出不同的表现形式，比如，人在不同的距离观察同一目标对象时，在距离较远时，看到的是对象的整体轮廓，在近距离观察时，看到的是关于对象的更多的细节，便是对图像进行了多尺度分解。1.2图像二维离散小波变换图像的二维离散小波分解和重构过程如下图所示，分解过程可描述为：首先对图像的每一行进行 1D-DWT，获得原始图像在水平方向上的低频分量 L 和高频分量 H，然后对变换所得数据的每一列进行 1D-DWT，获得原始图像在水平和垂直方向上的低频分量 LL、水平方向上的低频和垂直方向上的高频 LH、水平方向上的高频和垂直方向上的低频 HL 以及水平和垂直方向上的的高频分量 HH。重构过程可描述为：首先对变换结果的每一列进行以为离散小波逆变换，再对变换所得数据的每一行进行一维离散小波逆变换，即可获得重构图像。由上述过程可以看出，图像的小波分解是一个将信号按照低频和有向高频进行分离的过程，分解过程中还可以根据需要对得到的 LL 分量进行进一步的小波分解，直至达到要求。图1.1 图像二维离散小波变换分解与重构示意图matlab仿真结果一维数据一次分解：function [L H]=haar_dwt(f) %显然，我没有做边界处理，图片最好是2^n*2^n型的 n=length(f); n=n/2; L=zeros(1,n); %低频分量 H=zeros(1,n); %高频分量 for i=1:n L(i)=(f(2*i-1)+f(2*i))/sqrt(2); H(i)=(f(2*i-1)-f(2*i))/sqrt(2); endend对图像的一次离散小波变换function [LL LH HL HH]=haar_dwt2D(img) [m n]=size(img); for i=1:m %每一行进行分解 [L H]=haar_dwt(img(i,:)); img(i,:)=[L H]; end for j=1:n %每一列进行分解 [L H]=haar_dwt(img(:,j)); img(:,j)=[L H]; end %本来分解不应该加mat2gray的，不过为了有好的显示效果就加上了 LL=mat2gray(img(1:m/2,1:n/2)); %行列都是低频 LH=mat2gray(img(1:m/2,n/2+1:n)); %行低频列高频 HL=mat2gray(img(m/2+1:m,1:n/2)); %行高频列低频 HH=mat2gray(img(m/2+1:m,n/2+1:n)); %行列都是高频end主程序：img=double(imread(./data/lena512.bmp));[m n]=size(img);[LL LH HL HH]=haar_dwt2D(img); %当然dwt2(img,haar)是一样的，我只是想明白细节img=[LL LH;HL HH]; %一层分解imgn=zeros(m,n);for i=0:m/2:m/2 for j=0:n/2:n/2 [LL LH HL HH]=haar_dwt2D(img(i+1:i+m/2,j+1:j+n/2)); %对一层分解后的四个图像分别再分解 imgn(i+1:i+m/2,j+1:j+n/2)=[LL LH;HL HH]; endendimshow(imgn);imshow(imgn);对lena.bmp（512*512）仿真结果图如下：图1.2 图像小波变换一层分解结果图图1.2 图像小波变换二层分解结果图图像的融合原理2.1 融合规则规则一：系数绝对值较大法　该融合规则适合高频成分比较丰富，亮度、对比度比