Exposición

Un algoritmo mejorado de fusión de imágenes.

Oct 12, 2018 Dejar un mensaje

Un algoritmo mejorado de fusión de imágenes.

Somos una gran empresa de impresión en Shenzhen, China. Ofrecemos todas las publicaciones de libros, impresión de libros de tapa dura, impresión de libros de papercobre, libretas de tapa dura, impresión de libros de sprial, impresión de libros de encuadernación, impresión de folletos, cajas de embalaje, calendarios, todo tipo de PVC, folletos de productos, notas, libros infantiles, pegatinas, todo tipos de productos especiales de impresión en color de papel, tarjeta de juego y así sucesivamente.

Para mayor información por favor visite

http://www.joyful-printing.com. Solo ENG

http://www.joyful-printing.net

http://www.joyful-printing.org

correo electrónico: info@joyful-printing.net


Primero. Introducción


La fusión de imágenes es la síntesis de la información de imagen obtenida por dos o más sensores para formar una imagen más precisa y más rica. La fusión de imágenes se divide en tres niveles, de bajo a alto: fusión a nivel de píxeles, fusión a nivel de características y fusión a nivel de decisión. La transformada de wavelet es un método comúnmente utilizado en la fusión de imágenes. La investigación muestra que la transformada wavelet no es el método de representación de función óptima en casos de alta dimensión. Con el fin de representar y procesar con mayor eficacia datos espaciales de alta dimensión, como imágenes, los investigadores han propuesto una serie de herramientas de análisis geométrico de escala múltiple como Ridgelet, Curvelet, Bandelet, Contourlet y Wavelet-Contourlet. Los métodos propuestos sientan las bases para construir métodos de fusión cada vez más eficientes en el campo de la fusión de imágenes.


La transformada Wavelet y la transformada Contourlet son dos herramientas principales y comúnmente utilizadas para la fusión de imágenes. La transformada Wavelet es madura tanto en teoría como en aplicaciones prácticas. Siempre ha sido una herramienta común para la fusión de imágenes, pero solo puede obtener información en tres direcciones: horizontal, vertical y diagonal. La transformada Contourlet puede compensar la finitud de la dirección de la transformada wavelet y obtener información en cualquier dirección de la imagen. Al mismo tiempo, la transformada wavelet y la transformada de contorno procesan la imagen de manera similar, es decir, la imagen se descompone en partes de baja frecuencia y alta frecuencia, y la fusión de imagen se realiza en baja frecuencia y alta frecuencia respectivamente. Por lo tanto, la transformada wavelet y la transformada de contorno pueden combinarse para mejorar el rendimiento de la imagen.


La investigación de la fusión de imágenes no solo incluye la investigación de algoritmos, sino también la investigación de las reglas de fusión. Las reglas de fusión ahora generalmente seleccionan reglas de fusión de regiones (o ventanas). Debido a que la baja frecuencia refleja principalmente la información de energía de la imagen, y la alta frecuencia refleja la información de límites de la imagen, es decir, el grado de cambio. La varianza también refleja el cambio general entre los píxeles de la imagen. Por lo tanto, en este documento, el método de fusión para seleccionar el promedio ponderado de la varianza regional se selecciona en la parte de alta frecuencia.


En segundo lugar, la transformada wavelet-contorno


1. transformada de wavelet

En 1989, inspirado por el algoritmo de pirámide de descomposición y reconstrucción de imágenes de Burt y Adelson (el algoritmo de pirámide de Gauss-Laplace), Mallat introdujo ideas de análisis de múltiples escalas en el campo de la visión por ordenador en el análisis de wavelets. El concepto de análisis de resolución viene dado por el algoritmo rápido de Mallat.

El algoritmo de Mallat bidimensional se puede expresar como:

En la fórmula, los componentes de baja frecuencia en la resolución espacial son, respectivamente, componentes de alta frecuencia en las direcciones horizontal, vertical y diagonal en la resolución espacial. Como un conjunto de enteros, es un filtro conjugado espejo.


2.Contourlet transform

Dado que la transformada wavelet no representa bien la información de dirección de la imagen. En 2002, Do y Vetterli propusieron la transformada de Contourlet. La transformada de contorno es un método de representación de imágenes de resolución múltiple, local y direccional. Puede proporcionar información en cualquier dirección y es una representación dispersa de una imagen bidimensional. La transformación de Contourlet utiliza un banco de filtros de dos canales que procesa la imagen en dos pasos:

2.1 La pirámide laplaciana (LP) se utiliza para descomponer la imagen de entrada. La descomposición de LP consta de cuatro pasos: filtrado de paso bajo, muestreo descendente, amplificación de interpolación y filtrado de paso de banda. La continua descomposición del LP de las subbandas de baja frecuencia produce subbandas de baja y alta frecuencia en un rango de diferentes escalas.

