小波变换实现图像融合 & 原理 代码 |
您所在的位置：网站首页 › 对图像进行小波变换的条件是什么样的 › 小波变换实现图像融合 & 原理 代码 |
小波变换实现图像融合 & 原理 代码
|
参考博客
有关小波的几个术语及常见的小波基介绍_jbb0523的博客-CSDN博客_常用小波基 python小波图像融合_koervcor的博客-CSDN博客_python小波图像融合 医学图像处理案例（十四）——基于小波变换的图像融合 - 腾讯云开发者社区-腾讯云 (tencent.com) 图像融合（六）-- 小波融合 - silenceer - 博客园 (cnblogs.com) 常见小波函数：Haar、Daubechies、Biorthogonal、Coiflets、Symlets、Morlet、Mexican Hat、Meyer、Gaus、Dmeyer、ReverseBior、Cgau、Cmor、Fbsp、Shan. 图像融合与小波变换&融合 概述 1、图像融合概述图像融合（Image Fusion）是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。 2、小波变换特点介绍小波变换的固有特性使其在图像处理中有如下优点： 完善的重构能力，保证信号在分解过程中没有信息损失和冗余信息；把图像分解成低频图像和细节（高频）图像的组合，分别代表了图像的不同结构，因此容易提取原始图像的结构信息和细节信息；小波分析提供了与人类视觉系统方向相吻合的选择性图像。一般图像融合的小波分解采用离散小波变换(Discrete Wavelet Transform, DWT)。DWT的函数基由一个称为母小波或分析小波的单一函数通过膨胀和平移获得。因而，DWT同时具有时域和频域分析能力，与一般的金字塔分解相比，DWT图像分解具有以下优势： 1）具有方向性，在提取图像低频信息的同时，还可获得了水平、垂直和对角三个方向的高频信息；2）通过合理的选择母小波，可使DWT在压缩噪声的同时更有效的提取纹理、边缘等显著信息；3）金字塔分解各尺度之间具有信息的相关性，而DWT在不同尺度上具有更高的独立性。 3、基于小波变换的图像融合DWT 融合算法基本思想：首先对源图像进行小波变换，然后按照一定规则对变换系数进行合并；最后对合并后的系数进行小波逆变换得到融合图像。 3.1、小波分解原理简介（1）小波的简单计算原理 [x0，x1，x2，x3]=[90，70，100，70] 为达到压缩 我们可取 (x0+x1)/2 (x0-x1)/2 来代表 x0,x1 这样 [90,70] 可表示为 [80,10] 80即平均数 10是小范围波动数（可想象出一种波的形状） [90,70] --〉[80,10] , [100,70] --〉 [85,15] 可以想象80 和85 都是局部的平均值反映大的总体的状态，是变化相对缓慢的值，可以认为他们是低频部分的值。 而10、15是小范围波动的值局部变换较快，可以认为他们是高频部分的值。 FIRST：把[90,70,100,70] 写成 [80,85,10,15] 即把低频部分写在一起（记频率L） 高频部分写在一起（H) ；SECOND：而[80,85] 又可经同样的变换--> [82.5, -2.5] 这样 82.5表示更低频的信息(记频率LL) -2.5则表示了频率L上的波动； 最后[90,70,100,70] --〉[82.5, -2.5, 10, 15] 这样信息就可被压缩了（数字范围小了）。现在再来扩展一下 [90,70]---> [80,10] 写成矩阵 [90,70] * [ [1/2, 1/2] [1/2 ,-1/2] ] , 矩阵 [1,1；1,-1]/2 为haar转换矩阵。 如果是[90,70,100,70]，第一步就可以写成矩阵M1：[0.5,0,0.5,0; 0.5,0,-0.5,0; 0,0.5,0,0.5;0,0.5,0,-0.5]；第二步只对低频L操作，高频不变，可写成M2：[1/2, 1/2, 0, 0; 1/2, -1/2, 0, 0; 0, 0, 1, 0 ;0, 0, 0, 1]。另M= M1*M2，可得到4*4的点阵操作。 第一步运算后原图像缩小至左边一半了，右边的是对应波动信息； 第二步运算后图像又缩小至左边一半了，对应波动信息。 对一幅图像先进行行变化，在进行列变化，那么就是小波变化了。
LL：水平低频，垂直低频 LH：水平低频，垂直高频 HL：水平高频，垂直低频 HH：水平高频，垂直高频 其中，L表示低频，H表示高频，下标1、2表示一级或二级分解。在每一分解层上，图像均被分解为LL，LH，HH和HL四个频带，下一层的分解仅对低频分量LL进行分解。这四个子图像中的每一个都是由原图与一个小波基函数的内积后，再经过在x和y方向都进行2倍的间隔采样而生成的，这是正变换，也就是图像的分解；逆变换，也就是图像的重建，是通过图像的增频采样和卷积来实现的。这里有个问题经过处理后，数据或超出255或者出现负数，需要将其归一化到0-255之间，方可显示图像。这里介绍的只是简单的小波计算，小波计算的而不同就在于选取不同的小波系数，一般有haar小波，sym2小波等。 3.2、融合规则规则一：系数绝对值较大法 该融合规则适合高频成分比较丰富，亮度、对比度比较高的源图像，否则在融合图像中只保留一幅源图像的特征，其他的特征被覆盖。小波变换的实际作用是对信号解相关，并将信号的全部信息集中到一部分具有大幅值的小波系数中。这些大的小波系数含有的能量远比小系数含有的能量大，从而在信号的重构中，大的系数比小的系数更重要。 规则二：加权平均法 权重系数可调，适用范围广，可消除部分噪声，源图像信息损失较少，但会造成图像对比度的下降，需要增强图像灰度。 规则三：局部方差准则 设A(x,y)和B(x,y)分别为高频子图像数据值，F(x,y)为相应高频子图像融合值，将A(x,y)和B(x,y)分成若干个M×N子块图像。对每个子块图像进行数值分布统计，计算其方差。确定A和B图像每个子块图像加权系数K1和K2。如果A图像子块方差大于B图像子块方差,则K1≥K2，否则K1 |
【本文地址】
今日新闻 |
推荐新闻 |