Un algoritme de fusió d'imatge millorat
Som una gran empresa d'impressió a Shenzhen, Xina. Oferim totes les publicacions de llibres, impressió en llibres de tapa dura, impressió de llibres en paper tapís, quaderns de tapa dura, impressió en llibres espacials, impressió de llibres amb stiching de saddle, impressió de llibretes, caixa d'embalatge, calendaris, tot tipus de PVC, fullets de productes, notes, llibres infantils, adhesius, tot tipus de productes de paper especials d'impressió en color, targetes de joc i així successivament.
Per obtenir més informació, visiteu
http://www.joyful-printing.com. ENG només
http://www.joyful-printing.net
http://www.joyful-printing.org
correu electrònic: info@joyful-printing.net
Primer. Introducció
La fusió d'imatge és la síntesi de la informació de la imatge obtinguda per dos o més sensors per formar una imatge més precisa i més rica. La fusió d'imatge es divideix en tres nivells de baix a alt: fusió de nivell de píxels, fusió de nivell de característica i fusió de nivell de decisió. La transformada Wavelet és un mètode d'ús comú en la fusió d'imatges. La investigació mostra que la transformada wavelet no és el mètode de representació òptim de la funció en casos d'alta dimensió. Per tal de representar i processar dades espacials d'alta dimensió com les imatges, els investigadors han proposat una sèrie d'eines d'anàlisi geomètriques a escala múltiple com Ridgelet, Curvelet, Bandelet, Contourlet i Wavelet-Contourlet. Els mètodes proposats constitueixen els fonaments per a la construcció de mètodes de fusió més eficients en el camp de la fusió d'imatges.
La transformada Wavelet i la transformada de contorn són dues eines principals i d'ús general per a la fusió d'imatges. La transformada Wavelet és madura tant en teoria com en aplicacions pràctiques. Sempre ha estat una eina comuna per a la fusió d'imatges, però només es pot obtenir informació en tres direccions: horitzontal, vertical i diagonal. La transformació de Contourlet pot compensar la finitud de la direcció de transformació de wavelet i obtenir informació en qualsevol direcció de la imatge. Al mateix temps, la transformada de wavelet i la transformació del contorn transformen la imatge d'una manera similar, és a dir, la imatge es descompon en freqüències de baixa freqüència i d'alta freqüència, i la fusió d'imatges es realitza en freqüència baixa i alta freqüència, respectivament. Per tant, la transformada de wavelet i la transformada de contorn es poden combinar per millorar el rendiment de la imatge.
La recerca de fusió d'imatges no només inclou la recerca d'algoritmes, sinó també la recerca de regles de fusió. Les regles de fusió generalment seleccionen les regles de fusió de regions (o finestres). Atès que la baixa freqüència reflecteix principalment la informació energètica de la imatge, i l'alta freqüència reflecteix la informació límit de la imatge, és a dir, el grau de canvi. La variància també reflecteix el canvi global entre píxels d'imatge. Per tant, en aquest article, es selecciona el mètode de fusió de selecció de la mitjana ponderada de la variància regional a la part d'alta freqüència.
En segon lloc, la transformada Wavelet-Contourlet
1. Transformada de Wavelet
El 1989, inspirada en l'algoritme de piràmide de descomposició i reconstrucció d'imatges de Burt i Adelson (l'algoritme de piràmide de Gauss-Laplace), Mallat va introduir idees d'anàlisi multi-escala en el camp de la visió per computador en l'anàlisi de wavelet. El concepte d'anàlisi de resolució el proporciona l'algorisme de Mallat ràpid.
L'algoritme Mallat bidimensional es pot expressar com:
A la fórmula, els components de baixa freqüència de la resolució espacial són, respectivament, components d'alta freqüència en les direccions horitzontal, vertical i diagonal en resolució espacial. Com un conjunt d'enters, és un filtre conjugat de mirall.
2. Transformació contínua
Atès que la transformació wavelet no representa bé la informació d'adreça de la imatge. El 2002, Do i Vetterli van proposar la transformació de Contourlet. La transformació de contorns és un mètode de representació d'imatges de múltiples resolucions, local i direccional. Pot proporcionar informació en qualsevol direcció i és una representació escassa d'una imatge bidimensional. La transformació de Contourlet utilitza un banc de filtres de dos canals que processa la imatge en dos passos:
2.1 La piràmide laplàcida (LP) s'utilitza per descompondre la imatge d'entrada. La descomposició LP consta de quatre passos: filtre de pas baix, presa de mostres, amplificació d'interpolació i filtrat de banda. La descomposició LP contínua de les subbands de baixa freqüència produeix subbands de baixa freqüència i alta freqüència en un rang d'escales diferents.