2.2 El análisis de direccionalidad se realiza en el banco de filtros direccionales de alta frecuencia obtenido por la descomposición de LP. El propósito del banco de filtros direccionales es capturar la información de alta frecuencia direccional de la imagen y combinar los puntos singulares en la misma dirección en un coeficiente.


El banco de filtros direccionales descompone la estructura a nivel de árbol de la imagen y descompone el dominio de frecuencia en subbandas, cada una de las cuales tiene forma de cuña. El método primero utiliza el filtro del ventilador que se muestra en la Figura 1 y cinco filtros de muestreo para descomponer la imagen de entrada en dos subbandas, horizontal y vertical, y luego introduce la banda del operador de remuestreo de Shearing.

Figura 1 banco de filtros (filtro de ventilador y cinco filtros de muestreo)

La Figura 1 representa cinco matrices de muestreo, y el área del sector negro representa la descomposición ideal del dominio de frecuencia para cada filtro.


3. Transformada wavelet-contorno

La descomposición de LP utilizada en la primera etapa de la transformación de Contourlet es redundante, lo que resulta en una redundancia de 4/3 de la transformación de Contourlet. Además, la descorrelación de la descomposición de LP tampoco es tan buena como la transformada de wavelet. En respuesta a los problemas anteriores, Eslami R y Radha H propusieron una transformación wavelet-Contourlet. La transformada wavelet-Contourlet se compone de un banco de filtros de dos etapas. La primera etapa se descompone mediante la transformación wavelet para obtener los componentes de alta frecuencia de la imagen, lo que reduce la correlación de la información detallada del subespacio. La segunda etapa utiliza el banco de filtros direccionales. Se obtienen subbandas en todas las direcciones de alta frecuencia. Como se muestra en la Figura 2:


Tercero, basado en el algoritmo de fusión promedio de selección de varianza


Los pasos del algoritmo de fusión dados en este documento son los siguientes:

1 Realización de la transformada wavelet-Contourlet en la imagen borrosa izquierda y la imagen borrosa derecha respectivamente, y obteniendo la parte de baja frecuencia y la parte de alta frecuencia de la imagen de origen;


2 La parte de baja frecuencia utiliza una regla de fusión de promedio ponderado simple.

Una vez que la imagen se transforma mediante wavelet-Contourlet, los coeficientes de baja frecuencia concentran principalmente la mayor parte de la energía de la imagen original, lo que determina el resumen de la imagen. En este documento, utilizamos la regla de fusión de promedio ponderado para los coeficientes de subbanda de baja frecuencia.


3 La parte de alta frecuencia adopta la regla de fusión de la variación del promedio ponderado de selección.

Una vez que la imagen se transforma mediante wavelet-Contourlet, el coeficiente de alta frecuencia contiene principalmente los detalles y la información de borde de la imagen. Cada coeficiente de sub-banda de alta frecuencia incorpora las características direccionales. En este documento, se adopta un algoritmo de fusión basado en el promedio de selección de varianza. Las reglas de fusión son las siguientes:


Primero, se obtienen las capas de descomposición de las subimágenes de alta frecuencia de la imagen borrosa del lado izquierdo y la imagen borrosa del lado derecho, y las variaciones locales de los píxeles correspondientes en las direcciones respectivas se registran respectivamente como:. Ver fórmula (2) para la fórmula:

Luego normalízalo:

Definir un umbral: este artículo toma la simulación. Luego están:

En donde, respectivamente, representan los valores de píxeles de la imagen fusionada, la imagen y la imagen en la capa y dirección descompuesta. Se puede ver en las ecuaciones (5) y (6) que cuando los valores de varianza locales de las imágenes normalizadas A y B son grandes, significa que una imagen contiene información detallada de borde rico, mientras que la otra imagen contiene información detallada de menos borde , el valor de píxel con mayor varianza local se selecciona como el coeficiente fusionado; cuando las dos imágenes están normalizadas, la varianza local está cerca, lo que indica que ambas imágenes contienen información detallada del borde enriquecido. El algoritmo de fusión de promedio ponderado se utiliza para determinar los coeficientes de wavelet después de la fusión. Esto preserva las características detalladas de la imagen y evita la pérdida de información.


4 Realice una transformada inversa wavelet-Contourlet para obtener la imagen fusionada final.

El proceso específico se muestra en la Figura 3.

Figura 3 Diagrama de bloque de fusión de la imagen transformada de contorno de onda


Cuarto, la integración de indicadores de evaluación y análisis de resultados experimentales.


