基于粒子群优化图像边缘融合算法.docVIP

基于粒子群优化图像边缘融合算法 　　摘要：目前，图像融合算法大多利用源图像信息进行融合，融合模型的建立和融合参数的配置主要依赖于经验，存在随意性。提出了一种基于粒子群优化的图像边缘融合算法：首先对源图像进行多尺度边缘检测；然后利用边缘相关性作为目标函数，采用粒子群算法优化搜索融合参数；最后利用融合后的多尺度边缘重构出融合图像。该算法克服了融合模型对经验的依赖性，使得源图像边缘信息最大量地保留在融合图像中。仿真结果表明，使用该算法得到的融合图像能够有效包含源图像信息。 　　关键词关键词：粒子群优化；边缘相关性；图像融合 　　中图分类号：TP312文献标识码：A文章编号文章编号2014）005007903 　　作者简介作者简介：李小娟（1980-），女，硕士，华北计算技术研究所工程师，研究方向为图形图像处理；席晓燕（1981-），女，硕士，华北计算技术研究所工程师，研究方向为遥感图像处理；臧义华（1980-），女，硕士，华北计算技术研究所工程师，研究方向为计算机图形应用；梁佳（1978-），女，博士，华北计算技术研究所高级工程师，研究方向为图形图像处理。0引言 　　图像融合实际上是将两幅或两幅以上的源图像或其特征按照一定规则合并形成一幅新图像的过程。新图像比任一幅源图像包含的信息丰富，对目标的表征更为精确，可提高目标检测和目标识别的可靠性，有利于人眼识别和机器视觉。图像融合在军事、医学、机器视觉和遥感等领域均得到了广泛应用。 　　根据信息表征层次的不同，图像融合可分为：像素级图像融合[1]、特征级图像融合[2]、决策级图像融合。尽管不同融合方法选取融合参数的准则不同，但大都依赖经验确定或根据图像内容自适应改变融合参数，因而很难达到最优融合效果。如果在图像融合时，合理调整融合参数使其达到极值点，而不是人为设置融合参数，那么就有可能得到较优甚至最优融合结果。选择合适的搜索算法使其达到极值点是很重要的。文献[3]初步研究了图像融合的优化问题，提出了一种简单的空域图像融合参数优化的单目标粒子群算法，目标是融合图像与原始图像的差异最小化。本文提出了一种基于粒子群优化的图像融合算法，该算法的优化目标是边缘相关性最大化。选择边缘相关性作为优化目标的原因是，边缘信息和视觉密切相关，融合图像边缘和源图像边缘的相关程度即源图像边缘信息在融合图像中的保留程度，这样可有效评价融合图像的质量，且和视觉评价较符合。该优化算法可使得源图像边缘信息最大量地保留在融合图像中，从而获得较好甚至最好的融合图像质量。 　　1多尺度边缘检测及重构 　　文献[4]提出了一种多尺度边缘检测方法，该方法将多尺度边缘和小波变换联系了起来，即多尺度边缘点等效于离散二进小波变换的局部极大模值点。文献[4]还用实验表明由一幅图像的多尺度边缘可重构出该图像的近似图像，近似图像和源图像相比，视觉上没有失真。下面对多尺度边缘检测及其重构方法进行简要介绍。 　　1.1多尺度边缘检测 　　对图像进行多尺度边缘检测前首先进行小波变换。这里使用一种特殊的小波，即B样条小波，该小波变换没有下采样过程，具有位移不变性，可精确定位图像特征。本文用v=（x， y）表示像素位置。 　　样条小波ψ1（v）和ψ2（v）是二维光滑函数θ（v）的偏导数，设图像I（v）∈L2（R2），则其在尺度s上的二维小波变换为：W1s（v） 　　W2s（v）=I×ψ1s（v） 　　I×ψ2s（v）=s1x（I×θs）（v） 　　1y（I×θs）（v） 　　=s（I×θs）（v）（1）图像I（v）的梯度为：sI（v）=W1sI（v） 　　W2sI（v）（2）梯度的幅值为：ModsI（v）=||sI（v）|| 　　=（W1sI（v））2+（W2sI（v））2（3）梯度的相位为：PhasesI（v）=arctanW2sI（v）1W1sI（v）（4）本文采用二进小波变换，即：s=2j（1≤j≤J）（5）若图像I（v）的大小为N×N，则：J=log2（N）+1（6）图像I中某一点v0，如果它梯度的幅值ModsI（v0）在其梯度方向PhasesI（v0）上是局部极大值，则该点就是图像I在尺度s上的多尺度边缘点。 　　1.2源图像的近似图像重构 　　图像多尺度边缘点就是图像小波变换模极大值点，由图像多尺度边缘点重构出源图像近似图像的过程，就是找出一个图像，使其小波变换极大模值点的位置、模值和相位都与源图像相同。 　　设图像I（v）的二进小波变换为（W12jI（v），W22jI（v）），模极大值点的位置为ujn=（xn，yn）n∈R，模值和相位为（Mod2jI（ujn），Phase2jI（ujn））。根据模极大值点的模值和相位可以计算出该点小波系数（W12jI（ujn），W22jI（u