2.2 L'anàlisi de direccionalitat es realitza en el banc de filtres direccionals d'alta freqüència obtinguts per la descomposició LP. El propòsit del banc de filtres direccionals és capturar la informació direccional d'alta freqüència de la imatge i combinar els punts singulars en la mateixa direcció en un sol coeficient.
El banc de filtres direccional descompon l'estructura de la imatge de l'arbre i descompone el domini de freqüència en sub-bandes, cadascuna de les quals té forma de falca. El mètode utilitza per primera vegada el filtre de ventilador que es mostra a la Figura 1 i cinc filtres de mostreig per descompondre la imatge d'entrada en dues sub-bandes horitzontals i verticals i, a continuació, introdueix la banda d'operador de ressemblatge de cisallament.
Figura 1 Banc filtre (filtre de ventilador i cinc filtres de mostreig)
La figura 1 representa cinc matrius de mostreig, i l'àrea del sector negre representa la descomposició del domini de freqüència ideal per a cada filtre.
3. Transformada de Wavelet-Contourlet
La descomposició de LP utilitzada en la primera etapa de la transformació de Contourlet és redundant, resultant en una redundància de 4/3 de la transformació de Contourlet. A més, la des-correlació de la descomposició de LP tampoc és tan bona com la transformada de wavelet. En resposta als problemes anteriors, Eslami R i Radha H van proposar una transformada de Wavelet-Contourlet. La transformada Wavelet-Contourlet es compon d'un banc de filtres de dues etapes. La primera etapa es descompon per la transformada wavelet per obtenir els components d'alta freqüència de la imatge, reduint així la correlació de la informació de detall de l'espai sub. La segona etapa utilitza el banc de filtres direccionals. S'obtenen subbands en totes les direccions d'alta freqüència. Com es pot veure a la figura 2:
Tercer, basat en l'algorisme de fusió mitjana de selecció de variància
Els passos de l'algoritme de fusió que es donen en aquest article són els següents:
1 Realitzant wavelet-Contourlet es transforma a la imatge borrosa esquerra i la imatge borrosa dreta, respectivament, i obtenint la part de baixa freqüència i la part d'alta freqüència de la imatge d'origen;
2 La part de baixa freqüència utilitza una regla de fusió mitjana simple ponderada.
Una vegada que la imatge es transforma mitjançant Wavelet-Contourlet, els coeficients de baixa freqüència concentren principalment la major part de l'energia de la imatge original, que determina la visió general de la imatge. En aquest article, utilitzem la regla de fusió mitjana ponderada per als coeficients de subband de baixa freqüència.
3 La part d'alta freqüència adopta la regla de fusió de la variància de la variància ponderada mitjana.
Una vegada que la imatge es transforma amb wavelet-Contourlet, el coeficient d'alta freqüència conté principalment els detalls i la informació de vora de la imatge. Cada coeficient de sub-banda d'alta freqüència encarna les característiques direccionals. En aquest article, s'adopta un algoritme de fusió basat en la mitjana de selecció de la variància. Les regles de fusió són les següents:
En primer lloc, s'obtenen les capes de descomposició de les subimágenes d'alta freqüència de la imatge borrosa de l'esquerra i la imatge borrosa de la dreta, i les variàncies locals dels píxels corresponents a les respectives adreces es registren, respectivament, com: Vegeu la fórmula (2) de la fórmula:
A continuació, normalitzeu-la:
Definir un llindar: aquest article pren la simulació. Després hi ha:
On, respectivament, representen valors de píxels de la imatge, la imatge i la imatge foses a la capa i la direcció descompostes. Es pot veure a partir de les equacions (5) i (6) que quan els valors de la variància local de les imatges normalitzades A i B són grans, vol dir que una imatge conté informació detallada de la vora, mentre que l'altra imatge conté amb menys informació de detall de vora , el valor del píxel amb variància local més gran es selecciona com el coeficient fusionat; quan es normalitzen les dues imatges, la variància local és a prop, el que indica que ambdues imatges contenen informació de detall de la vora. L'algoritme de fusió mitjana ponderada s'utilitza per determinar els coeficients wavelet després de la fusió. Això conserva les característiques detallades de la imatge evitant pèrdues d'informació.
4 Realitzeu una transformada inversa de contorn de wavelet per obtenir la imatge fosa final.
El procés específic es mostra a la figura 3.
