多聚焦图像融合中最优双树复小波分解层数选择.docVIP

多聚焦图像融合中最优双树复小波分解层数选择 　　【摘要】 采用具有近似平移不变性和方向选择性的双树复小波变换对多聚焦图像进行多分辨率分析与重构，是一种高效的融合方法。然而，分解层数的选择是影响该算法性能的重要因素之一。本文提出了一种基于信息熵、互信息量、边缘融合质量和加权融合质量等融合质量评价指标确定最优分解层数的方法。实验结果表明，不同的原始图像用同种融合算法分解重构，最优分解层数不一定相同；相同的原始图像用不同的融合算法分解重构，最优分解层数也不一定相同。因此，只有综合考虑多种代表性的评价指标，才能确定最优分解层数。 　　【关键词】 双树复小波 多聚焦图像 融合 最优分解层数 　　一、引言 　　现实生活中，一些光学镜头往往不能使同一场景中的多个目标都在同一聚焦区域，这种情况下致使图像不是全面清晰的。这就需要分多次分别聚焦其中某一区域，再对这些图片进行融合处理，得到各个目标都清晰的一幅图片，这张图片对场景描述得比任何单一源图像都更精确、更全面，便于人眼的观察或计算机的后续处理，这一过程就是多聚焦图像的融合。 　　图像融合的方法与具体的处理对象类型、处理等级有关。这主要是各类图像的解析度不同、表现的内容不同，相应的处理方法也要根据具体情况而定。双树复小波变换（Dual-Tree Complex Wavelet Transform，DT-CWT），不仅保持了传统小波优良的时频局部化分析能力，还具有优良的方向分析能力，能够反映图像在不同分辨率上沿多个方向变化的情形，更好地描述图像的方向性。但是双树复小波分解层数的选择是影响图像融合质量的一大关键性因素，层数选择过少，会降低融合图像的空间质量；选择过大，又会增加融合图像变形的可能性。本文基于双树复小波变换对图像进行融合，并讨论如何对最优分解层数进行选择。 　　二、基于双树复小波变换的图像融合 　　2.1 双树复小波变换理论的提出 　　1822年傅立叶（Fourier）发表了“热传导解析理论”，然而它在时域里无定位性及无分辨率。1946年Gabor提出了Gabor变换，又发展成为短时傅立叶变换（STFT），给信号加一小窗，反映出信号的局部特征。但无法同时适应高频及低频信号的要求，且不能构成一组正交基，给计算带来不便。小波变换继承和发展了STFT的局部化思想，又弥补了Gabor变换的不足之处，但仍存在不具备平移不变性和有限的方向选择性的两大缺陷。Simoncelli在拉普拉斯金字塔结构和可操控滤波器基础上设计提出了复小波变换理论，既能保持平移不变性又具有方向选择性，但它的问题是在超过一层分解时由于输入形式是复数形式，要构造它完整的重构滤波器非常困难。N.G.Kingsbury提出了双树复小波（dual-tree complex wavelet transform，DT-CWT），既满足完全重构条件，又保留了复小波其它的优点，也就是说既保持了传统的小波变换时频局部化的分析能力，还具有近似的平移不变性和良好的方向选择性。[1-3] 　　2.2 双树复小波变换理论 　　双树复小波变换（DT-CWT）使用解析的（analytical）复小波函数基。设计一对小波函数和，使其满足Hilbert变换对要求。则由这两个函数分别作为实部和虚部的复小波函数是解析的，其频谱只包含正的高频部分。 　　图1为二维双树复小波正变换框图。四个方框表示行列可分离的Mallat算法中的滤波器组结构。其中和为对应的低通和高通滤波器，和为对应的低通和高通滤波器。四组系数经线性变换后得到双树小波系数的实部和虚部。每层分解产生12个高频子带（实部和虚部分别计为不同的子带），冗余度固定为4，不随分解层数增大而变化。 　　图像的双树复小波分解如图2所示，从图中的系数形状也可以看出每个分解层包含了±15°，±45°，±75°6个方向。 　　综上所述，二维DT-CWT具有近似不变性，良好方向选择性，有限数据冗余性及高效计算效率的特点。 　　2.3 图像融合 　　图像融合步骤如下： 　　（1）将两幅源图像作双树复小波分解，以qshift为滤波器，得到多个分解层，每个分解层六个方向的细节子带图像和最高层的近似子带图像。 　　（2）根据高低频分量的不同特性，采用不同的融合策略对各个方向的子带进行融合。 　　（3）利用双树复小波逆变换将融合后高低频域重构出融合图像。 　　三、分解层数确定方法 　　基于双树复小波变换的原理可以看出，每一次分解都是对低频近似分量进行的，即进一步刻画图像在低频部分的细节特征。分解层数越多，产生的子带越多，频带划分得越细，层数增加意味着级间的滤波器越多，造成信号移位也越大；另一方面，双树复小波分解合成都要进行边界延拓，层数越多引起边界失真越大。[4] 　　因此，选择分解层数并不是越大越好。选择合适的分解层数是得到最优