教学材料《数字图像》_第9章.pptVIP

9.2图像融合 上一页下一页返回9.2图像融合 上一页下一页返回9.2图像融合3）加权平均法的特点加权平均融合是最简单的融合算法，适用于实时处理，当用于多图像融合时，可以提高融合图像信噪比，在源图像包含大量冗余信息且互相差异不大的情况下，可以得到更丰富的信息。加权平均融合本质上是对图像的平滑处理，往往会造成图像中边缘和轮廓模糊，降低视觉信息对比度；而且当源图像的灰度差异较大时，融合图像中会出现明显的拼接痕迹，不利于视觉观察和后续的目标识别。 上一页下一页返回9.2图像融合 上一页下一页返回9.2图像融合 上一页下一页返回9.2图像融合 上一页下一页返回9.2图像融合 上一页下一页返回9.2图像融合 上一页下一页返回9.2图像融合 上一页下一页返回9.2图像融合2）运用PCA进行图像融合方法首先对多幅源图像数据进行PCA变换，然后用一幅高分辨率图像替代其中某个主成分，来提高多元图像的空间分辨率，步骤如下。（1）将n个波段的低分辨率源图像进行PCA变换。（2）将高分辨率图像与PCA变换的第一主成分量图像进行直方图匹配，使他们的直方图接近。（3）用匹配处理后的高分辨率图像同和第一主成分量图像。（4）用所有主成分量进行PCA逆变换。 上一页下一页返回9.2图像融合3）基于PCA变换融合方法的特点基于PCA变换的融合图像包括了源图像高空间分辨率与高光谱分辨特性，图像特征更加清晰，光谱信息更加丰富，去相关性好，可用于数据的压缩和图像旋转。但是不足之处是：算法主要针对多源图像的融合，且要求源图像间或源图像与某些主成分间有较大的相关性，这样PCA变换使多个源图像信息集中于前几个主分量上，而其他分量信息相对较少。 上一页下一页返回9.2图像融合9.2.2.3基于小波变换的融合小波分析是近几年出现的一个新的研究热点，具有良好的空间和频率域上的局域性，能通过伸缩平移等运算功能对信息进行多尺度的细化分析。1）基于小波变换的融合方法小波融合的方法是基于小波分析理论，将原图像进行小波分解，得到一系列子图像，在变换域上使用相应的算法进行小波系数的融合，创建融合图像，最后通过逆变换重建融合图像。其图像融合示意图如图9.7所示。 上一页下一页返回9.2图像融合以两幅图像的融合为例，小波融合基本步骤如下。（1）对每一源图像分别进行小波变换，建立图像的小波塔形分解。（2）对个分解层分别进行融合处理，各分解层上利用不同的融合算子进行融合处理，最终得到融合后的小波金字塔。（3）对融合后所得小波金字塔进行小波逆变换，所得到的重构图像为融合图像。2）基于小波变化图像融合的特点图像经小波分解后，由于不同分辨率的细节信息互不相关，可以将不同频率范围内的信号分别组合，产生多种具有不同特征的融合图像；图像在不同分辨率水平上的能量和噪声不会互相干扰，块状伪影容易消除；是层层细化、逐步逼近的方法，有较强鲁棒性，且融合速度快。 上一页下一页返回9.2图像融合例9.2图像融合示例。采用上述方法先对配准后的多模态医学图像CT、MRI脑图像进行融合，图像大小均为256×256，待融合的原始图像CT、MRI图像如图9.8所示，图9.8（a）是经过配准之后的CT图像，图9.8（b）是待融合的MRI图像，拟将图9.8（a）与图9.8（b）融合。图9.8（c）、（d）、（e）所示为采用3种融合算法进行融合的结果。 上一页下一页返回9.2图像融合由图9.8分析可得：加权平均融合算法融合图像其包含的信息量少，且图像的噪声较大，不容易获得图像信息，而且这种简单的叠加会使合成图像的信噪比降低，当融合图像的灰度差异很大时，就会出现明显的拼接痕迹，不利于人眼识别和后续的目标识别过程。PCA变换融合方法图像较模糊，对于融合图像的使用具有一定的局限性，大多适用于数据压缩和图像选准，且边缘信息不清楚。基于小波变换的图像融合效果非常好，保留了原图像的纹理和边缘信息，避免了融合图像的平均化，有效地将CT图像的骨骼信息和MRI图像的软组织信息融合在一起，为临床诊断提供更充分、更可靠的信息。 上一页返回图9.1医学图像配准示意图 返回图9.2图像配准流程图 返回图9.3图像空间变换种类 返回图9.4模板匹配示意图（a）模板匹配搜索图示意；（b）模板匹配示例 返回图9.5图像配准效果示例