改良された画像融合アルゴリズム
我々は深セン中国の大きな印刷会社です。 我々は、すべての本の出版物、ハードカバー本の印刷、紙の本の印刷、ハードカバーのノート、sprial本の印刷、中綴じ本の印刷、小冊子の印刷、包装箱、カレンダー、PVCのすべての種類、製品のパンフレット、メモ、児童図書、ステッカー特別な紙のカラー印刷製品、ゲームカードなどの種類。
詳細はこちらをご覧ください。
http://www.joyful-printing.com。 ENGのみ
http://www.joyful-printing.net
http://www.joyful-printing.org
email:info@joyful-printing.net
最初。 前書き
画像融合は、より正確で豊かな画像を形成するために2つ以上のセンサによって得られた画像情報の合成である。 画像融合は低レベルから高レベルの3つのレベル、すなわちピクセルレベル融合、特徴レベル融合および決定レベル融合に分けられる。 ウェーブレット変換は、画像融合において一般的に使用される方法である。 研究は、ウェーブレット変換が高次元の場合に最適な関数表現方法ではないことを示している。 研究者らは、画像などの高次元空間データをより効果的に表現して処理するために、Ridgelet、Curvelet、Bandelet、Contourlet、Wavelet-Contourletなどの一連のマルチスケール幾何解析ツールを提案している。 提案された方法は、画像融合の分野においてより効率的な融合方法を構築するための基礎を築く。
ウェーブレット変換とコンターレット変換は、画像融合のための2つの主要かつ一般的に使用されるツールである。 ウェーブレット変換は理論的にも実用的にも成熟している。 それは常にイメージ融合のための共通のツールでしたが、水平、垂直、斜めの3方向の情報しか取得できません。 Contourlet変換は、ウェーブレット変換方向の有限性を補償し、画像の任意の方向に情報を得ることができる。 同時に、ウェーブレット変換とコンツェルレット変換も同様に画像を低周波部分と高周波部分に分解し、画像融合をそれぞれ低周波と高周波で行う。 したがって、ウェーブレット変換とコンターレット変換とを組み合わせて画像の性能を向上させることができる。
画像融合の研究には、アルゴリズムの研究だけでなく、融合規則の研究も含まれる。 融合ルールは、一般に、領域(またはウィンドウ)融合ルールを選択する。 低周波は主に画像のエネルギー情報を反映し、高周波は画像の境界情報、すなわち変化の度合いを反映しているからである。 分散は、画像ピクセル間の全体的な変化も反映する。 そこで、本論文では、高域部分で局所分散の加重平均を選択する融合法を選択する。
第2に、ウェーブレット - コンツェルレット変換
ウェーブレット変換
1989年、BurtとAdelsonの画像分解と再構成ピラミッドアルゴリズム(Gauss-Laplaceピラミッドアルゴリズム)に触発され、Mallatはコンピュータビジョンの分野でウェーブレット解析に多スケールの解析アイデアを導入しました。 解像度解析の概念は、マラート高速アルゴリズムによって与えられる。
2次元のMallatアルゴリズムは、次のように表すことができます。
ここで、空間解像度の低周波成分は、空間解像度の水平方向、垂直方向、斜め方向の高周波成分である。 整数の集合として、それはミラー共役フィルタである。
2.Contourlet変換
ウェーブレット変換は画像の方向情報を表すものではないため、 2002年に、DoとVetterliはContourlet変換を提案しました。 コンターレット変換は、マルチ解像度、ローカルおよび方向の画像表現方法である。 任意の方向に情報を提供することができ、2次元画像の疎な表現である。 Contourletトランスフォームは、2つのステップでイメージを処理する2チャネルのフィルタバンクを使用します。
2.1ラプラシアンピラミッド(LP)は、入力画像を分解するために使用されます。 LP分解は、ローパスフィルタリング、ダウンサンプリング、補間増幅、およびバンドパスフィルタリングの4つのステップからなる。 低周波数サブバンドの継続的なLP分解は、様々なスケールの範囲で低周波数サブバンドおよび高周波数サブバンドをもたらす。
2.2方向性分析は、LP分解によって得られた高周波指向性フィルタバンクに対して実行される。 指向性フィルタバンクの目的は、画像の指向性高周波情報を捕捉し、同じ方向の特異点を1つの係数に結合することである。
指向性フィルタバンクは、画像のツリーレベルの構造を分解し、周波数領域をそれぞれくさび形のサブバンドに分解する。 この方法では、最初に図1に示すファンフィルタと5つのサンプリングフィルタを使用して、入力画像を水平と垂直の2つのサブバンドに分解し、Shearingリサンプリングオペレータバンドを導入します。
図1フィルタバンク(ファンフィルタと5つのサンプリングフィルタ)
図1は5つのサンプリング行列を表し、黒いセクタ領域は各フィルタの理想的な周波数領域分解を表す。
3.ウェーブレット - コンツェルレット変換
Contourlet変換の第1段階で使用されるLP分解は冗長であり、結果としてContourlet変換の4/3冗長性が生じる。 さらに、LP分解の非相関もウェーブレット変換ほど良くはありません。 上記の問題に対応して、Eslami RとRadha Hは、ウェーブレット - コンツェルト変換を提案した。 ウェーブレット - コンツェルレット変換は、2段階のフィルタバンクから構成される。 第1段階は、画像の高周波成分を得るためにウェーブレット変換によって分解され、それにより部分空間詳細情報の相関が低減される。 2段目は指向性フィルタバンクを使用します。 高周波数の全方向のサブバンドが得られる。 図2に示すように、
