基于模极大值和相关性图像噪声抑制融合算法.docVIP

基于模极大值和相关性图像噪声抑制融合算法 　　摘要：现有的融合算法不能很好地区分噪声和视觉上有意义的特征信息，针对此问题提出了一种基于模极大值和相关性的图像噪声抑制融合算法。首先利用二进小波分解后高频系数的局部模极大值得到各尺度的图像边缘，然后利用小波系数的模极大值抑制噪声，结合子带关联和尺度相关的融合准则对去噪后的边缘进行融合，最后基于边缘重构图像。算法在抑制噪声的同时更好地保护了边缘特征信息，同时减少了计算量。理论分析和实验结果表明了算法的有效性。?? 　　关键词：图像融合； 模极大值； 二进小波变换； 噪声抑制； 尺度相关?? 　　中图分类号：TP391文献标志码：A 　　文章编号：1001－3695(2008)01－0271－03 　　 　　图像融合是有效地利用图像的特征信息对相同场景不同传感器所获得的图像信息进行综合，以易于使用者进行目标检测、识别和情景感知[1]。根据视觉心理学研究的结果，边缘特征是视觉系统能强烈感受到的少数几个图像信息特征之一,边缘像素虽然只占整个图像像素的少数部分，但包含了图像的主要信息，基于小波变换模极大值融合的边 　　缘检测是图像边缘融合的主要研究内容之一[2]。在图像融合中，源图像往往均包含一定量的噪声，现有的大部分融合算法不能有效地区分噪声和图像特征，融合结果会使图像的特征信息丢失。Petrovic等人对含噪的静态图像融合进行了初步研究。其方法是对含噪图像进行自适应阈值去噪，然后再进行融合计算[3]。这种阈值去噪方法在抑制噪声的同时也丢失了图像有意义的特征信息。Jong等人提出了梯度融合和最小均方差去噪相结合的融合算法[4]，但该方法中噪声对梯度选取影响较大，所以要对含噪图像进行预滤波。?? 　　图像融合的目的是抑制噪声的同时增加原图像的信息。由于信号突变信息和噪声在小波变换域尺度间的关系是不同的，基于模极大值重构的小波滤波方法是解决上述问题的很好途径。本文针对含噪图像中信号和噪声在融合时不好区分的问题，先利用无下采样二进小波分解后高频系数的局部模极大值得到抑制噪声后的图像边缘，结合子带关联和尺度相关的融合准则对去噪后的模极大值进行融合；最后完成图像重构。算法在抑制噪声的同时保护了边缘特征信息，而且对噪声模型的先验知识要求不严格，同时减少了计算量。?? 　　 　　1基于模极大值重构的边缘检测?? 　　 　　1．1小波多尺度边缘检测?? 　　 　　下面通过三组实验分别对各算法进行性能比较分析。图2所示为第一组实验，原图像采用已经配准好的图像（大小均为229×303），噪声的均值为0，方差分别为23和14。图2(a)是噪声均值为0，方差为23的可见光图像；(b) 是噪声均值为0，方差为14的红外图像。基于以上四种融合方法得到的融合图像分别如图2(c)~(f)所示。其中：(c)中融合图像包含太多的噪声；（d）中图像抑制噪声不明显，产生了模糊效应；（e）中丢失了一些特征信息（山上的一个亮点在(e)中明显减弱了）；利用本文算法的（f）中能有效地抑制噪声，很好地保留了原图像的特征信息（红外图像的亮点及山脚下物体和可见光的烟雾），视觉效果较好。比较(c)~（f），本文四种算法进行融合时均能抑制噪声。算法1不对噪声作处理，抑制噪声不明显；算法2在阈值去噪时把细小的信号作为噪声去除了，整体效果较差；算法3有两次重构，能抑制噪声但会丢失信息；算法4采用模极大值去噪，能够抑制噪声而且在融合时又同时包含了尺度和子带的关系，所以较好地保护了边缘，视觉效果?┳詈谩＊? 　　 　　图3为第二组实验，是已配准原图像（256×256），噪声均值为0，方差为25。（a）为CT图像；（b）为MR图像。基于以上四种融合方法得到的融合图像分别如图3(c)~(f)所示。其中：(c)在保护图像特征信息的同时保留了噪声，抑制噪声不明显；(d)在抑制噪声的同时，使特征信息减弱（边缘不连续）；(e)中融合结果与(f)相近，但失去了一些细节信息（CT右上角的边缘）。对比(c)~(f)，算法1把噪声也作为信号进入融合结果中；算法2把部分特征信息作为噪声去除了；算法3的两个过程减弱了特征信息；本文算法在抑制噪声的同时较好地保护了边缘信息。?? 　　综合图2和3的结果和分析，可以得出本文提出的融合算法对噪声有很强的抑制能力，较好地保护了图像边缘特征信息，更符合人的视觉习惯。?? 　　图像融合结果有主观评价标准和客观评价标准。以上两组实验是对融合算法噪声抑制和特征信息保留能力进行了主观比较。第三组实验对各种算法的抑制噪声能力和保留特征信息能力进行客观的比较。图像选择第一组用的红外和可见光图像，分别加上一系列具有不同标准差的高斯噪声。这里选取Petrovic提出的Q??AB/F??n[3，12]和融合图像的互信息