基于Contourlet的改进梯度多聚焦图像融合

基于Contourlet的改进梯度多聚焦图像融合
吴翠先;李秋锋
【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。

【期刊名称】《数字技术与应用》
【年(卷),期】2014(000)010
【总页数】2页(P49-50)
【关键词】图像融合;轮廓波;改进梯度
【作者】吴翠先;李秋锋
【作者单位】重庆邮电大学通信新技术应用研究中心重庆 400065; 重庆信科设计有限公司重庆 400065;重庆邮电大学通信新技术应用研究中心重庆 400065
【正文语种】中文
【中图分类】TP391.41
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。

1.1 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l级方向分解后,可以得到 2l个方向子带图像。

因此,Contourlet变换对图像进行 K级分解,可以得到个子带图像,其中kl对应于 k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iS(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
iH(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MN×邻域内改进的梯度,如式(2)。

图像的边缘细节越丰富, G越能更好的反映图像的边缘信息。

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K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l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 k层第 l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 F。

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 GA(i,j)和
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 (,)fij为图像的灰度级像素点 (,)ij的系数,改进的拉普拉斯(ML)定义为: GB(i,j),通过比较大小选取低频系数,选取规则如下:其中 step表示系数间的可变间距,本文step设为1。

M和N表示窗口大小为(2M+1)×(2N+1), m和 n取值在窗口内变化,文中采用33×窗口。

高频系数选取规则如下:其中的 SML清晰度。

本文采用matlab2011作为仿真工具,选取多聚焦图像融合验证和分别表示和本文
算法,同小波变换(方法一)、基于CT的方法(方法二)和CT-SFSML(方法三)的融合
方法相比较。

前两种方法采用低频平均、高频取模值最大的融合规则。

方法三低频采用空间频率(SF)、高频采用SML的选取规则。

方法一中小波基采用“db1”进
行一级分解。

方法二、三和本文方法,CT尺度分解和方向分解滤波器分别采用“9-7”和“pavk”滤波器,分解层数均为4层。

客观评价[6,7]采用均值、信息熵H、互信息MI和加权边缘信息保留值QAB/F等
指标,对上述四种方法进行评价。

表示图像像素的灰度均值,反映图像的平均亮度,均值适中,则视觉效果好。

H表示图像包含的信息量,其值越大,融合图像的信息量越多。

MI表示融合图像保留源图像的信息多少,其值越大融合效果越好。

QAB/F表示源
图像的边缘信息在融合图像中的保留程度,其值越大,保留源图像的边缘信息越好。

多聚焦源图像及融合结果如图(2)～(7)所示。

从视觉效果上看,本文方法比方法一、二图像清晰,边缘一致性好,细节突出,具有良好的融合结果,与方法三比较融合图像基本一致。

从客观的评价指标看,实验结果如表1,本文方法的四种指标都高于其他三
种方法,与视觉效果保持一致,表明本文的方法优于其他三种方法。

本文针对多聚焦图像融合的特点,提出了一种新的八方向Sobel算子改进梯度的方法,该方法可有效的提出源图像的边缘和细节信息。

通过仿真实验,对本文提出的算
法进行主客观的分析。

无论从主观视觉,还是客观指标的评价,本文算法优于传统常
用的算法,取得了较好的效果。

融合图像保留更多的源图像信息,边缘一致性好,清晰度高。

【相关文献】
[1]闫敬文.数字图像处理(MATLAB版)[M].北京:国防工业出版社, 2011:193-197.
[2]M.N.Do,M.Vetterli. Contourlets:a directional multiresolution image representation[C]. IEEEInternational Conference Image Processing,2002,1:357-360.
[3]M.N.Do,M.Vetterli.The contourlet transform:an efficient directional multiresolution imagerepresentation[J]. IEEE Transactions on Image Processing,2005,14(12):2091-2106.
[4]刘俊定,范新南,丁朋华,等.基于改进Sobel算子的多仪表图像边缘检测算法[J].科学技术与工程,2012,12(19):4691-4696.
[5]Huimin LU,Lifeng Zhang,Seiichi Serikawa. Maximum local energy : An effective approach for multisensor imamge fusion in beyond wavelet transform domain[J]. Computers and Mathematics with Applications,2012(64):996-1003.
[6]才溪.多尺度图像融合理论与方法[M].北京:电子工业出版社, 2014:21-26.
[7]郭雷,李晖晖,鲍永生.图像融合[M].北京:电子工业出版社,2008: 242-245.。