第3に、分散選択平均融合アルゴリズム
この論文で与えられた融合アルゴリズムのステップは、以下の通りである。
1左ぼかし画像と右ぼかし画像のウェーブレット・コンツェルレット変換を行い、元画像の低周波部分と高周波部分を得る。
2低周波部分は単純な加重平均の融合規則を使用します。
画像がウェーブレット - コンツェレットによって変換された後、低周波係数は、主に、画像の概観を決定する原画像のエネルギーの大部分を集中させる。 本論文では、低周波サブバンド係数に対して加重平均融合ルールを用いる。
3高周波部分は、分散選択加重平均の融合則を採用する。
画像がウェーブレット - コンツェレットによって変換された後、高周波数係数は主に画像の詳細およびエッジ情報を含む。 各高周波数サブバンド係数は指向特性を具現化する。 本論文では、分散選択平均に基づく融合アルゴリズムを採用する。 融合ルールは次のとおりです。
まず、左ぼかし画像と右ぼけ画像の高周波部分画像の分解層を求め、各方向の対応画素の局所分散をそれぞれとして記録する。 式については、式(2)を参照してください。
次にそれを正規化する:
しきい値を定義する:この記事では、シミュレーションを行います。 それから、
ここで、はそれぞれ分解された層および方向における融合画像、画像および画像の画素値を表す。 式(5)および(6)から、正規化画像AおよびBの局所分散値が大きいときは、1つの画像に豊富なエッジ詳細情報が含まれ、他の画像にはエッジ詳細情報が少ないことを意味することが分かるより大きな局所分散を有する画素値が融合係数として選択され、 2つの画像が正規化されると、ローカル分散が近くなり、両方の画像が豊富なエッジ詳細情報を含むことを示す。 加重平均融合アルゴリズムは、融合後のウェーブレット係数を決定するために使用される。 これにより、情報の損失を回避しながら、画像の詳細な機能が維持されます。
4最終的な融合画像を得るために、ウェーブレット - コンツェレトル逆変換を実行する。
具体的なプロセスを図3に示します。
図3ウェーブレット - コンツェルト変換画像融合ブロック図
第4に、評価指標の統合と実験結果の分析
提案アルゴリズムの有効性を検証するために、同じ融合ルールの下で、ウェーブレット変換とコンターレット変換とを比較する。 画像は分解され、db5ウェーブレットを使用して再構成される。 閾値は0.6とする。
融合画像を客観的に評価するために、基準画像として明瞭なグレースケール画像を選択した。 融合画像および参照画像のクロスエントロピー、偏移および空間周波数は、融合効果の長所および短所を評価するための客観的基準として使用される。
1.クロスエントロピー
融合画像と標準参照画像のクロスエントロピーは次のように定義されます。
式(7)において、合計はグレイ値の合計の確率である。 イメージの総グレーレベル。 相対エントロピーとも呼ばれるクロスエントロピーは、2つの画像の差を評価するための重要な指標です。 クロスエントロピーが小さいほど、記述と合計の差が小さいほど、より多くの情報が抽出されます。つまり、画像をマージする効果が優れています。
2.偏差
の偏差は以下のように定義されます。
式(8)において、和の階調値がそれぞれ示されている。 偏差の大きさは、グレー値との差を表す。 偏差が小さいほど、融合効果は良好である。
3.空間周波数
画像の空間周波数は次のとおりです。
(9)は画像のライン周波数であり、その計算式は(10)に示される。
(9)は画像の列周波数であり、その計算式は(11)のようになる。
上式は、画素位置でのグレー値を表し、画像のライン数とカラム数を表しています。
画像の空間周波数は、画像空間領域の全体的な活動を反映して、分散に関連する指標である。 空間周波数が大きいほど、画像がアクティブになり、画像がより鮮明になり、画像ブレンド効果が向上する。
図4は、融合実験の結果を示す。 図4(a)は標準参照画像であり、図4(b)は左側のガウシアンフィルタによって融合される画像であり、図4(c)は右側のガウスフィルタによって融合される画像である側。 図4(d)はウェーブレット変換後の融合画像、図4(e)はコントレット変換後の融合画像、図4(f)はウェーブレット - コントレット変換後の融合画像である。
(a)標準参照画像(b)左側に融合されるぼやけ画像(c)右側に融合されるぼやけた画像
(d)ウェーブレット選択平均(e)コンター選択平均(f)ウェーブレット - コンター選択平均
融合のための3つの変換の性能評価データを表1に示す。
表1 3つの融合変換の性能比較データ解析
表1から、ウェーブレット変換と比較すると、ウェーブレット - コンターレット変換は空間周波数を11.27%増加させ、ウェーブレット変換よりも10.84%低いことを示し、クロスエントロピーはウェーブレットより23.81%低いことが分かる変換する。
ウェーブレット - コンツェルト変換は、コンターレット変換と比較して空間周波数とほとんど同じです。 偏差は、Contourlet変換よりも1.91%低く、クロスエントロピーはContourlet変換よりも11.11%低い。 したがって、評価指標を考慮して、提案アルゴリズムの有効性を検証する。
V.結論
本論文では、高域係数の領域分散の加重平均を選択する改良アルゴリズムを提案し、低周波に対して加重平均処理を用いる。 実験は、提案されたアルゴリズムが画像の詳細およびエッジ情報をより容易に得ることができることを示す。 実験データによれば、ウェーブレット - コンツェルト変換の偏移及びクロスエントロピーは、ウェーブレット変換及びコンツェルト変換のそれよりも低い。
したがって、同じ融合規則の下で、ウェーブレット - コンツェルト変換に基づく画像融合アルゴリズムおよび領域分散の加重平均は、ウェーブレット変換およびコントレット変換融合アルゴリズムより良好な結果を得ることができる。

