基于Contourlet改进梯度多聚焦图像融合.docVIP

基于Contourlet改进梯度多聚焦图像融合 　　摘要：针对传统图像融合保留源图像信息和边缘信息的不足，提出了一种基于轮廓波的改进梯度图像融合算法。首先源图像经轮廓波分解，得到低频和高频子带系数；其次，低频采用改进梯度、高频采用SML的选取规则；最后轮廓波反变换得到融合图像。实验表明，本文提出算法比小波方法、传统轮廓波方法融合效果好。融合图像的信息量大，边缘信息丰富。 　　关键词：图像融合 轮廓波 改进梯度 　　中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2014）10-0049-02 　　图像融合综合了来自同一场景多幅源图像的信息，以达到更好的视觉效果和便于识别的目的，获得比单一源图像信息更全面，精确可靠的图像[1]。小波变换具有良好的时频分析特性、多分辨率、局域性和稀疏特性等。小波变换分解的方向有限，即水平、垂直和对角方向，能最优的表示一维分段光滑信号点的奇异性，但在表示二维或更高维图像信号点的奇异性时却存在不足。2002年Do[2]等提出了Contourlet变换（CT），克服了小波变换在表示高维信号的缺点，且具有良好的多分辨率、方向性、各向异性和局部分析的能力，能更好的捕获图像边缘细节信息。 　　本文利用Contourlet变换的特性和处理图像的优势，针对传统图像融合在保留源图像信息和边缘特性的不足，提出了一种基于Contourlet变换的改进梯度图像融合算法。低频采用八方向Sobel算子改进梯度的选取规则，高频采用SML的选取规则。通过实验，证实了本文算法的有效性，融合图像较好的保留了源图像的信息和边缘细节信息。 　　1 融合基本理论 　　1.1 Contourlet变换 　　Contourlet变换[3]由拉普拉斯金字塔（Laplacian Pyramid，LP）和方向滤波器组（Directional Filter Bank，DFB）组成，LP和DFB分别完成尺度分解和方向分解。Contourlet变换首先通过LP分解得到孤立的边缘奇异点，再使用DFB捕获图像同方向的奇异点，并合成一个系数。 　　图像经LP变换分解得到一个低频图像和多个高频带通图像，即多尺度分解。由LP分解得到的带通图像通过DFB分解，得到频域内多个不同方向的子带图像，即多方向分解。图像经多尺度分解，进行级方向分解后，可以得到个方向子带图像。因此，Contourlet变换对图像进行级分解，可以得到个子带图像，其中对应于下的方向尺度分解级数。 　　1.2 改进的八方向Sobel算子梯度 　　改进的Sobel八方向模板[4]能检测0°，45°，90°，135°，180°，225°，270°，315°八个方向的边缘梯度，可有效提取图像边缘细节信息，模板如图1。通过Sobel算子八方向模板（i=1，2，…8），对图像的每个像素点进行邻域卷积，提取图像的边缘成分，即（i=1，2，…8）。 　　则图像像素点的梯度值为： 　　图像的细节信息越丰富，则表现在频域内的分量越多，空间域内邻域像素的特征值变化越大，图像的梯度值越大。因此，本文提出一种新的图像邻域内改进的梯度，如式（2）。图像的边缘细节越丰富，越能更好的反映图像的边缘信息。 　　2 融合规则 　　假定源图像已经过几何配准处理，融合步骤如下： 　　（1）源图像A和B经过CT分解，得到各自不同尺度和方向的子带系数和，其中为CT分解的层数，和表示A和B的低频子带系数，和表示A和B的第（）层第个方向的高频子带系数； 　　（2）分解后的低频和高频使用不同的融合规则，得到融合的系数，为融合后的低频子带系数，为融合后图像第（）层第个方向的高频子带系数； 　　（3）融合后的系数CT反变换，得到融合图像。 　　2.1 低频融合规则 　　低频部分反映了图像的主要能量和近似轮廓特性，目前常用低频平均的方法选取系数，没有考虑到边缘特性，影响图像的融合质量和视觉效果。本文采用一种新提出的八方向Sobel算子检测的改进梯度的方法，有效的提取图像的边缘特征信息。 　　本文采用3×3滑动窗口求取邻域内改进梯度和，通过比较大小选取低频系数，选取规则如下： 　　2.2 高频融合规则 　　高频部分主要反映图像的边缘和细节信息，人眼对此最为敏感。为了更好的保留高频的边缘和细节信息，本文采用改进的拉普拉斯能量和（SML）的方法[5]，选取高频系数。 　　假设为图像的灰度级像素点的系数，改进的拉普拉斯（ML）定义为： 　　其中表示系数间的可变间距，本文设为1。 　　M和N表示窗口大小为，和取值在窗口内变化，文中采用窗口。 　　高频系数选取规则如下： 　　其中和分别表示和的SML清晰度。 　　3 仿真实验 　　本文采用matlab2011作为仿真工具，选取