Para verificar la efectividad del algoritmo propuesto, bajo las mismas reglas de fusión, se compara con la transformada wavelet y la transformada de contorno. La imagen se descompone y reconstruye utilizando wavelet db5. El umbral se toma como 0.6.

Para evaluar objetivamente la imagen fusionada, se seleccionó una imagen clara en escala de grises como imagen de referencia. La entropía cruzada, la desviación y la frecuencia espacial de la imagen fusionada y la imagen de referencia se utilizan como criterios objetivos para evaluar las ventajas y desventajas del efecto de fusión.

1. entropía cruzada

La entropía cruzada de la imagen fusionada y la imagen de referencia estándar se definen como:

En la ecuación (7), la suma es la probabilidad de la suma de los valores de gris. El nivel de gris total de la imagen. La entropía cruzada, también conocida como entropía relativa, es un indicador clave para evaluar la diferencia entre dos imágenes. Cuanto menor sea la entropía cruzada, cuanto menor sea la diferencia entre la descripción y la suma, más información se extrae de ella, es decir, el efecto de fusionar la imagen es mejor.


2. Desviación

La desviación de y se define como:

En la fórmula (8), los valores de gradación de la suma se indican respectivamente. La magnitud de la desviación representa la diferencia del valor de gris. Cuanto menor sea la desviación, mejor será el efecto de fusión.


3. Frecuencia espacial

La frecuencia espacial de la imagen es:

(9) es la frecuencia de línea de la imagen, y su fórmula de cálculo se muestra en (10):

(9) es la frecuencia de la columna de la imagen, y su fórmula de cálculo es como se muestra en (11):

La fórmula anterior representa el valor de gris en la posición del píxel y representa el número de líneas y el número de columnas de la imagen, respectivamente.

La frecuencia espacial de una imagen es un indicador relacionado con la varianza, que refleja la actividad general de un dominio espacial de la imagen. Cuanto mayor sea la frecuencia espacial, más activa será la imagen, más clara será la imagen y mejor será el efecto de fusión de la imagen.

La figura 4 muestra los resultados del experimento de fusión. La Figura 4 (a) es la imagen de referencia estándar, la Figura 4 (b) es la imagen que se fusionará con el filtro gaussiano en el lado izquierdo y la Figura 4 (c) es la imagen que se fusionará con el filtro gaussiano a la derecha lado. La Figura 4 (d) es La imagen fusionada después de la transformada wavelet, la Fig. 4 (e) es la imagen fusionada después de la transformada Contourlet, y la Fig. 4 (f) es la imagen fusionada después de la transformada wavelet-Contourlet.

(a) Imagen de referencia estándar (b) Imagen borrosa que se fusionará en el lado izquierdo (c) Imagen borrosa que se fusionará en el lado derecho

(d) Promedio de selección de wavelet (e) Promedio de selección de contorno (f) wavelet-promedio de selección de contorno de contorno

Los datos de evaluación de desempeño de las tres transformaciones para la fusión se muestran en la Tabla 1.

Tabla 1 Análisis comparativo de datos de rendimiento de tres transformaciones de fusión

En la Tabla 1 se puede ver que, en comparación con la transformada wavelet, la transformada wavelet-contourlet aumenta la frecuencia espacial en un 11.27%, la desviación es 10.84% más baja que la transformada wavelet, y la entropía cruzada es 23.81% más baja que la wavelet transformar.


La transformada wavelet-Contourlet es casi idéntica a la frecuencia espacial en comparación con la transformada Contourlet. La desviación es 1.91% más baja que la transformada de Contourlet, y la entropía cruzada es 11.11% más baja que la transformada de Contourlet. Por lo tanto, considerando los indicadores de evaluación, se verifica la efectividad del algoritmo propuesto.


conclusión V

En este documento, se propone un algoritmo mejorado para seleccionar el promedio ponderado de las variaciones regionales para los coeficientes de alta frecuencia, y el procesamiento del promedio ponderado se utiliza para frecuencias bajas. Los experimentos muestran que el algoritmo propuesto puede obtener más fácilmente los detalles y la información de borde de la imagen. De acuerdo con los datos experimentales, la desviación y la entropía cruzada de la transformada wavelet-Contourlet son más bajas que las de la transformada wavelet y la transformada Contourlet.


Por lo tanto, bajo la misma regla de fusión, el algoritmo de fusión de imagen basado en la transformada wavelet-Contourlet y el promedio ponderado de la varianza de la región puede obtener mejores resultados que la transformada wavelet y el algoritmo de fusión de la transformada Contourlet.

Envíeconsulta