Figura 3 Wavelet-Contourlet transforma el diagrama de blocs de fusió d'imatge
En quart lloc, la integració dels indicadors d'avaluació i l'anàlisi dels resultats experimentals
Per comprovar l'efectivitat de l'algorisme proposat, sota les mateixes regles de fusió, es compara amb la transformada de wavelet i la transformada de contorn. La imatge es descomposa i es reconstrueix mitjançant wavelet db5. El llindar es pren com 0.6.
Per avaluar objectivament la imatge fosa, s'ha seleccionat una imatge de grisos en escala clara com a imatge de referència. La entropia creuada, la desviació i la freqüència espacial de la imatge fusionada i la imatge de referència s'utilitzen com a criteris objectius per avaluar els pros i els contres de l'efecte de fusió.
1. Entropia creuada
La entropia creuada de la imatge fosa i la imatge de referència estàndard es defineix com:
En l'equació (7), la suma és la probabilitat de la suma dels valors grisos. El nivell gris total de la imatge. La entropia creuada, també coneguda com entropia relativa, és un indicador clau per avaluar la diferència entre dues imatges. Com més petita sigui l'entropia creuada, com més petit sigui la diferència entre la descripció i la suma, més informació s'extreu d'ella, és a dir, l'efecte de la fusió de la imatge és millor.
2. Desviació
La desviació de i es defineix com:
A la fórmula (8), els valors de gradació de la suma són respectivament indicats. La magnitud de la desviació representa la diferència del valor gris. Com més petit sigui la desviació, millor serà l'efecte de fusió.
3. Freqüència espacial
La freqüència espacial de la imatge és:
(9) és la freqüència de línia de la imatge, i la seva fórmula de càlcul es mostra a (10):
(9) és la freqüència de columna de la imatge, i la seva fórmula de càlcul és tal com es mostra a (11):
La fórmula anterior representa el valor gris a la posició del píxel i representa el nombre de línies i el nombre de columnes de la imatge, respectivament.
La freqüència espacial d'una imatge és un indicador relacionat amb la variància, que reflecteix l'activitat general d'un domini espacial d'imatge. Com més gran és la freqüència espacial, més activa la imatge, més clara serà la imatge i millor serà l'efecte de barreja d'imatges.
La figura 4 mostra els resultats de l'experiment de fusió. La figura 4 (a) és la imatge de referència estàndard, la figura 4 (b) és la imatge que ha de ser fusionada pel filtre gaussiano en el costat esquerre, i la figura 4 (c) és la imatge que ha de ser fusionada pel filtre gaussià a la dreta costat. La figura 4 (d) és la imatge fosa després de la transformada wavelet, la Fig. 4 (e) és la imatge fosa després de la transformada del contorn i la figura 4 (f) és la imatge fosa després de la transformada de wavelet-contourlet.
(a) Imatge de referència estàndard (b) Imatge borrosa que es fusionarà al costat esquerre (c) Imatge borrosa que es fusionarà al costat dret
(d) Mitjana de selecció de Wavelet (e) Mitjana de selecció de Contorns (f) Wavelet-Selecció de Contourlet mitjana
Les dades d'avaluació del rendiment de les tres transformacions per a la fusió es mostren a la Taula 1.
Taula 1 Anàlisi de dades de comparació de rendiment de tres transformacions de fusió
Es pot observar a partir de la taula 1 que, en comparació amb la transformada de wavelet, la transformada de contorn de wavelet augmenta la freqüència espacial en un 11,27%, la desviació és un 10,84% menor que la transformada d'ona, i la entropia transversal és 23,81% menor que la wavelet transformar
La transformada Wavelet-Contourlet és gairebé idèntica a la freqüència espacial en comparació amb la transformació de Contourlet. La desviació és 1,91% menor que la transformació de Contourlet, i la entropia creuada és 11,11% menor que la transformada de Contourlet. Per tant, tenint en compte els indicadors d'avaluació, es verifica l'efectivitat de l'algorisme proposat.
V. Conclusió
En aquest article, es proposa un algoritme millorat per seleccionar la mitjana ponderada de les variàncies regionals per als coeficients d'alta freqüència, i el processament mitjà ponderat s'utilitza per a freqüències baixes. Els experiments mostren que l'algoritme proposat permet obtenir més fàcilment els detalls i la informació de vora de la imatge. Segons les dades experimentals, la desviació i la entropia creuada de la transformada Wavelet-Contourlet són inferiors a les de la transformada Wavelet i la Transformada de Contourlet.
Per tant, sota la mateixa regla de fusió, l'algorisme de fusió d'imatges basat en Wavelet-Contourlet Transform i la mitjana ponderada de la variància regió poden obtenir millors resultats que la transformada Wavelet i l'algoritme de fusió Transformar Contourlet.

